Especialista de Dados (Anti-Fraude)

A Bemobi processa mais de R$ 12 bilhões por ano para mais de 1.500 clientes em mais de 60 países. Operamos transações para clientes de diferentes segmentos, como telecom, utilities, educação, saúde, etc.

Nossa plataforma proprietária de prevenção a fraudes analisa mais de 35 milhões de transações por mês e decide, dentro do fluxo de autorização e em menos de um segundo, o que passa e o que é bloqueado. Ela não pode cair: roda 24 por 7, com 99,9% de disponibilidade.

Cada ponto-base de perda evitada e cada ponto de aprovação recuperado aparecem direto no resultado dos nossos clientes. É um problema onde a sua decisão técnica tem valor em reais.

Procuramos alguém para assumir modelos de ponta a ponta, do dado bruto à decisão em produção. E ajudar a transformar uma operação para reduzir cada vez mais trabalho manual em uma plataforma com disciplina de engenharia.

Você precisa ser forte em ciência de dados e querer um problema adversarial: aqui o padrão muda porque a fraude se adapta para encontrar novos caminhos e o modelo que funcionava no mês passado pode não servir no próximo. É um trabalho contínuo e exatamente por isso que é interessante.

Responsabilidades e atribuições

• Construir e manter scores de risco transacional que entram na decisão em tempo real, com orçamento de latência medido em milissegundos.
• Trabalhar o ciclo completo: exploração, engenharia de features, treino, validação, calibração, definição de threshold e deploy.
• Lidar com os dois problemas que tornam fraude diferente de qualquer outro problema de classificação: desbalanceamento severo e rótulo que chega com semanas de atraso.
• Acompanhar o que está no ar com as métricas técnicas (KS, AUC/Gini, precisão, recall, etc.) e impacto em R$.
• Monitorar a estabilidade da população, drift e criar alarmes para nos anteciparmos a cenários de exposição ao risco.
• Aplicar técnicas de explicabilidade de forma que a decisão seja auditável e defensável diante de negócio, do cliente e, quando preciso, de compliance.
• Construir as agregações que alimentam a decisão (janelas de velocidade, correlação cruzada entre cartão, identidade, dispositivo e IP) e perfis de comportamento.
• Familiaridade com o conceito de features store online e offline.
• Trabalhar o data lake de ponta a ponta, conhecendo PySpark, Airflow e SQL sobre volumes grandes de dados.
• Entender o modus operandi de quem ataca, não só o modelo. Investigar padrões novos e transformá-los em features, regras e thresholds.
• Simular sobre histórico e rodar teste A/B em produção antes de uma mudança valer para todo mundo.
• Quantificar o trade-off central da área: perda por fraude × taxa de aprovação × custo operacional. Uma recomendação aqui sempre busca avaliar o impacto financeiro.
• Avaliar fornecedores externos de sinal: bureaus, inteligência de identidade e dispositivo e comparando performance e custo contra os modelos internos, para embasar decisões de construir ou comprar com dado.
• Usar IA generativa para eliminar trabalho repetitivo: triagem de alertas, investigação assistida de casos, documentação de features, geração de relatórios.
• Criar e manter agentes que automatizam parte do trabalho do dia-a-dia, como análise primária da saúde de um produto e mapeamento de principais padrões de fraude.
• Como tornar a IA uma aliada no processo de decisão na detecção de fraudes.
  
  
  

• 6+ anos em ciência de dados ou machine learning, com pelo menos 2 anos colocando modelos em produção, não apenas em notebook.
• Python em nível de produção e SQL avançado sobre grandes volumes.
• Modelagem supervisionada com domínio real dos fundamentos de algoritmos de classificação, em especial da família de gradient boosting (XGBoost, LightGBM, CatBoost, etc.), lidando com desbalanceamento de classes, latência de recebimento de rótulos, calibração de limiar de classificação e explicabilidade.
• PySpark e orquestração (Airflow ou equivalente).
• MLOps: construção de pipelines de treino e publicação, model registry, monitoramento de drift, etc.
• Experiência com AWS ou GCP em ambiente produtivo. Familiaridade com principais serviços voltados à ciência de dados (Sagemaker, Vertex AI, EMR, Dataproc, etc.).
• Formação em área quantitativa: Estatística, Ciência da Computação, Engenharia, Matemática, Física ou Economia.
  
  
  

• O principal: experiência com modelos de fraude. Se você já construiu score de risco transacional, trabalhou com motor de regras ou lidou com cenários de controle de chargeback.
• Experiência em pagamentos, fintech, adquirência, crédito ou marketplace.
• Decisão em tempo real: serviços síncronos no caminho crítico, orçamento de latência, feature store e o problema de paridade treino/serving.
• Detecção de anomalias não supervisionada e séries temporais comportamentais.
• Graph ML para identificar redes e anéis de fraude.
• IA generativa aplicada: construção de agentes e skills. Bots para auxiliar em automações.
• Pós-graduação em área quantitativa.
• Espanhol: parte relevante da operação está no México e Chile.