Senior Data Scientist in Wien

Über das Unternehmen

Scrambly ist eines der am schnellsten wachsenden Adtech-Startups der Welt, das in nur 3,5 Jahren im AppsFlyer Performance Index und Singular ROI Index vorgestellt wurde. Wir wachsen um über 250 % jährlich in Bezug auf Umsatz, Team, Produkt und Technologie – vollständig bootstrapped und profitabel. Wir bauen die Zukunft der App-Entdeckung: eine belohnungsbasierte Alternative zum App Store und Google Play. Unser loyalitätsgetriebenes Ökosystem verbindet Millionen von Nutzern mit den besten Apps der Welt und bietet unvergleichliches, ROI-orientiertes Wachstum für mobile Werbetreibende. Unsere Mission ist es, eine echte Alternative zu traditionellen App-Stores zu schaffen – angetrieben von Belohnungen und Daten – und eine neue, leistungsorientierte Wachstumsmaschine für mobile App-Werbetreibende zu entwickeln.

Über die Rolle

Wir suchen einen Senior Data Scientist, der die Modelle besitzt, die bestimmen, wie Scrambly Geld ausgibt und verdient – was unsere Nutzer wert sind, was wir bereit sind, um sie zu gewinnen und zu belohnen, und wie wir das Ökosystem frei von Missbrauch halten. Der Schwerpunkt der Rolle liegt auf der Vorhersage des Wertes von Nutzern und Kohorten – Prognose dessen, was Menschen von frühen Signalen wert sein werden, und die Genauigkeit dieser Prognosen aufrechtzuerhalten, während sich das Produkt und der Markt weiterentwickeln. Um diese zentrale Aufgabe herum gibt es eine Reihe verbundener Probleme in den Bereichen Marketing, Monetarisierung und Risiko, die jede Vorhersage in eine Entscheidung umwandeln, auf die das Unternehmen reagiert. Wir werden die Einzelheiten während des Prozesses mit Ihnen besprechen.

Sie werden das Modellieren von Anfang bis Ende übernehmen: das Problem definieren, das Modell erstellen, entscheiden, wie es bewertet wird, und dabei bleiben, sobald es live ist. Sie werden dies nicht alleine tun – Sie arbeiten eng mit unseren Ingenieuren an Daten, Pipelines, Bereitstellung und Integration zusammen. Dies ist eine frühe Einstellung in einem von Grund auf neu aufgebauten Datenteam, das an den Head of Data berichtet und täglich mit ihm zusammenarbeitet. Wir sind flexibel in Bezug auf das Niveau. Der Titel spiegelt das Eigentum und die Unabhängigkeit wider, die die Rolle mit sich bringt, nicht eine strenge Erfahrungsschranke – wir werden das Niveau, den Titel und die Vergütung entsprechend dem, was Sie mitbringen, festlegen.

Hauptverantwortlichkeiten

• Wertvorhersage: Übernehmen und verbessern, wie wir den Wert von Nutzern und Kohorten aus frühem Verhalten über unsere verschiedenen Einnahmequellen prognostizieren. Die Genauigkeit dort verbessern, wo sie kommerziell am wichtigsten ist, und die Modelle funktionsfähig halten, während sich das Produkt ändert.
• Bieten und Preisgestaltung: Das Modell erstellen, das entscheidet, was wir bereit sind, um Nutzer zu gewinnen, zusammen mit den Kontrollen, die die Ausgaben innerhalb der Margengrenzen halten, während das System noch lernt.
• Segmentierung und Zielgruppenansprache: Die Bewertung und Segmentierung erstellen, die es uns ermöglicht, Nutzer, Partner und Bestände entsprechend dem Wert zu behandeln, den sie tatsächlich liefern.
• Betrug und Missbrauch: Die Genauigkeit unserer Betrugsmodelle verbessern und das Erkennen von Missbrauch gegen das fälschliche Bestrafen echter Nutzer abwägen.
• Bewertung: Entscheiden, wie jedes Modell beurteilt wird und diese Linie halten – Disziplin bei der Auswertung, Backtesting und Auswahl von Metriken, die das kommerzielle Ziel widerspiegeln, anstatt das bequeme.
• Zusammenarbeit: Mit dem Head of Data bei der Priorisierung, mit unseren Ingenieuren an Datenpipelines und -bereitstellung sowie mit kommerziellen Teams zusammenarbeiten, um die Modellausgaben in vertrauenswürdige Entscheidungen umzuwandeln.

Voraussetzungen

• 4+ Jahre Erfahrung als Data Scientist, der an Produktionsmodellen arbeitet, die echte Entscheidungen beeinflussen. Uns ist wichtiger, was Sie besessen haben, als die Anzahl.
• Praktische Erfahrung mit LTV- oder ROAS-Vorhersagen – Prognose des Wertes von Nutzern oder Kohorten aus frühem Verhalten und Umgang mit den damit verbundenen Problemen: unreife Kohorten, lange Horizonte, spärliche Segmente und Modelle, die verfallen, während sich das Produkt ändert.
• Hintergrund in Adtech oder mobiler Leistungswerbung – Attribution und MMP-Daten, Kohorten- und Kampagnenökonomie und wie UA-Ausgaben tatsächlich entschieden werden. Hintergründe in Gaming, Glücksspiel oder Nutzeranreiz- und Loyalitätssystemen sind ebenfalls relevant.
• Starke Kenntnisse in Python und SQL, mit Produktionserfahrung in einer Cloud-Datenbank – BigQuery bevorzugt.
• Strenge bei der Bewertung: Sie wählen die Metrik, die dem Geschäftsziel entspricht, sind vorsichtig bei der Auswertung und bereit zu sagen, dass ein Modell nicht gut genug ist, um es zu versenden.
• Erfahrung mit Modellen, die in die Produktion gingen und zur Entscheidungsfindung verwendet wurden – Sie verstehen, was nötig ist, um dorthin zu gelangen und was mit einem Modell danach passiert.
• Kommerzielle Urteilsfähigkeit und klare Kommunikation – in der Lage, ein Modell Menschen zu erklären, die Geld basierend darauf ausgeben werden, und zurückzudrängen, wenn die Daten die gestellte Frage nicht unterstützen.
• Eine proaktive, selbstgesteuerte Arbeitsweise. Sie werden in einem sehr kleinen Team sein, mit viel Spielraum und wenig Prozessen.
• Englischkenntnisse auf B2+-Niveau, schriftlich und mündlich – Sie werden Ihre Arbeit dokumentieren und täglich mit einem internationalen Team arbeiten.

Nice to Have

• Biet-, Preis- oder Budgetzuweisungssysteme – Kontrollschleifen, Banditen oder andere Ansätze zur Ausgabensteuerung unter Unsicherheit.
• Betrugs-, Anomalieerkennung oder Vertrauens- und Sicherheitsmodellierung, insbesondere mit schwachen oder unvollständigen Labels.
• Experimentierung und kausale Inferenz – A/B-Design, Power-Analyse und Messung der Incrementalität.
• Überlebens-, hierarchische oder bayesianische Methoden, die auf Bindung, Monetarisierung oder spärliche Segmentprobleme angewendet werden.
• BQML, Dataform oder dbt oder andere Erfahrungen beim Aufbau von Modellen in der Nähe des Data Warehouses.
• Bereitstellung und Überwachung von Modellen selbst – Pipelines, Bereitstellung, Retraining und Driftüberwachung.

Was wir bieten

• Eigentum an den Modellen, die UA-Ausgaben, Angebotsauszahlungen und Betrugsentscheidungen festlegen – direkte Arbeit, die mit Umsatz verbunden ist, mit sichtbarem Einfluss innerhalb von Wochen.
• Probleme mit echtem Tiefgang: Langfristige Prognosen, Anpassungsfähigkeit, Preisgestaltung unter Unsicherheit und Betrug mit unvollkommenem Grundwissen.
• Eine enge Zusammenarbeit mit dem Head of Data, ein echtes Mitspracherecht bei der Gestaltung der Datenfunktion und Raum zum Wachsen, während das Team expandiert.
• Ein Niveau und eine Vergütung, die dem entsprechen, was Sie mitbringen, anstatt dem Titel in der Anzeige.
• Ein profitables, bootstrapped Unternehmen, das um über 250 % jährlich wächst, wo Investitionen in Daten durch Ergebnisse und nicht durch Budgetzyklen gerechtfertigt sind.