Big Data Scientist
Оценка ИИИнтересный проект в сфере финтеха с использованием современного стека (PySpark). Однако, отсутствие указания зарплаты и строго офисный формат работы могут снижать привлекательность для некоторых специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием к опыту работы более 5 лет и узкой специализацией в банковском скоринге (PD, LGD, EAD). Работа в офисе в Ташкенте также может сузить круг потенциальных кандидатов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Senior Data Scientist в Ташкенте с опытом 5+ лет в финтехе, рыночная вилка обычно составляет $3500–$5500. Учитывая международный статус Andersen Lab, можно ожидать предложение в верхней границе рынка или выше при наличии специфического опыта в рисках.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Big Data Scientist Andersen Lab
Местоположение: Ташкент
Формат работы: Офис
Опубликована: 30.10.2026
Требования:
• Опыт работы Data Scientist от 5 лет
• Опыт с банковскими продуктами и в финтех-индустрии
• Python и PySpark
• Разработка моделей кредитного скоринга (application и behavioral scoring) и моделей Probability of Default (PD)
О компании:
Проект — разработка автоматизированной платформы кредитования с ML-скорингом, предиктивной аналитикой и оценкой кредитных рисков.
Контакт: Откликнуться
Откликнуться в LinkedIn
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PySpark
- Machine Learning
- Credit Scoring
- Probability of Default
- Big Data
- Predictive Analytics
Возможные вопросы на собеседовании
Вакансия сфокусирована на кредитных рисках, поэтому важно понимать методологию построения PD-моделей.
Расскажите о вашем опыте разработки моделей Probability of Default (PD): какие алгоритмы вы использовали и как проводили калибровку?
Работа предполагает использование PySpark для обработки данных, что критично для Big Data ролей.
С какими основными проблемами производительности в PySpark вы сталкивались при обработке банковских транзакций и как их решали?
Важно понимать разницу в подходах к разным типам скоринга.
В чем ключевые различия в наборе признаков (features) для моделей Application Scoring и Behavioral Scoring в вашем опыте?
Финтех требует понимания бизнес-метрик.
Как вы оцениваете бизнес-эффективность внедренной модели скоринга? Какие метрики, помимо Gini и AUC-ROC, вы используете?
Проверка навыков работы с несбалансированными данными, характерными для дефолтов.
Какие методы борьбы с дисбалансом классов в данных о кредитных дефолтах вы считаете наиболее эффективными и почему?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
