Data scientist

Why candidates should join 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.

Company: Confidential Why candidates should join 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.

Non è richiesta un'esperienza pregressa nel settore assicurativo; l'azienda è particolarmente interessata a profili provenienti da altri ambiti scientifici quantitativi o industriali, in cui l'analisi rigorosa e la gestione di dati complessi rivestono un ruolo centrale. Il ruolo offre inoltre l'opportunità di lavorare con tecnologie moderne di machine learning, deep learning, LLM, embeddings e pipeline implementate in produzione.

Role Requirements Ph D 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) Num Py, Pandas or Polars (Must-have) Scikit-learn (Must-have) Py Torch 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, Light GBM or Cat Boost (Nice-to-have) Spark, Duck DB, MLflow, Ray, Databricks, Snowflake, cloud platforms or Docker/Kubernetes (Nice-to-have) Scientist who codes mindset (Must-have)

About The Role
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 Ph D 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,