Auf einen Blick
Mrsool sucht einen Data Scientist II mit 3-4 Jahren Erfahrung zur Entwicklung von ML-Modellen für Marketplace Optimierung, Demand Prediction und conversational AI Butler-Erfahrung.
💰 ~$80.000–130.000/Jahr (geschätzt)
📊 Mid-Level
🕒 Vollzeit
🌍 Remote
🗺️ APAC
- 3-4 Jahre Data Science
- Python und SQL Expertise
- A/B Testing und Experimentation
- ML Pipeline Deployment
Python
SQL
Feature Engineering
Forecasting
Gehalt geschätzt anhand Mid-level data scientist remote from India with 3-4 years experience and ML/AI focus. Kein Gehalt in der Anzeige angegeben.
✅ Geeignet für
- Data Scientists mit ML-Fokus
- Kandidaten mit Quick-Commerce oder Marketplace-Erfahrung
- Experimentations- und Testing-Spezialisten
🚫 Weniger geeignet
- Data Analyst ohne ML-Erfahrung
- Kandidaten ohne Production ML Erfahrung
- Reine Business Analytics Professionals
💡 Gut zu wissen
- Production ML und Monitoring sind zentral, nicht nur Modell-Training
- Experimentation und Causal Inference sind wichtige Anforderungen
- Quick-Commerce und Marketplace Context ist hilfreich aber nicht zwingend
Über das Unternehmen
Mrsool ist eine der größten On-Demand-Delivery-Plattformen im Nahen Osten und Nordafrika mit innovativen Technologien und Generative AI Fähigkeiten.
Deine Aufgaben
- Erstellung und Verwaltung von ML und Optimierungsmodellen über den Quick-Commerce-Stack
- Marketplace Modellierung: Supply-Demand Matching, Dynamic Pricing, Recommendations, ETA Prediction
- Beitrag zu Butler, Mrsool's conversational ordering experience mit Intent Modellierung
- Design und Durchführung von A/B und quasi-experimentellen Experimenten
- Feature Engineering aus realen Daten: Order Events, Courier Traces, Geospatial Signals
- Ownership von Modellen durch ihren Lifecycle: Data Pipelines, Training, Deployment, Monitoring
- Cross-Functional Collaboration mit Product, Engineering und Operations Teams
Deine Voraussetzungen
- 3 bis 4 Jahre professionelle Data Science oder ML Erfahrung in Startups oder Scale Tech
- Solides Verständnis von A/B Test Design, Power Analysis und quasi-experimentellen Methoden
- Stark in Forecasting und mindestens einer von Operations Research / Reinforcement Learning
- Nachgewiesene Fähigkeit zur Feature Engineering aus großen, messy Real-World Daten
- Komfort mit Deployment, Monitoring und Wartung von ML Pipelines
- Fließend in Python und SQL, fähig mit Large-Scale Data zu arbeiten
- Problem-Solving Mindset mit Fähigkeit zur Trade-Off Balance
