Científico Aplicado, SCOT FO - SnT

¿Cómo decide Amazon qué centro de logística envía su pedido, qué camión lo transporta y cómo cumplir las promesas con cientos de millones de paquetes diarios? ¿Cómo decide cuántos camiones y cuánta mano de obra se requieren para enviar pedidos a través de la red?

SCOT Fulfillment Optimization (FO) es el responsable de la ciencia de optimización y previsión que sustenta estas decisiones.

Buscamos Applied Scientists para unirse al equipo de FO Science & Tech en Barcelona (alternativamente: Luxemburgo o Londres) con una sólida formación académica en optimización, aprendizaje automático (machine learning) y/o previsión de series temporales.

• Diseñarás y construirás modelos de optimización y machine learning de última generación que impulsan las decisiones de logística de Amazon a una escala sin precedentes a través de dos pilares científicos fundamentales:

• Optimización y planificación a gran escala: Diseño de sistemas de planificación para la asignación de pedidos y la utilización de recursos, equilibrando las compensaciones multi-objetivo entre coste y velocidad para permitir que los controladores dirijan millones de envíos por hora de forma óptima.

• Previsión de la demanda y ML predictivo: Desarrollo de previsiones de series temporales para la demanda de los clientes, incorporando información contextual (clima, ventas, propiedades del pedido) y modelando la incertidumbre para los sistemas de planificación centrales.

Diseñar e implementar modelos de optimización y previsión para problemas logísticos a gran escala, desde la asignación de pedidos hasta el control del flujo de la red. Construir prototipos de investigación de extremo a extremo: desde la formulación del problema hasta la implementación escalable y la validación en producción. Analizar compensaciones complejas (coste, velocidad, capacidad, precisión) y traducir los hallazgos en recomendaciones accionables para los equipos de liderazgo y operaciones. Colaborar con ingenieros para integrar soluciones científicas en sistemas de producción que atienden a millones de pedidos de clientes diariamente.

Un día en la vida

Formulas un problema de optimización o previsión en una pizarra con tus compañeros y luego creas un prototipo en Python con datos reales por la tarde. Realizas experimentos con conjuntos de datos a escala de producción, iteras en el modelo y presentas los resultados a los interesados, quienes los utilizarán para tomar decisiones de red la semana siguiente. Algunos días profundizas en el rendimiento del solver; otros días explicas una frontera de Pareto a un líder de operaciones. Colaboras con grandes equipos de ingeniería y producto para integrar tus soluciones en sistemas que dan servicio a millones de clientes. Junto a los prototipos de rápida entrega, gestionas apuestas de investigación a largo plazo, de las que remodelan la forma en que la red logística de Amazon opera a escala. Tu trabajo sale a producción.

How does Amazon decide which fulfillment center ships your order, which truck carries it, and how to keep promises across hundreds of millions of packages daily? How does it decide how many trucks and how much labor are required to ship orders across the network?

SCOT Fulfillment Optimization (FO) owns the optimization and forecasting science behind these decisions.

We are seeking Applied Scientists to join the FO Science & Tech team in Barcelona (alternatively: Luxembourg or London) with a strong academic background in optimization, machine learning, and/or time-series forecasting.

• You will design and build state-of-the-art machine learning and optimization models that power Amazon's fulfillment decisions at an unprecedented scale across two core scientific pillars:

• Large-Scale Optimization and Planning: Designing planning systems for order assignment and resource utilization, while balancing multi-objective cost-speed tradeoffs to enable controllers to steer millions of shipments per hour optimally.

• Demand Forecasting & Predictive ML: Developing time-series forecasts for customer demand, incorporating contextual information (weather, sales, order properties), and modeling uncertainty for core planning systems.

Design and implement optimization and forecasting models for large-scale fulfillment problems, from order assignment to network flow control. Build research prototypes end-to-end: from problem formulation through scalable implementation to production validation. Analyse complex tradeoffs (cost, speed, capacity, accuracy) and translate findings into actionable recommendations for leadership and operations teams. Collaborate with engineers to bring science solutions into production systems serving millions of customer orders daily.

You formulate an optimization or forecasting problem on a whiteboard with teammates, then prototype it in Python with real data by the afternoon. You run experiments against production-scale datasets, iterate on the model, and present results to stakeholders who will use them to make network decisions next week. Some days you dive deep into solver performance; other days you're explaining a Pareto frontier to an operations leader. You collaborate with large engineering and product teams to bring your solutions into systems serving millions of customers. Alongside fast-turnaround prototypes, you own long-term research bets, the kind that reshape how Amazon's fulfillment network operates at scale. Your work goes live.