Mid-Level Data Scientist – Banking and Financial Services
ITDS
Rola Data Scientist w sektorze bankowości i usług finansowych skupia się na projektach związanych z analizą danych, takich jak proces mining, analiza churnu, zapobieganie oszustwom i NLP. Kandydat będzie tworzył i walidował modele uczenia maszynowego, analizował złożone dane, współpracował z interesariuszami biznesowymi w celu definiowania wizji produktu i strategii danych, a także integrował rozwiązania oparte na danych z produktami.
Brakuje: szczegółowy opis narzędzi i technologii używanych do budowania i walidacji modeli ml., informacje o wielkości zespołu i jego strukturze..
Rola Data Scientist w sektorze bankowości i usług finansowych skupia się na projektach związanych z analizą danych, takich jak proces mining, analiza churnu, zapobieganie oszustwom i NLP. Kandydat będzie tworzył i walidował modele uczenia maszynowego, analizował złożone dane, współpracował z interesariuszami biznesowymi w celu definiowania wizji produktu i strategii danych, a także integrował rozwiązania oparte na danych z produktami.
- ✓Praca nad innowacyjnymi projektami data-driven wiodącego banku online.
- ✓Możliwość wpływu na kluczowe obszary takie jak churn, fraud prevention i NLP.
- ✓Hybrydowy model pracy z niewielką liczbą dni w biurze (2 dni/miesiąc).
- −Wymóg posiadania prawa do pracy w Unii Europejskiej może być barierą dla kandydatów spoza UE.
- −Chociaż wymieniono 'DevOps', nie ma jasności co do zakresu odpowiedzialności w tym obszarze.
- !Określenie 'Mid-Level' sugeruje pewien zakres doświadczenia, ale konkretne wymagania dotyczące lat doświadczenia (minimum 3 lata) są podane, co jest dobre.
- !Wymieniono 'Hadoop i Apache Spark' jako 'strong plus', ale nie ma jasności co do ich faktycznego wykorzystania w codziennej pracy.
- !Rola jest hybrydowa (2 dni w biurze/miesiąc), co może nie być idealne dla osób preferujących pełny zdalny tryb pracy.
- •Budowanie i walidacja modeli uczenia maszynowego dopasowanych do potrzeb biznesowych.
- •Analiza i interpretacja złożonych danych w celu wydobycia użytecznych wniosków.
- •Współpraca z interesariuszami biznesowymi w celu definiowania wizji produktu i strategii danych.
- •Identyfikacja, zbieranie i przygotowywanie wewnętrznych i zewnętrznych źródeł danych.
- •Udział w zespołach interdyscyplinarnych w celu integracji rozwiązań danych z produktami.
- •Wizualizacja i prezentacja wyników zarówno dla odbiorców technicznych, jak i nietechnicznych.
- •Projektowanie skalowalnych przepływów danych i potoków przy użyciu odpowiednich technologii.
- •Wykorzystanie metod statystycznych do wspierania procesów decyzyjnych.
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Kandydat z minimum 3 latami doświadczenia w data science, z solidnymi podstawami w uczeniu maszynowym, biegły w SQL i Pythonie (NumPy, Pandas, SciPy, Matplotlib). Powinien umieć tłumaczyć problemy biznesowe na rozwiązania analityczne, rozumieć analizę statystyczną i wizualizację danych, a także mieć dobre umiejętności komunikacyjne. Wymagana biegła znajomość polskiego i prawo do pracy w UE.
Rola nie jest dla osób z mniejszym niż 3-letnim doświadczeniem w data science, ani dla tych, którzy nie mają solidnych podstaw w uczeniu maszynowym, nie są biegli w SQL i Pythonie (NumPy, Pandas, SciPy, Matplotlib). Kandydaci bez umiejętności tłumaczenia problemów biznesowych na rozwiązania analityczne lub bez dobrej znajomości języka polskiego i prawa do pracy w UE nie będą odpowiedni.
- ?Jakie są konkretne przykłady projektów z obszaru proces mining, churn analysis, fraud prevention i NLP, nad którymi pracował zespół?
- ?Jak wygląda proces wdrażania modeli uczenia maszynowego do środowiska produkcyjnego?
- ?Jakie są główne narzędzia i technologie używane do wizualizacji danych i prezentacji wyników?
- ?Jak wygląda współpraca z interesariuszami biznesowymi w kontekście definiowania wizji produktu i strategii danych?
- ?Jakie są możliwości rozwoju w ramach tej roli, np. nauka nowych technologii ML?
- ?Jakie są oczekiwania dotyczące znajomości Azure w praktyce?
- −Szczegółowy opis narzędzi i technologii używanych do budowania i walidacji modeli ML.
- −Informacje o wielkości zespołu i jego strukturze.
- −Szczegóły dotyczące procesu rekrutacyjnego.
- −Informacje o konkretnych danych, z którymi kandydat będzie pracował.
Proces rekrutacyjny nie został szczegółowo opisany w ogłoszeniu.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Data Visualization.