(Senior Research Scientist (Prediction & Forecasting

هدف شغل:
تحقیق، طراحی و توسعه مدل‌های پیش‌بینی و پیش‌نگری برای تحلیل روندها، رفتارها و تقاضا در حوزه‌های کسب‌وکار مختلف (مالی، منابع انسانی، زنجیره تأمین، سلامت و ...)، با هدف بهبود تصمیم‌گیری مبتنی بر داده و ارتقاء دقت پیش‌بینی سازمان.

مسئولیت‌ها:
طراحی و توسعه مدل‌های آماری و یادگیری ماشین برای پیش‌بینی داده‌های سری زمانی و روندهای پیچیده.
تحلیل داده‌های تاریخی و شناسایی الگوهای پنهان برای استخراج بینش‌های قابل‌اقدام.
توسعه و پیاده‌سازی Pipelineهای پیش‌بینی در محیط‌های تحقیقاتی و تولیدی.
ارزیابی مدل‌ها با استفاده از معیارهای دقت (MAE, RMSE, MAPE, CRPS) و بهبود مستمر عملکرد آن‌ها.
طراحی آزمایش‌ها و مطالعات مقایسه‌ای بین روش‌های آماری و مبتنی بر هوش مصنوعی.
تدوین مستندات فنی (Model Card، Benchmark، Safety Note) و انتقال نتایج به تیم‌های توسعه.
تحقیق و نوآوری در متدهای جدید Forecasting، مانند مدل‌های ترکیبی (Hybrid AI) و یادگیری تقویتی پیش‌بینی.
همکاری بین‌رشته‌ای با تیم‌های داده، تحلیل، محصول و تصمیم‌گیری جهت انطباق خروجی مدل‌ها با نیازهای واقعی کسب‌وکار.
انتشار نتایج علمی در قالب مقاله، ثبت اختراع یا ارائه در کنفرانس‌های معتبر (در صورت تمایل سازمان).

 مهارت‌ها و دانش تخصصی:
مدل‌سازی سری‌های زمانی: ARIMA، Prophet، LSTM، Transformer-based forecasting
آمار استنباطی، تحلیل رگرسیون و مدل‌های احتمالاتی (Bayesian Forecasting)
طراحی و ارزیابی مدل‌های Ensemble (Boosting, Bagging, Stacking)
تسلط به Python (Pandas, NumPy, Scikit-learn, PyTorch/TensorFlow, Statsmodels)
آشنایی با ابزارهای مدیریت چرخه مدل: MLflow، DVC یا معادل آن‌ها
تجربه در طراحی آزمایش (DOE) و تحلیل حساسیت مدل
توانایی تحلیل عدم‌قطعیت و تبیین مدل‌ها (Explainability با SHAP یا LIME)
تسلط بر طراحی داشبوردهای تحلیلی و تفسیر خروجی مدل‌ها برای تصمیم‌گیران

 تحصیلات و تجربه:
مدرک کارشناسی‌ارشد یا دکتری در رشته‌های آمار، ریاضیات کاربردی، اقتصادسنجی، علوم داده، یا مهندسی صنایع
حداقل 5 سال تجربه در زمینه مدل‌سازی پیش‌بینی، تحلیل داده و یادگیری ماشین
تجربه کار با پروژه‌های داده‌ی بزرگ یا سامانه‌های تحلیلی سازمانی مزیت محسوب می‌شود

 ویژگی‌های شخصیتی و رفتاری:
تفکر تحلیلی و سیستماتیک
دقت بالا در جزئیات و طراحی آزمایش
تمایل به یادگیری مستمر و نوآوری علمی
توانایی ارائه شفاف مفاهیم پیچیده به مخاطبان فنی و غیرفنی
تعهد به اصول اخلاقی در استفاده از داده و مدل‌سازی