Senior Data Scientist (Machine Learning & Predictive Analytics)

remote-job.net Job-Zusammenfassung:

💶 Gehalt:	keine Angabe
🔍 Empfohlene Erfahrung:	Junior
🎓 Empfohlene Ausbildung:	keine Angabe
📋 Hauptaufgaben:	Durchführung von Beobachtungsstudien zur Messung von Programm‑Effekten Analyse von Kosten und Gesundheitsergebnissen Entwicklung und Wartung von Analyse‑Pipelines in Python/Spark
✅ Hauptvoraussetzungen:	Starke Kenntnisse in Python und Daten‑Pipelines (Spark) Erfahrung mit kausalen Methoden/Beobachtungsstudien Erfahrung mit Claims‑ oder Engagement‑Daten und Outcome‑Analysen
🏭 Branche:	Healthcare

Über das Unternehmen

Solera sucht einen Data Scientist für das Insights-Team. Das Team analysiert großskalige Abrechnungs- (Claims) und Produkt‑Engagement‑Daten, um geschäftsrelevante Fragen zu beantworten, etwa zur Verbesserung von Gesundheitsergebnissen, Kosteneinsparungen und Ursachen für Patientendisengagement.

Die Arbeit unterstützt direkt Enterprise Sales, informiert Produktentscheidungen und prägt die Unternehmensstrategie. Es handelt sich um eine kleine, wirkungsstarke Einheit mit direkter Mentoring‑Unterstützung durch den Teamlead und zunehmender Verantwortung mit persönlichem Wachstum.

Aufgaben

• Entwurf und Durchführung von Beobachtungsstudien mit Claims‑Daten (z. B. Matching, Difference‑in‑Differences, Propensity‑Score‑Methoden)
• Analyse der Kosten‑ und Ergebniswirkung von Solera‑Programmen
• Untersuchung von Produkt‑ und Engagement‑Daten zur Identifikation von Mustern, Abbruchpunkten und Verbesserungsmöglichkeiten
• Aufbau und Pflege von Analyse‑ und Modellpipelines in Python und Spark für Feature‑Engineering, Kohortenbildung und Outcome‑Messung
• Beitrag zu ML‑Produkten (z. B. Risikomodelle, Patienten‑Matching) durch Feature‑Entwicklung, Evaluation und Iteration
• Interdisziplinäre Zusammenarbeit mit Health Economics, klinischen Teams, Produkt, Vertrieb und Engineering zur Interpretation und Kommunikation von Ergebnissen

Voraussetzungen

• Erfahrung mit Python und Spark sowie Aufbau von Analyse‑/Modellpipelines
• Kenntnisse in kausalen Methoden und Beobachtungsstudien (Matching, Diff‑in‑Diff, Propensity Scores)
• Vertrautheit mit Claims‑ und Produkt‑Engagement‑Daten und Outcomes‑Analysen
• Erfahrung in Feature‑Entwicklung und Evaluierung für ML‑Modelle
• Fähigkeit zur interdisziplinären Zusammenarbeit und Ergebniskommunikation an Produkt-, Vertriebs‑ und Forschungsteams

Benefits

keine Angabe