Nosso modo de fazer no time
Nós, FoodLovers, temos fome de inovação e resultado. Buscamos sempre fazer o nosso melhor, pensando "fora da caixa" e atuando com agilidade e responsabilidade! Temos fome de diversidade, conhecimento e compartilhamento. Trabalhamos em um ambiente de muita versatilidade. Sabe o que promove a nossa receita especial? As pessoas! Vem fazer parte disso.
Atuar no desenvolvimento e na melhoria contínua do pipeline de busca do iFood, contribuindo para a qualidade e a relevância dos resultados apresentados aos usuários — desde o entendimento da consulta até o reranking dos resultados — por meio de modelagem de Machine Learning, processamento de linguagem natural e experimentação orientada a dados.
Seu Cardápio Diário
Gerar modelos que irão atuar em diversas etapas da busca, como entendimento e classificação da consulta, reranqueamento e personalização dos resultados.
Definir a abordagem analítica para os problemas mais complexos do negócio: estruturar formulações que vão além do óbvio, escolhendo com profundidade entre modelagem preditiva, causalidade, experimentação ou sistemas de IA e estabelecendo as métricas de sucesso que realmente capturam o fenômeno de interesse.
Construir e validar modelos com robustez estatística de nível de produção: não apenas modelos que funcionam no experimento, mas soluções que generalizam, são auditáveis e sustentam decisões de alto valor sem colapsar sob pressão de dados reais.
Liderar o design e a análise de experimentos de alta complexidade: conduzir A/B tests e quasi-experimentos em contextos com efeitos de rede, sazonalidade e interferência — com controle rigoroso de vieses, poder estatístico adequado e interpretação de efeitos heterogêneos.
Ser a referência de rigor analítico da organização: revisar hipóteses, premissas e conclusões de times de produto, negócio e engenharia antes que se tornem insumo para apostas estratégicas, protegendo com decisões bem embasadas.
Dar forma ao que a organização investiga: com value narrative clara junto à liderança, definir quais problemas valem a pena resolver e quais validações a organização precisa antes de apostar, conectando cada experimento a impacto de negócio mensurável.
Criar produtos analíticos que servem cada consumidor de forma intencional: desde stakeholders de negócio até agentes de IA, projetando sistemas analíticos que assumem consumo agent-first e entregam validações de forma programática.
Estabelecer padrões metodológicos que escalam com o time: documentar abordagens, criar frameworks de validação, liderar RFCs/ADRs de experimentação em escala organizacional e elevar o nível analítico coletivo — para que o rigor não dependa de uma pessoa, mas esteja institucionalizado.
Ingredientes que buscamos
Modelagem estatística e preditiva em profundidade: domínio avançado de técnicas supervisionadas e não-supervisionadas, com julgamento metodológico sólido. Possuir capacidade de questionar a formulação do problema antes de modelar, e de saber quando a solução mais simples é a mais correta.
Inferência causal e experimentação em ambientes complexos: experiência real com métodos quasi-experimentais (diff-in-diff, propensity score, variáveis instrumentais, synthetic control) em sistemas com interferência e efeitos de spillover não apenas teoria, mas aplicação com consequência.
Construção de métricas que resistem ao escrutínio: histórico de definir OECs e KPIs que capturam o fenômeno real, identificar proxies enganosas em uso e convencer stakeholders a abrir mão de métricas fáceis em favor de métricas corretas.
AI-powered workflows como referência organizacional: não apenas usar GenAI como ferramenta pessoal — mas ter construído workflows de AI que o time e a organização adotam, transformando a prática de Data Science com automação que amplifica rigor sem substituí-lo.
Convergência com engenharia em escala: capacidade de criar bridges entre Data Science e Engineering, estabelecendo patterns que viram convenção organizacional para code…