Senior Data scientist

Банк для меня:

• уверенность – мы соблюдаем ТК РФ, чтобы Вы были уверены и в сегодняшнем, и в завтрашнем дне;
• здоровье – мы предлагаем сотрудникам заботу о своем здоровье как при помощи лучших профессионалов за счет программ ДМС (и стоматологов – тоже), так и доплачивая разницу по больничному листу до размера зарплаты (до 10 дней в году);
• дополнительные полчаса сна (или даже больше) – за счет расположения офиса в 50 метрах от ст.м. Новослободская/Менделеевская (ул. Сущевская, д. 27, стр. 1).
• время на себя и близких – при стандартном графике 5/2 с 9 до 18 по пятницам мы заканчиваем рабочий день в 16:45. Гибридный формат работы;
• саморазвитие (24/7, если захотите) – для сотрудников работает удобное мобильное приложение с десятками электронных курсов и материалов для развития, в которых мы постарались собрать лучшие отечественные и мировые практики и инструменты как по hard, так и по soft-skills;
• ЗОЖ – вместе играем и участвуем в спортивных мероприятиях.

Я для Банка:

• Разработка, тестирование и валидация статистических и математических моделей оценки кредитных рисков для корпоративного сегмента и финансовых институтов (PD, LGD, EAD, CCF и пр.);
• Анализ и интерпретация данных для построения моделей, включая обработку больших объемов данных;
• Дообогащение и калибровка моделей, а также мониторинг производительности моделей и их актуализация в соответствии с изменениями в данных и бизнес-процессах;
• Тесное взаимодействие с командами риск-менеджмента, IT и бизнес-подразделениями, объяснение сложных моделей и их результатов нетехническим специалистам, поддержка в процессе аудита и проверок со стороны регулятора.

Банк – это я, если есть:

• Опыт работы в области разработки моделей оценки риска в банковской сфере, страховых компаниях или консалтинге от 2ух лет;
• Понимание банковских процессов и специфики кредитования корпоративных клиентов будет преимуществом;
• Знание методов машинного обучения и статического анализа (регрессия, кластеризация, деревья решений, нейронные сети и т.д.);
• Опыт работы с большим объемом статистической информации;
• Работа базовыми библиотеками Python (numpy, pandas, sklearn и др.);
• Знание SQL.