Data Scientist

О роли Ищем дата-сайентиста, который хочет не просто строить модели, а видеть их реальный эффект на бизнес. Вы будете разрабатывать модели для малайзийского направления, а основным заказчиком станет портфельный менеджер - то есть решения будут напрямую влиять на управление портфелем и бизнес-результат. Мы не делаем задачи «в стол»: у каждой модели есть измеримый бизнес-эффект, и вы будете видеть, как ваша работа отражается на цифрах компании.

Специфика направления

Бизнес в Малайзии - это несколько независимых брендов, у каждого своя продуктовая линейка. Часть клиентских связей уже описана в графовой базе Neo4j, но пространство для улучшений здесь огромное - есть куда расти и что улучшать.

Помимо построения моделей вы будете заниматься исследовательскими адхоками: например, оценивать потенциал новых переменных или источников данных до того, как они попадут в продакшн.

Как устроен пайплайн моделирования

1. Постановка задачи - вместе с заказчиком определяете цель модели: что значит «хорошая модель» в этом контексте и какие бизнес-проблемы она должна закрыть.

2. Работа с данными

   • для части источников переменные уже готовы;

   • сложные новые источники реализует команда дата-инженеров (ДЕ), а вы выступаете постановщиком задачи как внутренний заказчик;

   • часть источников на базовом уровне вы прорабатываете самостоятельно.

3. Моделирование - эксперименты, выбор и обоснование лучшей модели.

4. Внедрение - реализация модели в виде класса по шаблону на MLflow.

5. Мониторинг - постановка модели на мониторинг через собственный сервис компании.

Что вы получите

• Полный цикл от идеи до продакшна и мониторинга - без разрыва между «наукой» и «внедрением».

• Прямую связь с бизнес-результатом: по каждой модели можно посчитать эффект.

• Разнообразие задач: от классического моделирования до исследовательских адхоков и оценки новых источников данных.

• Возможность пробовать новые подходы и технологии на реальных данных, а не в изоляции.

Хард-скилы

• Python (уверенное владение функциями, классами, ООП-подходом);

• Pandas, scikit-learn;

• SQL (индексы, оконные функции, CTE).

Софт-скилы

• Гибкость подходов к задачам;

• Желание пробовать новое и не бояться экспериментов;

• Умение увидеть новые возможности - в существующих данных или в state-of-the-art технологиях - и применить их к текущим процессам.

Мы предлагаем

• Участие в развитии международной финтех-группы.
• Международную команду и динамичную рабочую среду.