Руководитель дирекции моделирования кредитных рисков

Описания нет

• Управлять командой Data Scientists, ML-инженеров и аналитиков данных (от постановки целей до формирования кадрового резерва) в направлениях кредитного скоринга, коллекшн (collection) и антифрода (fraud).
• Выстраивать стратегию развития направления и управлять портфелем инициатив, обеспечивая их экономическую эффективность и синхронизацию с бизнес-целями Банка.
• Обеспечивать полный жизненный цикл DS/AI/ML-продуктов: от бизнес-гипотезы и Research до внедрения в промышленную эксплуатацию, MLOps-сопровождения и постоянного мониторинга.
• Внедрять аналитические решения для автоматизации процессов принятия решений, управления кредитными рисками и противодействия мошенничеству (включая работу с риск-метриками: DR, AR, CoR и др.).
• Выстраивать эффективное взаимодействие с бизнес-подразделениями, ИТ-архитектурой, регуляторными органами и топ-менеджментом для защиты интересов Банка и соблюдения требований МСФО 9/Базеля.

• Опыт работы в Data Science / AI / ML — от 5 лет, из них не менее 2 лет на руководящей позиции (Team Lead / Head of Department).
• Реальный опыт управления командами DS, ML-инженеров, MLOps и аналитиков: постановка KPI, развитие компетенций, управление производительностью, найм и формирование кадрового резерва.
• Опыт разработки стратегии и управления портфелем проектов, а также бесшовного взаимодействия с бизнесом, ИТ и регуляторами.
• Глубокое понимание кредитных рисков (PD, LGD, EAD), процессов андеррайтинга, коллекшна и антифрода (включая AML и риск-мониторинг).
• Знание ключевых риск-метрик (DR, AR, CoR), банковского законодательства и требований регулятора (включая МСФО 9, управление модельным риском и защиту ПД).
• Опыт оценки бизнес- и экономического эффекта от внедрения ML-решений.
• Практический опыт управления полным жизненным циклом ML-продуктов: от подготовки данных до деплоя, мониторинга и переобучения в промышленной среде.
• Владение современным стеком: Python, SQL, Git, а также опыт работы с Airflow, MLflow, Docker, JupyterHub, Hadoop, DVC или аналогами для построения MLOps-пайплайнов.
• Глубокие знания методов оценки моделей (Gini, PSI, A/B-тесты, интерпретация через SHAP/LIME) и опыт работы с большими объемами данных.
• Будет плюсом: Опыт внедрения GenAI / LLM-решений (RAG, AI-агенты, LangChain) в финансовом секторе; Опыт работы с компьютерным зрением (Computer Vision) в задачах скоринга или верификации

• Условий в вакансии нет