Data Scientist (СРМ и Оптимизации)

Вакансия № 31404651 от компании ООО ГК Иннотех | Большие данные на Электронной Службе Занятости Населения Москвы.

✷ Смотрите другие предложения работы от компании ООО ГК Иннотех | Большие данные.

☑ Основной блок:

Опыт работы: 1–3 года.

Тип занятости: полная занятость.

График работы: удаленная работа.

Зарплата: по результату собеседования.

Примерное место работы: Россия, Москва.

☑ Актуальность объявления:

Это объявление № 31404651 добавлено в базу данных: Пятница, 21 февраля 2025 года.

Дата его обновления на этом интернет-ресурсе: Понедельник, 17 марта 2025 года.

☑ Статистика предложения работы № 31404651:

Прочитано соискателями - 6 раз(а);
Отправлено откликов - 0 раз(а);

☑ Репутация компании "ООО ГК Иннотех | Большие данные":

Читайте свежие отзывы сотрудников об этом работодателе здесь!

Оставить своё мнение об этой компании можно тут без регистрации и бесплатно.

☑ Подробности о вакантном месте:

Наши пожелания к кандидатам:

Опыт работы в банковском/финансовом/телеком/ритейл секторе от 2-х лет в роли аналитика/DS, понимание банковских бизнес-процессов, опыт в моделировании.
Уверенное владение Python, Spark.
Знание алгоритмов ML: деревьев решений и случайных лесов, регрессии, бустингов, кластеризации, временных рядов и др., понимание принципов работы рекомендательных систем и лежащих в основе алгоритмов, опыт работы с текстовыми данными приветствуется (NLP: тематическое моделирование, поиск ключевых слов, анализ тональности, задачи суммаризации, шаблонизации и др.).
Умение работать в условиях многозадачности, самостоятельность.
Знание DL приветствуется: опыт обучения и использования нейросетей и предобученных моделей (RNN, LSTM, BERT, GPT).
Развитые навыки soft-skills.
Опыт написания ТЗ, БТ, проектной документации.
Способность поддержки full-stack разработки от сбора требований к задаче до реализации, документации и последующего мониторинга моделей.
Наличие публикаций по ML/DL, опыт выступления на ML-конференциях – как плюс.
Ценится проактивный и творческий подход в решении задач.

О нас:

Работа с Hadoop (Impala, Spark) в Jupyter Hub
Наиболее часто применяемые методы: деревья решений, бустинги, лог.регрессия, различные методы кластеризации, ALS/SVD, методы NLP, нейросети для анализа транзакционных данных, текстовой аналитики, для создания эмбеддингов.
Примеры задач: профилирование и сегментирование клиентов, анализ интересов, склонностей к определенным видам кредитных и некредитных продуктов, к категориям транзакций, к каналам коммуникации (next best action, best channel, best time to call), системы рекомендаций продуктов и услуг, прогнозирование уровня удовлетворенности клиентов сервисами банка и каналами взаимодействия, аналитика точек продаж, анализ инвестиционного риск-аппетита, задачи оптимизации, выявление родственных связей, анализ отзывов в сети Интернет и суммаризация текстов обращений, задачи поиска шаблонов в смс, прогнозирование LTV и др.
Активный knowledge sharing внутри команды и управления, brainstorming
Выступаем на конференциях, публикуем статьи, по возможности занимаемся RnD
Ведение проектов по Agile/Scrum в Cфера (аналог Jira и Confluence), Gitlab+BitBucket+MLFlow