Обязанности: разработка всего спектра моделей розничного финансового урегулирования в ситуациях наличия или угрозы возникновения у клиента просроченной задолженности; поведенческие модели для регулярной оценки вероятности перехода на более глубокий уровень просрочки; модели выбора оптимальных инструментов работы с просроченной задолженностью (колл-центр, подача в суд и т.д.); модели для различных операционных процессов (оптимальное время звонка клиенту, отправка на обзвон роботом); модели для специализированных инструментов работы с просроченной задолженностью (мировое соглашение с клиентом, реструктуризация задолженности); модели прогнозирования cash-flow клиента на разных горизонтах; работа с портфелем: задачи сегментации клиентов; задачи аплифт-моделирования на внутренних и внешних (БКИ, телекомы и т.д.) данных; возможность использования широкого технического стека для моделирования с современными подходами и best practice: бустинги, кластеризация, нейросети, эмбеддинги, рекомендательные системы, графовая аналитика, задачи текстовой аналитики, возможность работы с батч и онлайн процессами. Требования: опыт работы в банковском/финансовом/телеком/ритейл секторе от 2-х лет в роли аналитика/DS, понимание банковских бизнес-процессов, опыт в моделировании; уверенное владение Python, Spark; знание алгоритмов ML: деревьев решений и случайных лесов, регрессии, бустингов, кластеризации и др., понимание принципов работы рекомендательных систем и лежащих в основе алгоритмов, опыт работы с текстовыми данными (NLP: тематическое моделирование, поиск ключевых слов, анализ тональности, задачи суммаризации, шаблонизации и др.); умение работать в условиях многозадачности, самостоятельность; знание DL приветствуется: опыт обучения и использования нейросетей и предобученных моделей (RNN, LSTM, BERT, GPT); опыт написания ТЗ, БТ, проектной документации; способность поддержки full-stack разработки от сбора требований к задаче до реализации, документации и последующего мониторинга моделей; наличие публикаций по ML/DL, опыт выступления на ML-конференциях – как плюс.