Deine Rolle
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.
Deine Aufgaben
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.
Dein Profil
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.
Bonus Points (Nice-to-haves)
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.