Senior Data scientist (кредитные риски)
Отличное предложение с высокой зарплатой (до 550к), прозрачными требованиями и гибким форматом работы. Позиция предполагает серьезное влияние на бизнес-показатели компании через ML.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена требованием глубокой экспертизы именно в кредитных рисках (МФО/банки) и наличием сильной математической базы. Необходимо владеть полным циклом разработки — от математики до деплоя через веб-фреймворки.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предлагаемая зарплата до 550 000 ₽ находится на верхней границе рыночного диапазона для Senior Data Scientist в России, что делает вакансию крайне конкурентоспособной. Типичный медианный уровень для таких ролей в финтехе составляет около 400 000 - 450 000 ₽.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Selecty
Senior Data scientist (кредитные риски)
до 550 000 ₽ за месяц, до вычета налогов
Опыт работы: более 6 лет
Полная занятость
График: 5/2
Формат работы: удалённо или гибрид или офис
*☑️* Чем предстоит заниматься
-Разработка e2e data-сервисов на основе ML-моделей для снижения Cost of Risk: online-модели оценки вероятности дефолта новых клиентов, антифрод-модели, collection-модели
-Построение и валидация скоринговых моделей для микрофинансового бизнеса: feature engineering, выбор алгоритмов, оценка качества, retraining
-Регулярная проверка новых источников данных и расчёт экономики их подключения/пилота для снижения Cost of Risk
-Полный жизненный цикл модели: от бизнес-задачи до мониторинга качества и переобучения
-Расчёт финансового эффекта от моделей, подготовка презентаций для бизнес-пользователей
*☑️* Наши пожелания к кандидатам
-Промышленная разработка на Python
-Опыт разработки и внедрения скоринговых моделей, моделей collection, антифрод-моделей — обязательно в кредитной/микрофинансовой сфере
-Понимание жизненного цикла ML-моделей: от бизнес-задачи до мониторинга и retraining
-Валидация моделей, знание ключевых метрик и аналитик
-Feature engineering
-Знание классических алгоритмов машинного обучения
-Опыт работы с одним из фреймворков Django/Flask/FastAPI
-SQL на хорошем уровне, опыт работы с Git
-Знание математической статистики
-Профильное образование: сильный математик, чистый Data Scientist
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Git
- Python
- Machine Learning
- SQL
- Statistics
- Feature Engineering
- FastAPI
- Flask
- Django
- Anti-fraud
- Scoring Models
Возможные вопросы на собеседовании
Вакансия сфокусирована на кредитных рисках, поэтому важно понимать специфику оценки качества именно в этой области.
Какие метрики вы считаете наиболее критичными при валидации скоринговых моделей для МФО и почему (Gini, PSI, KS)?
Работа предполагает создание e2e сервисов, что требует навыков разработки.
Расскажите о вашем опыте деплоя ML-моделей с использованием FastAPI или Flask. Как вы организуете мониторинг производительности модели в продакшене?
Одной из задач является расчет экономики подключения новых источников данных.
Как вы оцениваете финансовый эффект (ROI) от внедрения новой антифрод-модели или добавления нового признака в скоринг?
Требуется опыт в Feature Engineering.
Какие специфические признаки (features) вы бы выделили как наиболее значимые для оценки вероятности дефолта новых клиентов в условиях ограниченных данных?
Упоминается работа с моделями взыскания (collection).
В чем принципиальное отличие в подходах к обучению моделей оценки вероятности дефолта (PD) и моделей для стратегий взыскания (Collection)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

