Что делать?

• Разрабатывать модели и аналитические решения для бизнес задач, такие как:

churn prediction, propensity to buy / respond / convert, next best action, и других прикладных ML-задач.

• Проводить полный цикл работы над моделью
• Определять подход к выбору модели, метрик и дизайну экспериментов.
• Оценивать бизнес эффект моделей и формировать понятную логику использования результата в процессах банка.
• Совместно с бизнесом и аналитиками переводить бизнес-вопрос в измеримую DS-задачу.
• Работать с ML Engineers над выводом моделей в production.
• Контролировать качество признаков, данных и методологии моделирования.
• Проводить углубленный анализ результатов модели
• Наставлять middle и junior специалистов, помогать им по методологии, качеству анализа и постановке задач.
• Участвовать в защите решений перед бизнес-заказчиками и внутренними командами.

Если у вас:

• Опыт работы Data Scientist от 4–6 лет.
• Уверенное владение Python и основными библиотеками для анализа данных и ML.
• Сильная база в классическом machine learning
• Опыт решения прикладных бизнес-задач на данных.
• Умение самостоятельно вести проект от постановки задачи до внедрения.
• Опыт работы с табличными данными, клиентской аналитикой, маркетинговыми или риск-моделями.
• Понимание метрик качества моделей и их связи с бизнес-результатом.
• Опыт оценки бизнес-эффекта ML-решений.
• Хорошие навыки коммуникации с бизнесом и техническими командами.
• Умение структурировать задачу и принимать методологические решения.

Ключевые навыки:

• Разработка ML-моделей под бизнес-задачи банка
• Постановка DS-задач совместно с бизнесом
• Построение моделей churn / next best action
• Клиентская сегментация
• Feature engineering
• Валидация и сравнение моделей, back-testing
• Подбор метрик под бизнес-задачи
• Оценка бизнес-эффекта моделей
• Анализ стабильности и деградации моделей
• Интерпретация результатов
• Подготовка рекомендаций для бизнеса
• Наставничество middle специалистов

Стек:

• Языки: Python, SQL
• Анализ и ML: pandas, numpy, scikit-learn, xgboost, lightgbm, catboost
• Визуализация: matplotlib, seaborn, plotly
• Эксперименты и трекинг: MLflow
• Среда работы: Jupyter Notebook / JupyterLab
• Данные: PostgreSQL, object storage, feature datasets
• Инженерное взаимодействие: Git
• Дополнительно: A/B analysis, campaign analytics, uplift-related approaches

Что мы предлагаем:

• Официальное трудоустройство в соответствии с Трудовым кодексом РК;
• График работы на выбор: 08:30–17:30 / 09:00–18:00 / 09:30–18:30;
• Ежегодный оплачиваемый отпуск — 28 календарных дней;

После прохождения испытательного срока:

• Кафетерий льгот на сумму 250 000 тг. в год (медицинское страхование, обучение, спорт, развитие детей, авиа- и ж/д билеты);
• 2 дополнительных дня Day Off в год;

Дополнительно:

• Лечебное пособие в размере одного оклада при выходе в отпуск (после 1 года работы, при отпуске от 14 дней).