Главный аналитик (скоринг)

Дата размещения вакансии: 10.01.2025
Работодатель: Ингосстрах Банк
Уровень зарплаты:
з/п не указана
Город:
Москва
Сущёвская улица 27с1
Требуемый опыт работы:
От 3 до 6 лет

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:

  • Подготавливать данные, разрабатывать, внедрять и валидировать банковские модели оценки риска (PD, LGD, NCL, antifraud etc);
  • Разрабатывать модели для других подразделений банка (модели отклика, оттока, коллекшен, бизнес модели, etc);
  • Оценка качества моделей контрагентов и разработка моделей на внешних данных;
  • Улучшение и автоматизация внутренних инструментов моделирования для повышения скорости и качества разработки моделей AutoML;
  • Исследование применимости новых инструментов и подходов к риск моделированию банка для увеличения доходности.

Банк – это я, если есть:

  • Опыт работы в DataScience от 2 лет;
  • Опыт работы в банковской сфере от 1 года;
  • Понимание банковских процессов;
  • Глубокие знания теор. вероятности и мат. статистики;
  • Знание языков: Python, SQL;
  • Умение работать с пакетами для анализа данных и построения ML моделей (numpy, pandas, sklearn, xgboost, catboost, optuna, etc).