Product Manager, Data Insights

Über uns

nShift ist der führende globale Anbieter von Cloud-Lösungen für das Liefermanagement (SaaS). Wir ermöglichen den reibungslosen Versand und die Rücksendung von fast einer Milliarde Sendungen in 190 Ländern jedes Jahr. Wir haben unseren Hauptsitz in London und Oslo und beschäftigen über 500 Mitarbeiter in Büros in Schweden, Finnland, Norwegen, Dänemark, dem Vereinigten Königreich, Polen, den Niederlanden, Belgien und Rumänien. Unsere Software wird von vielen der weltweit führenden E-Commerce-, Einzelhandels-, Fertigungs- und 3PL-Versendern genutzt, da wir über 1000 Carrier in unsere Plattform integriert haben, fast dreimal so viele wie unsere Wettbewerber! Wenn Sie Waren online kaufen, besteht eine hohe Wahrscheinlichkeit, dass nShift diese Lieferung ermöglicht hat. Kommen Sie zu uns und gestalten Sie die Zukunft des Versands, eine reibungslose Reise nach der anderen.

Über Sie

Sie denken wie ein Produktmanager und arbeiten wie ein Datenwissenschaftler. Sie haben ML-gesteuerte Produkte an echte Kunden ausgeliefert und können auf die Entscheidungen verweisen, die Sie getroffen haben, nicht nur auf die, die um Sie herum getroffen wurden. Unordentliche Daten, mehrdeutige Modellausgaben und Stakeholder, die noch nicht erkennen, warum die Daten wichtig sind, sind Ihnen vertraut. Sie denken in Bezug auf kumulative Effekte: Wie jeder heute gesammelte Datenpunkt die Vorhersagen von morgen verbessert und wie diese Verbesserung eine Position schafft, die Wettbewerber nicht schließen können. Datenanalysen sind der Weg von nShift von einem Werkzeugunternehmen zu einer Intelligenzplattform, und dieser Umfang motiviert Sie eher, als dass er Sie überwältigt. Sie fühlen sich sowohl in einem Jupyter-Notebook als auch in einer Führungssitzung wohl und wissen, wann das jeweils benötigt wird.

Zweck der Rolle

Die Mission besteht darin, zu definieren, was nShift mit diesen Daten aufbaut, es zu validieren, bevor die Ingenieure sich verpflichten, und intelligente Produkte zu liefern, die den Versendern helfen, bessere Entscheidungen zu treffen. Ein Versender, der fragt: "Wie kann ich mein Liefererlebnis verbessern?", sollte eine Antwort erhalten, die durch das gesamte Netzwerk unterstützt wird, nicht nur durch seine eigene Geschichte. Gut gemacht wird dies zu einer kumulativen Intelligenzschicht: Jeder heute gesammelte Datenpunkt verbessert die Vorschläge von morgen, und die Verbesserung schafft eine Position, die kein Wettbewerber schließen kann. Die Intelligenzschicht schöpft aus zwei Quellen. Strukturierte Betriebsdaten, wie Sendungs-Telemetrie und Carrier-Leistung, speisen statistische Modelle und Vorhersagen. Qualitative Daten, wie Kundeninteraktionen, Lieferausnahme-Nachrichten und Community-Feedback, tragen Signale, die Zahlen allein nicht hervorheben können. LLMs machen dieses Signal extrahierbar und nutzbar im großen Maßstab. Diese Rolle besitzt beide.

Was Sie tun werden

• Definieren und besitzen Sie die datengestützte Produktstrategie.
• Besitzen Sie die Roadmap für nShifts Datenintelligenzschicht: Vorhersage der Carrier-Leistung, Benchmarking zwischen Kunden, ML-gesteuerte Carrier-Empfehlungen und verwandte Fähigkeiten.
• Übersetzen Sie nShifts Datenvermögen in eine sequenzierte Produktstrategie, die kurzfristigen Wert liefert und gleichzeitig auf die Vision der kumulativen Intelligenzschicht hinarbeitet.
• Definieren Sie die Informationsarchitektur für die Datenanalyseschicht: Welche Daten werden gesammelt, wie werden sie normalisiert (in Zusammenarbeit mit angrenzenden Teams) und wie werden sie für vorgelagerte Produkte bereitgestellt.
• Treffen Sie schwierige Priorisierungsentscheidungen: Was zuerst gebaut werden soll, um die ML-Hypothese zu validieren, was verschoben werden soll und was getötet werden soll, wenn die Daten die Wette nicht unterstützen.
• Besitzen Sie die qualitative Intelligenzpipeline neben der quantitativen: Definieren Sie, welche unstrukturierten Quellen entscheidungsrelevante Signale tragen (Support-Tickets, Lieferausnahme-Nachrichten, Kundenforum, Carrier-Kommunikation), wie LLM-extrahierte Erkenntnisse für die nachgelagerte Nutzung strukturiert werden und wie qualitative und quantitative Signale in ein kohärentes Intelligenzprodukt kombiniert werden.
• Besitzen Sie die Positionierungs- und Differenzierungserzählung: Warum dieses Datenset einzigartig für nShift ist, warum kein Wettbewerber es replizieren kann und wie man diese Verteidigungsfähigkeit den Unternehmenskäufern gegenüber artikuliert.

Was Sie mitbringen

• Praktische Datenkompetenz in beiden Paradigmen: Sie können ML-Proof-of-Concepts (Datenexploration, Merkmalsengineering, Modelltraining, Bewertung) mit Python und gängigen ML-Tools (scikit-learn, pandas, XGBoost oder gleichwertig) erstellen und validieren und Sie können LLM-basierte Analysepipelines entwerfen und bewerten.
• Erfahrung mit ML-gesteuerten Produkten: Sie haben persönlich ein ML- oder Datenintelligenzprodukt von der ersten Hypothese bis zur Produktion vorangetrieben, einschließlich der Definition von Bewertungskriterien, der Zusammenarbeit mit Dateningenieuren und -wissenschaftlern sowie der kommerziellen Entscheidungen basierend auf Leistungsdaten des Modells.
• PM-Grundlagen mit kommerzieller Tiefe: 3+ Jahre Erfahrung in der Auslieferung von B2B-SaaS-Produkten.
• Datenkompetenz, die Respekt bei Ingenieuren verdient: Sie verstehen Datenmodelle, Pipeline-Design, Normalisierungsherausforderungen und die praktischen Einschränkungen echter Produktionsdaten.
• Klare Kommunikation über die technische und kommerzielle Grenze hinweg: Sie können einen Präzisions-Rückruf-Handel an einen CPO und einen Carrier-Ereignisdatenanwendungsfall an einen Dateningenieur am selben Nachmittag erklären, ohne dabei herablassend zu sein.

Schicken Sie bitte Ihren Lebenslauf auf Englisch ein. Bei nShift glauben wir daran, Vielfalt in allen Formen zu fördern und ein integratives Umfeld für alle zu schaffen, was wir für unseren fortwährenden Erfolg als wesentlich erachten. Wir sind ein Arbeitgeber, der Chancengleichheit bietet, was bedeutet, dass alle Bewerber unabhängig von Ethnie, Religion, sexueller Orientierung, Geschlechtsidentität, Familien- oder Elternstatus, Nationalität, Veteranenstatus, Neurodiversität oder Behinderungsstatus bei der Beschäftigung berücksichtigt werden.