Senior Data Scientist EU

• Más de 5 años como data scientist o analista cuantitativo en un negocio de producto, marketplace o marketing de resultados (performance marketing)
• Estadística aplicada: diseño de experimentos, análisis de potencia, intervalos de confianza y la disciplina para informar de un resultado nulo con la misma claridad que uno positivo
• Inferencia causal más allá de las pruebas A/B: diferencia en diferencias, matching, holdouts, incrementalidad
• SQL avanzado en tablas de eventos grandes (CTEs, funciones de ventana)
• Python para modelado y análisis (pandas, numpy, scikit-learn)
• Comodidad con los defectos de los datos de eventos reales: duplicados, llegadas tardías, instalaciones rechazadas, datos de partners inconsistentes
• Capacidad para explicar un modelo a un stakeholder comercial sin simplificarlo hasta que deje de ser cierto
• Capacidad para trabajar bien junto a un Head of Product y un COO, quienes también trabajan directamente en los mismos problemas

• Publicidad móvil, adquisición de usuarios, offerwall o publicidad recompensada
• Datos de MMP (AppsFlyer, Adjust) y los límites de la atribución multi-touch
• Modelado de precios, incentivos o elasticidad en un entorno comercial
• Databricks o Spark
• Detección de fraude y anomalías

TyrAds es una plataforma líder de fidelización y recompensas impulsada por la tecnología que colabora con empresas para crear experiencias significativas y gratificantes para sus clientes. Con millones de usuarios en nuestras plataformas, nos especializamos en soluciones innovadoras de AdTech impulsadas por tecnologías de big data, machine learning y deep learning. Nuestros sistemas procesan más de 10.000 eventos por segundo, ofreciendo información en tiempo real a gran escala. Creamos experiencias de usuario fluidas en web, Android e iOS, aprovechando el ML/AI para potenciar la personalización y la eficacia publicitaria. Somos un equipo de más de 90 empleados en todo el mundo y en crecimiento, guiados por valores de transparencia, responsabilidad, aprendizaje de los errores y respeto por la diversidad cultural. Nuestro desarrollo de producto sigue metodologías Agile con lanzamientos semanales y herramientas de colaboración como GitHub, Jira y Slack.

Estamos contratando a un Senior Data Scientist para trabajar junto a nuestro equipo de Product y convertir nuestra economía de recompensas en modelos sobre los que la empresa pueda actuar.

Este es un rol de modelado cuantitativo, no un rol de ML de producción. Nuestro equipo de ingeniería de machine learning se encarga del servicio en tiempo real, la latencia y el monitoreo de modelos. Tú defines el modelo, diseñas el experimento que lo pone a prueba y produces el resultado medido. Ellos se encargan de servirlo.

Los problemas son comerciales y son difíciles. Una sola campaña puede incluir hasta 50 eventos recompensados. Si reduces el pago en uno de ellos, el margen unitario mejora, pero los usuarios dejan de progresar y los ingresos del anunciante caen. Hoy en día, esos compromisos se deciden por experiencia. Tu trabajo es sustituir la experiencia por la medición.

• Modelar el pago frente a la progresión del embudo, el diseño de eventos frente a la finalización y la calidad del usuario frente al retorno del anunciante
• Producir estimaciones de elasticidad que puedan utilizarse para configurar una campaña, no solo para describir una
• Dimensionar la oportunidad en ingresos o margen antes de comenzar el trabajo
• Diseñar experimentos controlados: unidad de aleatorización, análisis de potencia, métricas principales y de control (guardrail metrics)
• Establecer el tiempo de ejecución a partir de la propia temporización de eventos del embudo y acordar las reglas de parada antes del lanzamiento
• Escribir un registro de decisiones para cada experimento, incluidos los que fallan
• Realizar lecturas de aislamiento antes de cualquier afirmación causal, separando el efecto de un cambio en el embudo del efecto de un cambio en la mezcla de publishers
• Diferencia en diferencias, matching, holdouts, pruebas de incrementalidad
• Decir claramente cuándo los datos disponibles no pueden responder a la pregunta
• Entregar los modelos que pasan a producción al equipo de ingeniería de ML con una especificación de evaluación que puedan utilizar para servirlos
• Escribir hallazgos sobre los que AdOps y Sales puedan actuar el mismo día, sin una capa de traducción
• No es ML de Producción: el servicio de API, la latencia y el drift son responsabilidad de ML Engineering.
• No es Ingeniería de Datos: los pipelines son construidos y mantenidos por Data Engineering.
• No es creación de Dashboards: los informes son un subproducto, no el entregable principal.