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.
