Стажёр Data Scientist (uplift & causal inference)

Мы команда Causal AI в блоке «Финансы» ПАО Сбербанк — развиваем решения в области uplift-моделирования, causal inference и сценарного анализа для задач клиентских коммуникаций и оценки эффектов. Нам интересны не только прикладные модели, но и корректная причинно-следственная интерпретация результатов: какие факторы действительно влияют на целевые переменные, как это экспериментально проверить и впоследствии использовать в принятии решений. Сейчас мы ищем стажёра на задачи causal inference — оценка эффектов, поиск причинно-следственных связей и uplift-моделирование. Наш стек: Python (scikit-learn, CatBoost, causal-learn, DoWhy, EconML, Hypex), Hadoop (PySpark, Hive, HDFS)* собирать и готовить данные, участвовать в сборке витрин * проводить EDA и feature engineering, проверять качество и полноту данных * обучать и валидировать ML-модели * помогать в дизайне и анализе A/B-тестов: расчёт размера выборки, проверка корректности сплита, разбор результатов * воспроизводить методы из статей и открытых библиотек, проводить сравнения с внутренними бейзлайнами на наших данных * писать переиспользуемый код, тесты и документацию для нашей внутренней uplift-платформы * поддерживать текущую аналитику: багфиксы моделей и ad hoc запросы от команды и заказчиков.* неоконченное высшее образование (находишься на последних курсах университета) по техническому направлению * имеешь прочный математический фундамент, особенно в теории вероятностей и статистике (понимаешь смысл p-value и доверительного интервала, знаешь характеристики основных распределений) * умеешь и любишь писать код на python, стараешься его оптимизировать, не боишься разбираться в чужом коде * владеешь основными библиотеками для анализа данных (базовый минимум - pandas, numpy, sklearn) * понимаешь, как устроены основные алгоритмы классического ML (линейные и древовидные модели) * умеешь превратить расплывчатый вопрос в проверяемую гипотезу (например: у этой группы клиентов метрика выше – это эффект коммуникации или они и без неё были активнее?). Будет плюсом * читал про uplift-модели (T-learner, X-learner, DR-learner, IPW, PSM) и пробовал их хотя бы на учебных данных * имеешь опыт с DoWhy, EconML, causal-learn, Hypex * знаешь, что такое causal discovery и DAG — понимаешь, почему конфаундер смещает оценку эффекта * запускал или анализировал A/B-тесты * работал с большими данными (Spark, Hadoop) * разрабатывал LLM-агентов * имеешь опыт решения задач маркетинга, ценообразования или банковской аналитики * участвовал в соревнованиях по ML.* комфортный современный офис рядом с м. Ленинский проспект * возможность выбрать удобный график – офис/гибрид * срочный трудовой договор на 3 месяца * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.