Аналитик-разработчик в команду B2B-кредитования Финтеха
Наша команда развивает кредитование бизнеса в Финтехе Яндекса. Ищем человека, который будет анализировать данные о бизнесе клиентов, находить новые полезные сигналы внутри экосистемы Яндекса, развивать хранилище фич и в перспективе участвовать в развитии скоринговых моделей.Анализ данных о бизнесе клиентов
Вам предстоит работать с внутренней и внешней информацией о юридических лицах и индивидуальных предпринимателях: анализировать обороты, платежи, рекламную активность, транзакции, финансовую отчётность и другие признаки, которые помогают понять состояние и динамику бизнеса. Нужно будет искать в данных физический и бизнес-смысл: какие сигналы отражают устойчивость бизнеса, какие — помогают оценить потенциальный спрос на кредитный продукт, а какие могут быть полезны для оценки риска. Поиск новых источников данных внутри экосистемы Яндекса
В экосистеме Яндекса много сервисов, где бизнес-клиенты продают товары и услуги, привлекают пользователей, принимают платежи, размещают рекламу и развивают продажи. Вам предстоит исследовать эти источники, разбираться в их структуре и договариваться с командами о том, как использовать данные для кредитных продуктов. Цель — собрать более полный финансовый портрет клиента, чтобы точнее рассчитывать подходящее кредитное предложение и лучше понимать потребности бизнеса. Помощь в развитии хранилища фич для кредитных решений
Вы будете помогать расширять фичестор: проектировать новые признаки, проверять их качество, устойчивость и бизнес-смысл, оценивать их вклад в принятие решений и готовить фичи к регулярному использованию. Использование новых признаков в моделях — один из способов принести пользу бизнесу: повысить качество кредитных решений, точнее оценивать клиентов и лучше подбирать условия кредитования. Участие в развитии скоринговых моделей
Основной фокус роли — аналитика, но со временем вы сможете глубже погружаться в ML-задачи: обучать модели, сравнивать подходы, анализировать качество скоринга и проверять, какие признаки действительно улучшают предсказательную силу моделей. Эта задача подойдёт тем, кто хочет развиваться в сторону ML-аналитики или DS, но понимает, что хорошие модели начинаются с качественных данных, сильных признаков и глубокого знания предметной области. Больше об ML в Яндексе — в канале Yandex for ML* Хорошо анализируете данные в Python * Умеете писать SQL-запросы * Эффективно строите дашборды и выбираете для них подходящие метрики * Понимаете базовые принципы классического ML * Способны искать смысл в данных и критически относитесь к результатам анализа * Профессионально общаетесь с коллегами из разных команд, задаёте правильные вопросы и договариваетесь о совместной работе * Можете объяснять результаты анализа понятным языком и аргументированно защищать свои выводы
Вам предстоит работать с внутренней и внешней информацией о юридических лицах и индивидуальных предпринимателях: анализировать обороты, платежи, рекламную активность, транзакции, финансовую отчётность и другие признаки, которые помогают понять состояние и динамику бизнеса. Нужно будет искать в данных физический и бизнес-смысл: какие сигналы отражают устойчивость бизнеса, какие — помогают оценить потенциальный спрос на кредитный продукт, а какие могут быть полезны для оценки риска. Поиск новых источников данных внутри экосистемы Яндекса
В экосистеме Яндекса много сервисов, где бизнес-клиенты продают товары и услуги, привлекают пользователей, принимают платежи, размещают рекламу и развивают продажи. Вам предстоит исследовать эти источники, разбираться в их структуре и договариваться с командами о том, как использовать данные для кредитных продуктов. Цель — собрать более полный финансовый портрет клиента, чтобы точнее рассчитывать подходящее кредитное предложение и лучше понимать потребности бизнеса. Помощь в развитии хранилища фич для кредитных решений
Вы будете помогать расширять фичестор: проектировать новые признаки, проверять их качество, устойчивость и бизнес-смысл, оценивать их вклад в принятие решений и готовить фичи к регулярному использованию. Использование новых признаков в моделях — один из способов принести пользу бизнесу: повысить качество кредитных решений, точнее оценивать клиентов и лучше подбирать условия кредитования. Участие в развитии скоринговых моделей
Основной фокус роли — аналитика, но со временем вы сможете глубже погружаться в ML-задачи: обучать модели, сравнивать подходы, анализировать качество скоринга и проверять, какие признаки действительно улучшают предсказательную силу моделей. Эта задача подойдёт тем, кто хочет развиваться в сторону ML-аналитики или DS, но понимает, что хорошие модели начинаются с качественных данных, сильных признаков и глубокого знания предметной области. Больше об ML в Яндексе — в канале Yandex for ML* Хорошо анализируете данные в Python * Умеете писать SQL-запросы * Эффективно строите дашборды и выбираете для них подходящие метрики * Понимаете базовые принципы классического ML * Способны искать смысл в данных и критически относитесь к результатам анализа * Профессионально общаетесь с коллегами из разных команд, задаёте правильные вопросы и договариваетесь о совместной работе * Можете объяснять результаты анализа понятным языком и аргументированно защищать свои выводы