Middle +/ Senior Data Scientist

Позиция: Middle +/ Senior Data Scientist Куда? ID Collect , Департамент аналитики и рисков Формат работы: Гибрид: Москва, м. Фили/Багратионовская/Парк Победы Вилка гросс: 250-400K + годовой бонус до 2 окладов Что нужно делать? • Разработка и поддержка скоринговых моделей оценки и переоценки по покупкам на основе статистического анализа. • Разработка и поддержание моделей распознавания документов и речевой аналитики (NLP). • Автоматизация операционных процессов компании за счет внедрения алгоритмов нечеткого поиска, написания скриптов для уменьшения доли ручного труда в компании. • Проведение углубленного статистического анализа данных, включая проверку гипотез и выявление внутренних и внешних факторов, влияющих на взыскание задолженности. • Анализ риск-метрик, включая эффективность сборов, уровень просрочки и другие ключевые показатели. • Взаимодействие с командами разработки и аналитики для интеграции моделей в бизнес-процессы компании. Требования: • Опыт работы от 2-х лет в области анализа данных и машинного обучения. • Глубокое понимание ML-алгоритмов и продвинутые знания Python, включая основные библиотеки для машинного обучения (например, Scikit-learn, TensorFlow, PyTorch). • Хорошие знания SQL (любой из диалектов), умение писать оптимизированные запросы. • Опыт работы с инструментами логирования экспериментов, кода, умение писать читабельный код в Python и его оптимизировать. • Опыт вывода моделей в Production. • Опыт написания базовых микросервисов, работы с большими данными и инструментариями для их анализа будет преимуществом. Ответы на 10 важных вопросов: 1. Данные: DWH на Clickhouse (данные из ПРОД и внешних источников) 2. Железо: 3 терминала 1) Intel(R) Xeon(R) Silver 4314 CPU @ 2.40GHz, 96 GB RAM, NVIDIA RTX A5000 24 GB 2) Intel(R) Xeon(R) W-2255 CPU @ 3.70GHz 3.70 GHz, 220 GB RAM 3) Intel(R) Xeon(R) Silver 4114 CPU @ 2.20GHz 2.19 GHz (процессоров: 10), 140 GB RAM 3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики бизнеса: инвестиции в портфель просроченной задолженности, эффективность операционных процессов, финансовые показатели компании. 4. Уровень развития DS: 70%классические модели, 30% NLP. 5. Роль DS: Постановка задачи в технических терминах, сбор необходимых данных, разработка модели и мониторинг работы 6. Бэкграунд руководителя: Михаил Пчелинцев , ex-Сбер. 7. Частота встреч: ~ 3 синка в неделю (зависит от проекта). 8. Карьерный рост: ревью каждые 6 месяцев. 9. Prod/Research: 80% prod, 20% research. 10. Функция сервиса/лидера: 70% execution (решение задач), 30% лидерство в рамках проекта. Откликнуться: TG @natashka_olegovna