Data Scientist / Applied Scientist

Laura è una insurtech specializzata nell’assicurazione auto, con un forte orientamento alla tecnologia e ai dati. Il lavoro si concentra quindi sull’applicazione di metodi quantitativi rigorosi a problemi di business concreti. Il team attribuisce grande valore a una solida preparazione scientifica e cerca una persona capace di ragionare in modo sperimentale, sviluppare modelli con rigore e trasformare la ricerca in soluzioni concretamente utilizzabili., La azienda

Laura è un’agenzia assicurativa digitale nata per rendere l’assicurazione auto più semplice, intuitiva e accessibile. Costruiamo piattaforme proprietarie che connettono app, servizi e dati, trasformando la complessità assicurativa in prodotti digitali concreti. Entrare nel team tech significa contribuire alle scelte tecniche e allo sviluppo del prodotto, affrontare sfide reali e vedere l’impatto del proprio lavoro sull’esperienza degli utenti.

Missione del ruolo

Entrare nel nucleo quantitativo e tecnologico di Laura per trasformare dataset complessi in insight, segnali e modelli predittivi utilizzabili nei processi di pricing, underwriting, portfolio management, antifrode, customer behaviour e nelle future applicazioni data-driven della società.

Non cerchiamo necessariamente esperienza assicurativa. È anzi preferibile una provenienza da settori scientifici o industriali differenti, nei quali il trattamento quantitativo di dati complessi sia una componente centrale.

Ambiti di provenienza particolarmente interessanti

• Aerospace e aeronautica.
• Space, satellite data, remote sensing ed Earth Observation.
• Meteorologia, climate science e modelli ambientali.
• Energy e sistemi complessi.
• Automotive, autonomous driving e mobility.
• Robotics, telecommunications e industrial optimization.
• Physics, computational science e applied mathematics.
• Computational biology / scientific computing.
• Quantitative finance, operations research e geospatial analytics.

Principali attività

• Analisi esplorativa di dataset strutturati e non strutturati.
• Data cleaning, data quality assessment, preprocessing e data preparation.
• Feature engineering e feature selection.
• Individuazione di pattern, anomalie, cluster, correlazioni e relazioni non lineari.
• Sviluppo di modelli statistici, Machine Learning e modelli predittivi.
• Segmentazione, clustering, anomaly detection, time-series e geospatial analysis.
• Analisi causale, sperimentazione e model validation.
• Costruzione di pipeline riproducibili per training, validation e scoring.
• Utilizzo di Deep Learning e foundation models quando appropriato.
• Ricerca e sperimentazione con LLM, modelli open source, embeddings e agentic workflows.
• Collaborazione con software/data engineer per portare i modelli in produzione e monitorarne le performance.

Formazione e basi scientifiche

• PhD fortemente preferito in Mathematics, Applied Mathematics, Statistics, Physics, Computer Science, Machine Learning, Engineering, Computational Science, Operations Research, Econometrics o disciplina quantitativa equivalente.
• Solida padronanza di probabilità, statistica, inferenza, regressione, optimization, machine learning, validation, experimental design e gestione dell’incertezza.
• Cerchiamo una base matematica/statistica reale, non un profilo che utilizzi soltanto librerie o strumenti preconfezionati.

Competenze tecnologiche

• Python, NumPy, Pandas e/o Polars.
• Scikit-learn, PyTorch e moderni framework ML/DL.
• SQL e gestione di dataset di grandi dimensioni.
• Git e buone pratiche di sviluppo riproducibile.
• Molto apprezzati: XGBoost / LightGBM / CatBoost, JAX, Spark, DuckDB, MLflow, Ray, Databricks, Snowflake, cloud AWS/GCP/Azure, Docker/Kubernetes e GPU computing.
• Familiarità concreta con LLM, transformer, embeddings, vector database, AI coding tools, model evaluation, fine-tuning/adaptation e synthetic data.

Profilo personale

Cerchiamo uno “scientist who codes”: una persona curiosa, sperimentale e quantitativa, capace di formulare ipotesi, costruire modelli, testarle rigorosamente e trasformare ricerca e dati in soluzioni utilizzabili. La capacità di apprendere rapidamente nuovi metodi e strumenti è più importante dell’aver già lavorato nel settore assicurativo.

Interview process

• Shortlisted
• 1st Interview
• 2nd Interview
• 3rd Interview
• Offer

• PhD strongly preferred in a quantitative discipline (Must-have)
• Around 3 to 8 years of relevant experience (Must-have)
• Strong grounding in probability, statistics, inference, regression, optimisation, machine learning and experimental design (Must-have)
• Python (Must-have)
• NumPy, Pandas or Polars (Must-have)
• Scikit-learn (Must-have)
• PyTorch or modern ML/DL frameworks (Must-have)
• SQL and large dataset handling (Must-have)
• Git and reproducible development practices (Must-have)
• Feature engineering and model validation (Must-have)
• Time series, clustering, anomaly detection or geospatial analysis (Must-have)
• Deep learning, foundation models or LLM experimentation (Nice-to-have)
• XGBoost, LightGBM or CatBoost (Nice-to-have)
• Spark, DuckDB, MLflow, Ray, Databricks, Snowflake, cloud platforms or Docker/Kubernetes (Nice-to-have)
• Scientist who codes mindset (Must-have)