Senior Data Scientist

Позиция Senior DS
Куда: Финансовые сервисы Яндекса
Вилка гросс: 350-550 + премия раз в пол года по результатам ревью ~ 120% от оклада

Про нас:
ML в Финтехе — это всё машинное обучение финансовых продуктов Яндекса: от кредитного скоринга и управления рисками до маркетинговых моделей, рекомендаций и GenAI-ассистентов. Команда не просто обучает модели, а отвечает за весь их жизненный цикл — от поиска и подготовки данных, обучения и экспериментов до вывода в прод и поддержки стабильности в рантайме. За счёт этого ML напрямую влияет на продукт, а результат меряется бизнес-метриками, а не только офлайн-качеством.

Что предстоит делать?
• Прогнозирование LTV (Lifetime Value) клиентов
С помощью ML-моделей прогнозируем долгосрочную ценность каждого клиента для компании. Это позволяет не просто сегментировать аудиторию, а выстраивать клиентоориентированную стратегию: оптимизировать маркетинговые затраты, разрабатывать персонализированные предложения и, как следствие, напрямую влиять на ключевые финансовые показатели бизнеса.

• Моделирование вероятности оттока клиентов (Churn Prediction)
Удержать существующего клиента дешевле, чем найти нового. Модели прогнозирования оттока — это инструмент для точечного и своевременного вмешательства, позволяющий не только сократить потери, но и гарантировать стабильный поток доходов от основной клиентской базы.

• Построение uplift-моделей для оптимизации коммуникаций
Определяем, для каких пользователей какая коммуникация будет наиболее эффективна. В результате мы минимизируем раздражение от спама и оптимизируем рекламные расходы, повышая эффективность каждой коммуникации.

• Разработка моделей персональных рекомендаций
Персональные рекомендации значительно улучшают пользовательский опыт, помогая клиентам быстрее находить нужное и открывать новые возможности наших сервисов. Это напрямую ведёт к увеличению вовлечённости, глубины использования продукта и конверсии в целевые действия, что в итоге повышает клиентскую лояльность и доход.

• Построение транзакционных эмбеддингов пользователей
Мы строим нейросетевые модели, которые превращают сырую транзакционную активность пользователей — оплаты в сервисах Яндекса, операции по дебетовой карте — в векторные представления поведенческого профиля клиента. Эти универсальные эмбеддинги усиливают качество моделей в самых разных задачах компании.

Требования:
• Понимаете принципы классического ML и работали с ним
• Понимаете принципы DL и работали с ним
• Хорошо знакомы с Python и SQL
• Разрабатывали модели и желательно внедряли их в продакшн
• Готовы отвечать за продакшн-модели в рантайме

Будет плюсом:
• Используете LLM в day-to-day-жизни или pet-проектах
• Понимаете, как устроены LLM
• Понимаете, как устроены RAG- и агентские системы

Ответы на 10 вопросов:
1. Данные: YT - яндексовский аналог Hadoop-стека
2. Железо: YT - 5 PiB, 5000 ядер. Продакшн: MLPlatforma - платформа для раскатки моделей в прод. Для работы: Macbook
3. Масштаб влияния на бизнес: Отвечаем за весь прикладной ML (кроме скоринга) в Яндекс Финтехе: LTV, Churn, Uplift-модели коммникаций, рекомендации, модели баланса и т.д.
4. Уровень развития DS в компании: Яндекс - высокий уровень развития DS
5. Роль дата сайентиста: end-to-end - отвечаем за полный цикл разработки: от челленджа идеи до выкатки модели в продакшн
6. Бэкграунд у руководителя:
linkedin
7. Как часто вам будут мешать работать: 3 встречи с командой в неделю + 1-2 встречи с заказчиками
8. Карьерный рост:
полугодовые ревью с пересмотром зп и грейда
9. Prod/Research: 90% продакшн разработка
10. Функция сервиса или лидера? функция сервиса со старта

Как откликнуться на вакансию:
Свои CV и вопросы направлять сюда: tg @Pmkhalilov