Chief data officer in fintech

Группа компаний «ВБЦ» — российская FinTech-компания, более 10 лет работающая на рынке B2B- и B2G-финансовых услуг. ВБЦ является аккредитованной ИТ-компанией. Ключевое направление бизнеса — банковские гарантии; также компания развивает кредитование и страхование. В основе бизнеса — взаимодействие с агентской сетью и банками, значительный объём исторических и текущих данных, сложные продуктовые воронки и большой потенциал для роста выручки за счёт аналитики, скоринга и автоматизации решений.

• Оценить динамику доли ВБЦ на рынке в 2026 году по сравнению с 2025 годом: определить динамику, выявить причины изменений и предложить план действий.
• Проводить глубокий анализ рынка и конкурентов: сравнивать продуктовые условия, каналы, агентские механики и факторы, влияющие на выбор платформы.
• Развивать глубокую агентскую аналитику: сегментацию, когорты, воронки, активность, удержание, приток и отток, доходность, потенциал и качество агентской базы.
• Выявлять скрытые резервы роста и неочевидные потери в воронках, продуктах, каналах, агентской сети и взаимодействии с банками; переводить выводы в конкретные бизнес-гипотезы.
• Проектировать, запускать и оценивать краткосрочные и долгосрочные акции, программы лояльности и другие механики роста; выстраивать корректный дизайн экспериментов и оценку эффекта.
• Анализировать эффект от внедрения ступенчатого агентского вознаграждения при различных условиях и уровнях выполнения планов; предлагать KPI и параметры мотивации, обеспечивающие результат.
• Оценивать банковские скоринговые модели на исторических данных и потенциал автоматизированной маршрутизации заявок; определять, в какой банк и при каких условиях целесообразно направлять заявку.
• Создавать и внедрять data-driven модели для управления агентской базой: скоринг, прогноз притока и оттока, next best action, приоритизация и оценка эффекта от «раскачки» конкретного банка.
• Развивать кросс-продажи между банковскими гарантиями, кредитованием и страхованием на основе клиентских и агентских данных.
• Помогать автоматизировать управленческий учёт; обеспечивать полноту, чистоту и своевременность данных, единые определения показателей и доверие бизнеса к отчётности.
• Развивать BI-контур и дашборды для акционеров и руководителей: от единой системы ключевых метрик до инструментов регулярного контроля и поиска отклонений.
• Формировать портфель data-инициатив, приоритизировать их по ожидаемой ценности, контролировать внедрение и подтверждать фактический экономический эффект после запуска.
• Внедрять культуру принятия управленческих решений на основе данных; убедительно и простым языком объяснять акционерам и бизнес-команде выводы, ограничения моделей и рекомендуемые действия.
• Определять приоритетные сценарии применения ИИ и ML в продуктах и внутренних процессах компании: скоринг и маршрутизация заявок, прогнозирование поведения агентов и клиентов, поиск аномалий, обработка документов, интеллектуальные помощники и автоматизация аналитики.
• Организовывать полный цикл разработки и внедрения ML-решений: от постановки задачи, подготовки данных и выбора подхода до тестирования, интеграции в бизнес-процесс, мониторинга качества и подтверждения экономического эффекта.
• Оценивать возможности применения генеративного ИИ и LLM, включая RAG, интеллектуальный поиск, классификацию и извлечение данных из документов, подготовку аналитических выводов и создание AI-ассистентов для сотрудников.

• Опыт в данных и аналитике от 3 лет.
• Реализованные проекты полного цикла: от постановки бизнес-задачи и подготовки данных до внедрения решения в процесс и подтверждения эффекта в выручке, маржинальности, конверсии, удержании или снижении затрат.
• Опыт в финтехе, банке, финансовом маркетплейсе или другом цифровом бизнесе со сложными воронками и большим количеством транзакционных данных.
• Сильная экспертиза в клиентской и коммерческой аналитике, скоринге, прогнозных моделях, сегментации, управлении оттоком, программах лояльности, ценообразовании или кросс-продажах.
• Понимание методов оценки причинно-следственного и инкрементального эффекта: A/B-тесты, контрольные группы, корректное сравнение до и после запуска.
• Практическое понимание полного data-контура: источники и витрины данных, DWH, ETL/ELT, BI, качество данных, Data Governance, разработка и промышленная эксплуатация ML-моделей.
• Уверенное владение SQL и понимание возможностей Python; способность самостоятельно погрузиться в данные, проверить гипотезу и оценить качество аналитического решения.
• Умение работать с акционерами и топ-менеджерами: переводить бизнес-проблемы в аналитические задачи, защищать приоритеты и объяснять сложные выводы простым языком.
• Прагматичный подход: умение выбирать достаточную по сложности модель, быстро запускать MVP и одновременно строить устойчивую архитектуру данных там, где это оправдано бизнесом.
• Практический опыт применения методов машинного обучения для решения коммерческих или продуктовых задач: скоринг, прогнозирование, классификация, рекомендации, выявление аномалий, оптимизация или обработка текстовых данных.
• Понимание принципов работы основных классов ML-моделей и умение оценивать их качество с использованием корректных бизнес- и технических метрик.
• Опыт участия в полном цикле внедрения ML-моделей: подготовка признаков и обучающих выборок, валидация, тестирование, интеграция в бизнес-процессы, мониторинг качества и оценка фактического эффекта.
• Умение находить экономически обоснованные сценарии применения ИИ, формировать требования к AI-решениям и оценивать их эффект в выручке, конверсии, скорости процессов, качестве решений или снижении затрат.
• Будет плюсом: Опыт в банковских гарантиях, кредитовании, страховании или работе с продуктами по 44-ФЗ и 223-ФЗ; Опыт аналитики агентских, партнёрских или дилерских сетей и построения моделей вознаграждения; Практические кейсы автоматизированной маршрутизации заявок, банковского скоринга и оптимизации взаимодействия с финансовыми организациями; Опыт построения функции управления данными с нуля или существенной трансформации существующей data-функции; Опыт автоматизации управленческого учёта и построения единой системы отчётности для CEO и акционеров; Опыт промышленного внедрения ML- или AI-решений, непосредственно повлиявших на финансовые показатели, конверсию, качество скоринга, скорость обработки заявок или операционные затраты; Опыт внедрения решений на основе LLM: RAG-систем, AI-ассистентов, интеллектуального поиска, обработки неструктурированных документов или автоматизированной подготовки аналитических выводов; Опыт выбора и внедрения российских или зарубежных AI-платформ и моделей с учётом требований к информационной безопасности и размещению данных

• Ключевую роль с прямым влиянием на стратегию, коммерческую модель и финансовый результат компании.
• Прямое взаимодействие с акционерами и топ-командой, возможность влиять на управленческие решения.
• Возможность сформировать целевую data-функцию и самостоятельно определить приоритеты её развития.
• Работу с реальными бизнес-задачами, историческими данными и широкой экосистемой банков, агентов и финансовых продуктов.
• Официальное оформление в аккредитованной ИТ-компании; условия и формат работы обсуждаются индивидуально.