Data Science

remote

Наш клієнт — один із провідних банків України, який понад 10 років розвиває напрям моделювання ризиків та впроваджує сучасні підходи Machine Learning.

Ми шукаємо Data Scientist до команди Risk Modeling.

На цій позиції ви будете розробляти ML-рішення для мінімізації фінансових ризиків та оптимізації стратегій роботи з мільйонами клієнтів.

Готові розглядати кандидатів від Junior до Senior рівня — залежно від досвіду та експертизи.

Чому варто приєднатися до команди:

· Сучасний технологічний стек: Amazon SageMaker, Amazon S3, Git, Confluence та інші інструменти.

· Масштабні дані: робота з великими наборами даних для підтримки важливих бізнес-рішень.

· Експертиза: моделі оцінки ризиків відповідають міжнародним стандартам та регуляторним вимогам.

· Сильна Data Science спільнота: внутрішні воркшопи, участь у конференціях та професійне навчання.

· Автоматизація: власна система управління повним життєвим циклом ML-моделей — від розробки до моніторингу.

Основні обов'язки:

· Credit Risk Modeling: розробка моделей портфельної оцінки ризиків (PD, LGD, EAD) відповідно до вимог IFRS 9.

· Income & Solvency Forecasting: створення ML-моделей для оцінки фінансового стану клієнтів на основі аналізу транзакційної активності.

· Credit & Behavioral Scoring: побудова класичних та просунутих скорингових систем для автоматизованого прийняття рішень на різних етапах кредитного циклу.

· Market Risk Analysis: застосування аналізу часових рядів та ML для оцінки ризику ліквідності, прогнозування волатильності валютних курсів та моделювання поведінки клієнтських коштів.

· Anti-Fraud & Anomaly Detection: побудова та підтримка систем виявлення нетипових патернів у транзакціях у реальному часі.

· ML Lifecycle: участь у повному життєвому циклі моделей — від формування ідеї та збору даних до автоматизованого моніторингу та перенавчання моделей.

Основні вимоги:

· Від 1 року комерційного досвіду у Data Science. (досвід у FinTech або Banking буде значною перевагою).

· Впевнене володіння Python для аналізу даних: NumPy, Pandas, SciPy тощо.

· Досвід оптимізації SQL-запитів при роботі з великими обсягами даних.

· Практичний досвід роботи зі Scikit-learn та бібліотеками градієнтного бустингу — LightGBM, XGBoost тощо.

· Досвід роботи з інструментами аналізу та прогнозування часових рядів — Statsmodels, Prophet тощо.

· Розуміння математичних принципів роботи ML-моделей — від лінійної регресії до градієнтного бустингу.

· Знання методів оцінки якості моделей.

· Розуміння принципів роботи з Big Data.

· Досвід використання Git та інших інструментів версіонування коду.

Буде перевагою:

· Досвід роботи з Docker та/або MLflow.