Du übernimmst fachliche Führung und End-to-end Ownership für unsere Pricing/Revenue-ML-Themen — mit klarem Fokus auf messbaren Impact. Du arbeitest eng mit Product und Engineering zusammen, definierst Messbarkeit/Experimente, und stellst sicher, dass unsere Modelle nicht nur “gut aussehen”, sondern in der Praxis zuverlässig performen.
Wichtig: Keine disziplinarische Personalverantwortung. Du führst über Expertise, Standards und Ownership.
End-to-End Ownership: Du verantwortest den gesamten Lifecycle von Pricing- und Revenue-Themen – von der Hypothese über die Umsetzung bis zur messbaren Evaluation. Dein Fokus: Klarer Business-Uplift.
Smart Modeling: Du entwickelst und optimierst Forecasting- und Pricing-Modelle. Dabei entscheidest du pragmatisch, welche Methode uns am schnellsten und stabilsten zum Ziel führt.
Signal-Expertise: Du bändigst Zeitreihen, Demand-Signale und heterogene Datenquellen. Du stellst sicher, dass Features und Labels absolut sauber und "Leakage-sicher" definiert sind.
Experimentation-Framework: Du baust ein belastbares Mess-System auf (Holdouts, A/B-Tests, Guardrails) und definierst glasklare Kriterien für Rollout-Entscheidungen.
Engineering-Grade ML: Du etablierst Standards für Backtesting, Reproduzierbarkeit und Versionierung. Bei uns heißt es: Engineering-Quality statt Notebook-only.
MLOps Best Practices: Du bringst Best Practices im Bereich MLOps ein und treibst die kontinuierliche Verbesserung unserer ML-Workflows voran.
Reliable Operations: Du sicherst den Betrieb durch smartes Monitoring, Drift-Erkennung und pragmatische Retraining-Mechanismen.
Automation & Scale: Du automatisierst Prozesse mit hohem Hebel (Backtests, Monitoring-Checks), um Durchsatz und Qualität massiv zu steigern.
Data Foundation: Wo es Sinn ergibt, designst du Datenmodelle direkt im Warehouse (Snowflake/dbt) als Basis für verlässliche Metriken und Features.
Full Transparency: Du standardisierst Dashboards (z. B. Metabase) für unsere Business-KPIs und sorgst dafür, dass die Datenqualität über jeden Zweifel erhaben ist.
Stakeholder-Sparring: Du priorisierst Anforderungen gemeinsam mit Product & Revenue und übersetzt sie in ML-Lösungen. Dein Motto: Impact vor Output.
Deep Experience: Du bringst mindestens sechs Jahre Erfahrung im Bereich Applied ML Engineering oder Data Science mit – idealerweise direkt in einem Produkt- oder Geschäftskontext.
Proven Impact: Du hast bereits nachweisbare Erfolge in den Bereichen Pricing, Revenue, Forecasting oder ähnlichen "Money-Systemen" erzielt.
Evaluation-Pro: Du denkst in Offline-vs-Online, erkennst Bias/Leakage sofort und beherrscht das Einmaleins der robusten Metriken und Guardrails.
Tech-Stack: Deine Python- und SQL-Skills sind auf Production-Niveau (testbar, versioniert, reproduzierbar).
Startup-DNA: Du liebst das 80/20-Prinzip, arbeitest extrem pragmatisch und willst volle Ownership für deine Themen.
Sprachkenntnisse: Du kommunizierst fließend und sicher auf Englisch.
Hands-on MLOps & Cloud: Ein Plus ist praktische Erfahrung im Umgang mit MLOps-Tools und Cloud-Infrastruktur, z. B. AWS.
Domain-Wissen: Erfahrung in Revenue Management oder Dynamic Pricing (z. B. Travel, Mobility, eCommerce).
Demand-Verständnis: Du weißt, wie Saisonalität, Events und Lead-Times das Pricing beeinflussen.
Modern Toolchain: Du bist fit in Analytics Engineering (dbt, Snowflake, Metabase) und weißt, wie man eine saubere Datenbasis baut.
Apply and improve machine learning models in active drug discovery programs, validating predictions, guiding experimental teams on model quality and uncertainty, and connecting research with practical discovery needs.
Own the strategy and systems that score, select, and provision large-scale driving datasets for model training, balancing data value and quality with storage costs as the corpus grows.
Leads technical direction for ads conversion machine learning, building low-latency, large-scale prediction models and using text, visual, and user signals to improve ad products.
Leads the development and deployment of complex machine learning models, manages MLOps pipelines, researches generative AI, and provides technical expertise on challenging AI problems.
Lead the development and deployment of machine learning models for emergency manoeuvre prediction and collision detection, taking safety capabilities from problem definition through evaluation, integration, and deployment evidence.
