Formação:Formação superior em Ciência da Computação, Engenharia, Estatística, ou áreas correlatas.Pós-graduação completa / MBA ou Mestrado em Ciência de Dados, Analytics, I.A. ou Big Data será considerado um diferencial importante.Habilidades técnicas:Programação e Análise de Dados, domínio em Python e SQL avançado, com forte base em estatística, modelagem matemática e inferência causal.Machine Learning e IA, experiência prática com Scikit-learn, XGBoost e bibliotecas de visualização como Matplotlib, Seaborn e Plotly.Cloud e Big Data, manipulação de grandes volumes de dados em ambientes Azure, AWS ou GCP. Conhecimento em arquitetura analítica (data lake, data warehouse e ETL).MLOps e Automação: Versionamento e deploy de modelos com MLflow, DVC, Kubeflow e Airflow, além de automações com Zapier, Make e APIs.Integração e LLMs, criação de pipelines via CI/CD (Git, GitHub Actions) e aplicação de LLMs para construção de copilotos internos e assistentes de decisão.Principais responsabilidades:Conduzir projetos de ciência de dados fim a fim, desde a definição do problema até a entrega da solução em produção.Liderar o desenho e desenvolvimento de modelos preditivos, prescritivos e de otimização aplicados à logística, transporte, armazenagem e cadeia de suprimentos.Garantir a qualidade, integridade e governança dos dados utilizados nas análises.Identificar oportunidades de ganho operacional com uso de machine learning, inteligência artificial e análise estatística avançada.Realizar experimentações controladas (A/B tests), análises causais e estudos correlacionais para subsidiar decisões estratégicas.Orientar e apoiar cientistas de dados juniores, promovendo a evolução técnica do time.Atuar junto às áreas de negócios, tecnologia e produto para incorporar soluções de dados no ecossistema da empresa.Ajudar a desenvolver frameworks, padrões e boas práticas para projetos de ciência de dados.Participar da construção de arquitetura de dados analítica em parceria com engenheiros de dados e arquitetos de soluções.Desejável experiência anterior com:Logística, transporte, armazenagem ou supply chain.Ambientes de produção com dados em larga escala e alto nível de variabilidade.Projetos de previsão de demanda, roteirização inteligente, análise de capacidade, lead time, SLA ou eficiência operacional.