ML-разработчик в розничные риски Яндекс Банка
Posted 10
views
Summary
Build and deploy ML models for retail risk management in Yandex’s fintech products, including credit scoring and user behavior prediction, using Python, SQL, and A/B testing.
Мы создаём и внедряем ML-решения для управления розничными рисками в Финтехе Яндекса. Приходите строить модели скоринга для финтех-продуктов и модели предсказания действий пользователя, продумывать дизайны моделей, экспериментов и A/B-тестов, выводить модели в прод и улучшать их.Строить модели скоринга для финтех-продуктов Яндекса
Скоринговые модели позволяют оценивать кредитоспособность и финансовые риски пользователей финтех‑сервисов Яндекса. Это позволяет принимать обоснованные решения о предоставлении персонализированных финансовых услуг, минимизировать потери от невозвратов и повышать доступность продуктов для надёжных клиентов. Разработка ведётся как для кредитных продуктов российского рынка, так и для международного направления. Строить модели предсказания дохода пользователя, его действий и поведения
Анализируя активность клиентов в сервисах Яндекса, мы предсказываем их доход и финансовое поведение. Это позволяет не угадывать потребности, а создавать предложения, идеально подходящие каждому пользователю с учётом его финансового профиля и жизненной ситуации. Продумывать дизайны моделей, экспериментов и A/B-тестов
Перед разработкой модели мы тщательно прорабатываем её дизайн и сценарии использования. Это помогает обеспечить корректное и эффективное применение в бизнес-процессах, даёт необходимую гибкость и возможность масштабировать решения. Мы продумываем дизайны для экспериментов и A/B-тестов, которые позволяют собирать необходимые для обучения моделей данные и замерять влияние моделей на реальные бизнес-метрики. Анализировать эффективность новых источников данных и применять их в моделях
При создании моделей есть возможность использовать большие массивы различных данных как из внутренних сервисов Яндекса, так и от партнёров. Анализируя новые источники информации, можно существенно увеличивать как качество моделей, так и уровень сервиса продуктов. Выводить модели в прод, поддерживать их стабильность и улучшать
После разработки и тестирования модели внедряются в производственную среду, где можно отслеживать ключевые показатели их работы. У вас будет возможность продолжать развивать уже внедрённые модели, проверяя новые гипотезы и современные подходы. Больше об ML в Яндексе — в канале Yandex for ML* Умеете анализировать данные в Python * Умеете писать SQL-запросы * Понимаете принципы работы классического ML * Разрабатывали модели и презентовали их заказчику либо внедряли в продакшн * Понимаете основы теории вероятностей, математической статистики и A/B-тестов * Готовы вовлекаться во все стадии создания моделей: от обсуждения требований до поддержки готовых решений
Скоринговые модели позволяют оценивать кредитоспособность и финансовые риски пользователей финтех‑сервисов Яндекса. Это позволяет принимать обоснованные решения о предоставлении персонализированных финансовых услуг, минимизировать потери от невозвратов и повышать доступность продуктов для надёжных клиентов. Разработка ведётся как для кредитных продуктов российского рынка, так и для международного направления. Строить модели предсказания дохода пользователя, его действий и поведения
Анализируя активность клиентов в сервисах Яндекса, мы предсказываем их доход и финансовое поведение. Это позволяет не угадывать потребности, а создавать предложения, идеально подходящие каждому пользователю с учётом его финансового профиля и жизненной ситуации. Продумывать дизайны моделей, экспериментов и A/B-тестов
Перед разработкой модели мы тщательно прорабатываем её дизайн и сценарии использования. Это помогает обеспечить корректное и эффективное применение в бизнес-процессах, даёт необходимую гибкость и возможность масштабировать решения. Мы продумываем дизайны для экспериментов и A/B-тестов, которые позволяют собирать необходимые для обучения моделей данные и замерять влияние моделей на реальные бизнес-метрики. Анализировать эффективность новых источников данных и применять их в моделях
При создании моделей есть возможность использовать большие массивы различных данных как из внутренних сервисов Яндекса, так и от партнёров. Анализируя новые источники информации, можно существенно увеличивать как качество моделей, так и уровень сервиса продуктов. Выводить модели в прод, поддерживать их стабильность и улучшать
После разработки и тестирования модели внедряются в производственную среду, где можно отслеживать ключевые показатели их работы. У вас будет возможность продолжать развивать уже внедрённые модели, проверяя новые гипотезы и современные подходы. Больше об ML в Яндексе — в канале Yandex for ML* Умеете анализировать данные в Python * Умеете писать SQL-запросы * Понимаете принципы работы классического ML * Разрабатывали модели и презентовали их заказчику либо внедряли в продакшн * Понимаете основы теории вероятностей, математической статистики и A/B-тестов * Готовы вовлекаться во все стадии создания моделей: от обсуждения требований до поддержки готовых решений