- Страна
- Россия
Lead data analyst (Антифрод в корпоративном кредитовании)
Оценка ИИСбер предлагает работу над масштабными задачами с использованием передового стека технологий. Позиция Lead в таком значимом направлении, как антифрод, обеспечивает отличные возможности для профессионального роста и влияния на бизнес-результаты.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль уровня Lead в крупнейшем банке требует не только глубоких технических знаний в ML и статистике, но и экспертного понимания бизнес-процессов корпоративного кредитования и риск-менеджмента. Высокая ответственность за антифрод-стратегии значительно повышает порог входа.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Lead Data Analyst в Москве рыночный диапазон составляет от 350 000 до 550 000 рублей. Сбер обычно предлагает конкурентную заработную плату, соответствующую верхним границам рынка, дополненную расширенным соцпакетом и годовыми бонусами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Lead data analyst (Антифрод в корпоративном кредитовании)
Грейд: Lead
Стек: SQL, Python, Data Analysis, Machine Learning, Data Science, Risk Management, Statistics, Data Visualization
Сбер Банк — крупнейший российский финансовый конгломерат, предоставляющий широкий спектр банковских услуг для частных лиц, малого бизнеса и корпоративных клиентов.
Откликнуться через Откликнуться ↓
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- SQL
- Python
- Machine Learning
- Data Science
- Risk Management
- Statistics
- Data Visualization
Возможные вопросы на собеседовании
Проверка опыта в предметной области антифрода.
Какие специфические признаки (features) вы бы выделили для обнаружения мошенничества именно в корпоративном кредитовании, в отличие от розничного?
Оценка навыков работы с несбалансированными данными, типичными для фрода.
Какие методы борьбы с дисбалансом классов в данных вы считаете наиболее эффективными при построении антифрод-моделей?
Проверка лидерских качеств и умения выстраивать процессы.
Как вы организуете процесс мониторинга качества работы моделей в продакшене и когда принимаете решение о переобучении?
Оценка понимания бизнес-метрик.
Как вы находите баланс между уровнем одобрения кредитов (Approval Rate) и уровнем потерь от мошенничества (Fraud Rate)?
Проверка владения статистическим аппаратом.
Расскажите о кейсе, когда статистический анализ помог вам выявить скрытую закономерность в данных, которую не обнаружила ML-модель.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
