Аналитик данных ML/DS, Группа аналитики по рискам B2B, Ozon Bank

Аналитик данных ML/DS, Группа аналитики по рискам B2B, Ozon Bank Company: Ozon Банк Location: Москва, Москва date_posted: 2026-08-13T17:36:32.986+03:00 | valid_through: 2026-09-12T17:36:32.998+03:00 | region: Москва | address_country: RU | identifier: 136228430 Ozon Банк — это отдельная часть Ozon, где тесно переплетается всё, что связано с финансами и IT. Мы создаём новые для рынка продукты и сервисы для физических и юридических лиц. Гордимся атмосферой в командах: каждый сотрудник может влиять на процессы и пути к результату. В команду аналитики рисков B2B мы ищем аналитика с сильным техническим бэкграундом — это роль на стыке ML и бизнеса. Скоринговые модели здесь не абстракция, а системы, которые каждый день принимают решения на деньги: вы будете валидировать их как ML-системы — ранжирование, калибровка, стабильность, корректность применения — и превращать выводы в лимитные стратегии, cut-off’ы и стоп-правила с измеримым эффектом на P&L. Если вы DS или ML-инженер, которому стало тесно в чистом моделировании и хочется владеть не только метриками модели, но и её денежным эффектом, — это та самая роль. Кредитный домен можно выучить у нас; глубокое понимание моделей и данных принесите с собой. Наш стек: Python (pandas, numpy, scikit-learn, CatBoost/LightGBM, statsmodels), SQL (Vertica, ClickHouse, PostgreSQL), Airflow, Superset. Вам предстоит Валидировать скоринговые и классические ML-модели: ранжирующая способность (Gini, KS), калибровка (calibration curves, Brier score), стабильность во времени (PSI/CSI по скору и фичам), out-of-time и out-of-sample бэктесты, поиск target leakage и проверка корректности применения модели в бизнес-процессе. Участвовать в разработке и улучшении моделей: анализ ошибок, feature engineering на транзакционных данных и данных бюро, интерпретируемость (SHAP, WoE/IV), champion/challenger-сравнения. Разрабатывать и оптимизировать лимитные стратегии, cut-off’ы и стоп-правила: оптимизация порогов через expected loss, симуляция стратегий на исторических данных, swap-set анализ. Мониторить эффективность стратегий в разрезе когорт, винтажей и сегментов: Approval Rate, Take Rate, FPD/SPD, roll rates, дефолтность, резервы — и автоматизировать мониторинг дрифта моделей и портфеля. Строить прогнозы ключевых метрик портфеля (объём, риск, доходность): от винтажных матриц до статистических моделей. Дизайнить и запускать A/B-тесты: расчёт мощности, стратификация, корректная оценка эффектов на редких событиях вроде дефолта. Проводить когортный и винтажный анализ, строить воронки скоринга, сегментировать клиентскую базу для поиска зон роста и концентраций риска. Формулировать рекомендации продукту и бизнесу на основе данных и оценивать фактические эффекты запущенных изменений — не только before/after, но и с поправкой на смещения. Писать сложные оптимизированные SQL-запросы к Vertica и ClickHouse для работы с большими объёмами данных. Строить многоуровневые дашборды в Superset для мониторинга состояния портфеля и моделей. Автоматизировать расчёт метрик и процессы валидации в Airflow. Мы ожидаем Высшее техническое или математическое образование. Опыт от 2 лет в data science, ML или продвинутой аналитике — опыт работы с моделями важнее, чем опыт в кредитовании. Уверенное понимание метрик бинарной классификации (ROC-AUC/Gini, KS, precision/recall, калибровка) и того, какая метрика важна для какого бизнес-решения. Практический опыт обучения и/или валидации моделей: градиентный бустинг, логистическая регрессия; понимание переобучения, утечек таргета, временной валидации. Сильный SQL: оконные функции, оптимизация запросов на больших объёмах данных. Python на уровне уверенной работы с pandas, numpy, scikit-learn. Статистика: проверка гипотез, доверительные интервалы, дизайн экспериментов. Умение переводить технические результаты в бизнес-рекомендации и аргументированно их защищать перед заказчиками. Будет плюсом Опыт в кредитных рисках или знание риск-метрик (PD/LGD/EAD, roll rates, винтажный анализ) — если его нет, научим. Знакомство со скоринговыми картами, WoE/IV-биннингом, требованиями IFRS 9 / Basel. Эконометрика и causal inference: statsmodels, diff-in-diff, uplift-моделирование. Опыт построения ETL-процессов в Airflow и дашбордов в Superset / Tableau / Power BI. Опыт запуска A/B-тестов в продакшене.