Data scientist (команда Collection)
-
разработка всего спектра моделей розничного финансового урегулирования в ситуациях наличия или угрозы возникновения у клиента просроченной задолженности;
-
поведенческие модели для регулярной оценки вероятности перехода на более глубокий уровень просрочки;
-
модели выбора оптимальных инструментов работы с просроченной задолженностью (колл-центр, подача в суд и т.д.);
-
модели для различных операционных процессов (оптимальное время звонка клиенту, отправка на обзвон роботом);
-
модели для специализированных инструментов работы с просроченной задолженностью (мировое соглашение с клиентом, реструктуризация задолженности);
-
модели прогнозирования cash-flow клиента на разных горизонтах;
-
работа с портфелем: задачи сегментации клиентов;
-
задачи аплифт-моделирования на внутренних и внешних (БКИ, телекомы и т.д.) данных;
- возможность использования широкого технического стека для моделирования с современными подходами и best practice: бустинги, кластеризация, нейросети, эмбеддинги, рекомендательные системы, графовая аналитика, задачи текстовой аналитики, возможность работы с батч и онлайн процессами.
- опыт работы в банковском/финансовом/телеком/ритейл секторе от 2-х лет в роли аналитика/DS, понимание банковских бизнес-процессов, опыт в моделировании;
- уверенное владение Python, Spark;
- знание алгоритмов ML: деревьев решений и случайных лесов, регрессии, бустингов, кластеризации и др., понимание принципов работы рекомендательных систем и лежащих в основе алгоритмов, опыт работы с текстовыми данными (NLP: тематическое моделирование, поиск ключевых слов, анализ тональности, задачи суммаризации, шаблонизации и др.);
- умение работать в условиях многозадачности, самостоятельность;
- знание DL приветствуется: опыт обучения и использования нейросетей и предобученных моделей (RNN, LSTM, BERT, GPT);
- опыт написания ТЗ, БТ, проектной документации;
- способность поддержки full-stack разработки от сбора требований к задаче до реализации, документации и последующего мониторинга моделей;
- наличие публикаций по ML/DL, опыт выступления на ML-конференциях – как плюс.