Senior Data Scientist (Credit Risk)
⚲ Wrocław, Krzyki
Do uzgodnienia
Wymagania
- min. 3 lata komercyjnego doświadczenia w zaawansowanej analizie danych i budowie modeli predykcyjnych
- bardzo dobra znajomość SQL i relacyjnych baz danych
- bardzo dobra znajomość Pythona (Pandas, scikit-learn, XGBoost/LightGBM) lub R w kontekście analizy i modelowania danych
- umiejętność łączenia danych z kontekstem biznesowym i wyciągania syntetycznych wniosków
- wysoko rozwinięte zdolności komunikacyjne i płynna współpraca z biznesem
- angielski na poziomie pozwalającym na sprawną komunikację w projektach międzynarodowych
Mile widziane
- doświadczenie w sektorze finansowym (bankowość, leasing, faktoring, zarządzanie wierzytelnościami / NPL)
- doświadczenie we wdrażaniu modeli ML na produkcję (MLOps)
Opis stanowiska
Będziesz projektować, walidować i wdrażać modele scoringowe i analityczne (scoring aplikacyjny, behawioralny, anty-fraudowy) oraz współtworzyć architekturę danych obszaru ryzyka — od lekkiego stacku opartego o PostgreSQL po rozwiązania klasy Snowflake. Rola łączy modelowanie ML z pracą nad warstwą danych i raportowaniem portfela, we współpracy z analitykami ryzyka i zespołem IT. To oferta dla osoby, która chce mieć realny wpływ na architekturę danych i technologie w organizacji — choć warto liczyć się z tym, że decyzje mogą być współdzielone z innymi działami, a zakres MLOps może okazać się węższy niż pełny cykl.
🔍 Dekoder Ogłoszenia
🔴
Współtworzenie docelowej architektury danych (od lekkiego stacku opartego o PostgreSQL po rozwiązania klasy Snowflake).
Może oznaczać zarówno realny wpływ na architekturę, jak i pracę z istniejącymi, być może przestarzałymi rozwiązaniami, gdzie wpływ będzie ograniczony.
🔴
Realny wpływ na architekturę danych oraz wybór technologii wykorzystywanych w organizacji.
Często oznacza, że będziesz miał możliwość zgłaszania propozycji, ale ostateczne decyzje mogą należeć do innych działów lub zarządu.
🟡
Umiejętność łączenia danych z kontekstem biznesowym i wyciągania syntetycznych wniosków
Oczekuje się, że będziesz potrafił przetłumaczyć wyniki analiz na język zrozumiały dla osób nietechnicznych i proponować konkretne działania biznesowe.
🟡
Wysoko rozwinięte zdolności komunikacyjne i umiejętność płynnej współpracy z biznesem.
Będziesz musiał często tłumaczyć złożone zagadnienia techniczne nietechnicznym odbiorcom i aktywnie uczestniczyć w spotkaniach z działami biznesowymi.
🔴
Doświadczenie we wdrażaniu modeli ML na produkcję (MLOps).
Może oznaczać zarówno pełen cykl MLOps, jak i jedynie podstawowe czynności związane z deploymentem.