Jefe de Ciencia de Datos

¿Qué hacemos?

Paddle ofrece a las empresas de productos digitales un enfoque completamente diferente para su infraestructura de pagos. En lugar de ensamblar y mantener una compleja pila de aplicaciones y servicios relacionados con pagos, somos un Merchant of Record para nuestros clientes. Eso significa que eliminamos 100% del dolor de la fragmentación de pagos. Es más rápido, más seguro, más barato y, sobre todo, mucho mejor.

Contamos con el respaldo de inversores como KKR, FTV Capital, Kindred, Notion y 83North, y servimos a más de 10,000 vendedores de software en 245 territorios a nivel global.

El rol:

Buscamos un Jefe de Ciencia de Datos para construir la capacidad de ciencia de datos de Paddle desde cero. Nuestro modelo de Merchant of Record nos brinda una posición de datos que ningún PSP o proveedor de facturación tiene: contexto de suscripción y precios junto con datos granulares de resultados de pagos, en miles de negocios de software. Este rol existe para convertir eso en valor económico, poniendo en producción sistemas de aprendizaje automático y sistemas agénticos.

El mandato es deliberadamente limitado y deliberadamente ambicioso: la ciencia de datos en Paddle es dueña de la toma de decisiones automatizada dentro del producto — tanto el aprendizaje automático tradicional como los sistemas agénticos — no de análisis de apoyo a decisiones.

Tenemos una larga lista de oportunidades candidatas que podemos financiar, que abarcan rendimiento de pagos y recuperación de ingresos, operaciones de ventas y marketing, inteligencia de crecimiento y monetización, y riesgo, confianza y cumplimiento. Tenemos una hipótesis de trabajo sobre cuál de estas se amortiza primero, y la compartiremos — pero parte del trabajo en tu primer trimestre es ponerla a prueba, dimensionar las alternativas por ti mismo y decirnos por dónde empezar.

Este es un rol fundacional, y durante los primeros trimestres es más un rol de construcción que de gestión. Serás la única persona en la función: haciendo el análisis, ingeniería de las características, entrenando y evaluando los modelos o agentes, llevando el primer sistema a producción con nuestros equipos de ingeniería — y luego operándolo, siendo responsable de su tiempo de actividad, su deriva y sus números. Una vez que los primeros casos de uso demuestren su valor, contratarás y liderarás un equipo hub-and-spoke de científicos de datos e ingenieros de aprendizaje automático integrados en nuestras áreas de negocio de mayor valor. Reportarás al VP de Datos y trabajarás en estrecha colaboración con Producto, Pagos, Ingeniería, Riesgo y Finanzas.

Lo que harás:

• Priorizar qué oportunidades tienen el mayor impacto. Construir un backlog de casos de uso basado en valor en rendimiento de pagos y recuperación de ingresos, operaciones de ventas y marketing, inteligencia de crecimiento y monetización, y riesgo, confianza y cumplimiento; dimensionar adecuadamente las principales candidatas; y tomar la decisión sobre la secuenciación con los interesados relevantes de Producto, Riesgo, RevOps y Finanzas. Esto se actualiza trimestralmente.

• Entregar personalmente el primer sistema de principio a fin: el análisis y la prueba retrospectiva, las características, el modelo, la política o el agente, el despliegue, y las pruebas sombra y A/B que demuestren que funciona. No es una especificación entregada a otra persona para que la construya.

• Operar lo que despliegas. Ser dueño del monitoreo, el reentrenamiento, la respuesta a la deriva, el manejo de incidentes y el rollback para la toma de decisiones en vivo, junto con los equipos de ingeniería cuyos servicios la invocan — y establecer la expectativa de que la función opera sus sistemas en lugar de solo enviarlos.

• Trabajar tanto con ML tradicional como con sistemas agénticos, y ser honesto sobre cuál necesita realmente un problema: un modelo de propensión o uplift, una política de reglas, o un agente con herramientas, evaluaciones contra conjuntos de respuestas doradas y observabilidad a nivel de trazas. Varios de nuestros casos de uso candidatos más fuertes apuntan en ambas direcciones.

• Construir y liderar el equipo — contratar científicos de datos senior integrados en áreas de valor e ingenieros de aprendizaje automático en el hub, y establecer los estándares profesionales, métodos compartidos y componentes reutilizables sobre los que opera la función.

• Establecer la pila de producción junto con la Plataforma de Datos e Ingeniería: datos de entrenamiento reproducibles, código y artefactos; un registro de modelos; servicios de inferencia con requisitos reales de latencia, disponibilidad y rollback; características históricamente precisas donde las decisiones necesiten reconstrucción retroactiva; arneses de evaluación y observabilidad de trazas para flujos de trabajo agénticos; y monitoreo de calidad de datos, deriva, rendimiento del modelo y resultados económicos. Comenzar ad hoc donde sea suficiente y plataformizar una vez que los primeros casos de uso hayan mostrado lo que realmente se necesita.

• Ser dueño de la captura de valor de principio a fin. Probar en sombra y con pruebas A/B cada despliegue contra la estrategia actual, traducir el movimiento de métricas en un número financiero con una metodología co-firmada por Finanzas, y publicar un informe trimestral sobre el valor realizado.

• Establecer el modelo de gobernanza para la toma de decisiones automatizada — evaluación de riesgos proporcional, propiedad clara, requisitos de latencia y disponibilidad, escalamiento humano y rollback — trabajando con Legal, Privacidad, Cumplimiento y Riesgo en RGPD, Ley de IA de la UE y obligaciones de pagos, y produciendo la evidencia con suficiente antelación para dar forma al diseño.

• Definir los límites y la relación de trabajo con Ciencia de Producto, Ingeniería de Analítica, Plataforma de Datos y Habilitación de IA, para que la responsabilidad por el apoyo a decisiones versus la toma de decisiones automatizada permanezca sin ambigüedad.

• Entregar de manera transversal: integrarse en grupos de entrega con propietarios de producto, expertos en dominio e ingenieros de plataforma en lugar de entregar modelos por encima del muro.

Nos encantaría saber de ti si:

• Tienes experiencia liderando equipos de ciencia de datos o ML que poseen sistemas en producción, con despliegues que movieron una métrica comercial y siguieron funcionando después. Las pruebas de concepto y los paneles no son lo que estamos contratando.

• Eres práctico ahora, no anteriormente. Tus primeros trimestres los pasas escribiendo SQL y Python, ingeniería de características, evaluando modelos y agentes, y haciendo el trabajo que lleva un sistema a producción — no revisando el de otra persona.

• Tienes experiencia tanto en ML tradicional como en sistemas agénticos, y tienes claro cómo difieren en la práctica: modelos de propensión y uplift, pipelines de características y deriva por un lado; diseño de herramientas y contexto, iteración de prompts y recuperación, evaluaciones contra conjuntos de respuestas doradas y observabilidad de trazas por el otro.

• Eres hábil operando sistemas en vivo en lugar de solo lanzarlos — monitoreo, reentrenamiento, respuesta a incidentes, rollback y la realidad de estar de guardia para una decisión de la que depende el negocio.

• Eres pragmático con el método: feliz de argumentar por reglas o heurísticas donde capturan la mayor parte del valor, y de reservar modelos y agentes para donde realmente se ganan su lugar.

• Te sientes cómodo con un punto de partida indefinido. Hay una larga lista de casos de uso candidatos y una fuerte hipótesis interna, pero no hay una hoja de ruta fija — se espera que formes tu propia opinión, la respaldes con números y la defiendas ante una audiencia ejecutiva.

• Eres fuerte en medición — experimentación, modelado de uplift, pruebas retrospectivas — y estás dispuesto a mantener tu propio trabajo en un número financiero que Finanzas examinará.

• Dominas el lado de ingeniería de ML y agentes en producción (pipelines de entrenamiento, registros de modelos, servicios de inferencia, almacenes de características, detección de deriva, observabilidad de trazas) y puedes mantener tu posición con ingenieros senior en latencia, disponibilidad, observabilidad y rollback.

• Eres capaz de contratar, nivelar y desarrollar científicos de datos e ingenieros de ML senior, y de establecer estándares para una función que aún no existe.

• Eres creíble con ejecutivos y partes interesadas comerciales: puedes llevar un caso de uso desde el problema de negocio hasta la estimación de valor y la decisión de priorización, y decir no al trabajo de bajo valor.

• Tienes experiencia en pagos, fintech, suscripciones, operaciones comerciales de alto volumen u otro dominio transaccional regulado — suficiente para llegar rápidamente a una estimación de valor creíble en un área nueva.

• Te sientes cómodo tratando el ML regulado como una restricción de diseño en lugar de papeleo — evaluación de riesgos de modelos, DPIAs, auditabilidad, trazabilidad de versiones de modelos y políticas a la lógica de decisión de producción.

Todos son bienvenidos en Paddle

En Paddle, estamos comprometidos a eliminar barreras invisibles, tanto para nuestros clientes como dentro de nuestros propios equipos. Reconocemos y celebramos que cada Paddler es único y damos la bienvenida a cada perspectiva individual. Como empleador inclusivo, no nos importa si estudiaste, o dónde, cómo te ves o de dónde eres. Nos interesa más tu oficio, curiosidad, pasión por aprender y lo que aportarás a nuestra cultura. Te animamos a postularte incluso si no cumples con cada parte del anuncio de trabajo, especialmente si eres parte de un grupo subrepresentado.

Por favor, háznoslo saber si hay algo que podamos hacer para apoyarte mejor a través del proceso de solicitud y en el lugar de trabajo. Haremos todo lo posible para apoyar cualquier adaptación necesaria. Estamos comprometidos a construir un equipo diverso donde todos se sientan seguros para ser su yo auténtico. Crezcamos juntos.

Por qué te encantará trabajar en Paddle

Somos un grupo diverso y creciente de Paddlers que nos enorgullecemos de nuestra cultura transparente, colaborativa y respetuosa.

Vivimos y respiramos nuestros valores, que son:

• Paddle Together - “Ninguno de nosotros es tan inteligente como todos nosotros”

• Paddle Simply - “Simple puede ser más difícil que complejo: tienes que aclarar tu pensamiento para hacerlo simple”

• Paddle for others - “Podemos realizar nuestros sueños más salvajes, siempre que ayudemos a suficientes otras personas a realizar los suyos”

Ofrecemos un conjunto completo de beneficios, que incluyen salarios atractivos, opciones sobre acciones, vacaciones ilimitadas, licencia parental mejorada, planes de jubilación, atención médica privada e iniciativas de bienestar.

Invertimos en aprendizaje y te ayudaremos con tu desarrollo personal a través de la exposición constante a nuevos desafíos, un fondo anual de aprendizaje y capacitación interna y externa regular.

Conexión en Paddle

Somos una empresa ‘digital-first’, lo que significa que nuestros Paddlers siempre tienen la libertad de elegir dónde, cuándo y cómo trabajan dentro de nuestras ubicaciones de hub.

Reconocemos que dónde nuestros Paddlers hacen su mejor trabajo es único para ellos y brindamos confianza y autonomía para que todos trabajen de la manera que mejor se adapte a ellos. También valoramos el poder de la conexión y hemos invertido en hubs globales que ayudan a que las comunidades locales florezcan y nos unen para una colaboración enfocada.

Nuestros hubs de Paddle:

• En Europa: Reino Unido (sede en Londres), Portugal (hub de Lisboa), Países Bajos e Irlanda (hub de Dublín)

• En América del Norte: Austin, TX (EE. UU.) y Toronto (Canadá)

Nuestra filosofía de hub crea una experiencia atractiva para todos los Paddlers, donde, cuando y como elijamos trabajar.

Para apoyar esto, enfocamos la contratación dentro de nuestros hubs y siempre compartiremos abiertamente las ubicaciones disponibles para cada puesto abierto en nuestra descripción de trabajo.