ML-разработчик в розничные риски Яндекс Банка

Наша команда разрабатывает и внедряет ML-решения для управления розничными рисками в Финтехе Яндекса. По нашим моделям принимаются решения как в России, так и на международном уровне.

Команда отвечает за весь жизненный цикл моделей: от анализа предметной области и обсуждения с клиентом до создания ML-моделей, их внедрения в эксплуатацию и дальнейшей поддержки. Такой подход позволяет нам глубоко вникать в задачи и влиять на развитие продукта, ориентируясь на бизнес-метрики.

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