Big Data Scientist
Привлекательная вакансия в известной сервисной компании для работы над серьезным финтех-проектом. Релокация в Ташкент может быть интересна как смена обстановки, а работа с современным стеком (PySpark, Cloud) дает отличный профессиональный рост.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена требованием глубокой экспертизы в финтехе (IFRS 9, PD/LGD/EAD) и 5-летнего опыта работы с Big Data стеком (PySpark). Также необходим английский язык на уровне выше среднего для международного проекта.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в объявлении не указана, но для позиции Senior Data Scientist с опытом 5+ лет в Ташкенте рыночные предложения обычно начинаются от $3500-4000. Учитывая международный статус проекта и требования к английскому, компенсация может быть выше среднего по локальному рынку.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Big Data Scientist in Tashkent
Локация и формат: On-site и full-time в Ташкенте. К рассмотрению приглашаются кандидаты, готовые к релокации
Компания: AndersenLab
Язык: Английский Intermediate+ (B1+/B2)
Ищут опытного Big Data Scientist в Ташкент для международного проекта по разработке автоматизированной платформы корпоративного кредитования (для бизнеса и индивидуальных предпринимателей). Заказчик — крупная технологическая компания в области цифровой инфраструктуры, развивающая высоконагруженные распределенные облачные платформы для обработки больших объемов данных в нескольких регионах. Проект включает внедрение ML-скоринга, предиктивной аналитики и decision engine для оптимизации андеррайтинга и ускорения выдачи займов.
Ключевые задачи:
• Разработка моделей кредитного скоринга и предиктивной аналитики для корпоративных заемщиков.
• Оценка кредитных рисков, повышение точности моделей и участие в развитии высоконагруженной платформы в распределенной облачной среде.
Что важно:
• 5+ лет опыта работы на позиции Data Scientist.
• Опыт работы в финтехе и с банковскими продуктами.
• Практический опыт работы с Python, PySpark и уверенное знание SQL.
• Опыт разработки моделей кредитного скоринга (application и behavioral scoring) и моделей вероятности дефолта (PD).
• Понимание метрик PD, LGD, EAD и их применения в расчетах ожидаемых кредитных убытков (ECL) по стандарту IFRS 9.
• Опыт работы с большими объемами данных (large-scale datasets).
• Опыт валидации моделей, включая расчеты Gini, KS, PSI и проведение бэктестинга.
• Уровень английского языка — от Intermediate+ и выше.
Будет плюсом:
• Опыт работы с корпоративным кредитным скорингом, финансовой отчетностью и внешними источниками данных (кредитные бюро, налоговые органы).
Писать: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- Machine Learning
- SQL
- Statistics
- PySpark
- Big Data
- Predictive Analytics
- Credit Scoring
- IFRS 9
Возможные вопросы на собеседовании
Проект сфокусирован на корпоративном кредитовании, где данные часто более разреженные и сложные, чем в рознице.
Какие специфические признаки (features) вы бы использовали для построения модели скоринга именно корпоративных заемщиков, в отличие от физических лиц?
В описании указано требование понимания стандартов IFRS 9.
Расскажите о вашем опыте моделирования компонентов ECL (Expected Credit Loss). Как вы подходите к оценке Forward-looking информации?
Вакансия требует опыта работы с PySpark и большими данными.
Опишите случай, когда вам приходилось оптимизировать производительность PySpark задания при обработке терабайтных массивов данных. С какими проблемами вы столкнулись?
Валидация — критическая часть работы DS в банке.
Как вы интерпретируете показатель PSI (Population Stability Index) и какие действия предпримете, если заметите его резкий рост на валидационной выборке?
Проект предполагает работу в распределенной облачной среде.
Как вы организуете процесс деплоя и мониторинга ML-моделей в высоконагруженных системах, чтобы обеспечить минимальную задержку (latency) при принятии решений?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

