Termgrid Inc.

Data Scientist

Индия3 месяца назад

Детали

Формат работы

Удалённо

Сопроводительное письмо к вакансии

Письмо на почту или сообщение рекрутеру в Telegram

О вакансии

Termgrid меняет правила игры на рынках частного акционерного капитала. Мы создали операционную систему, определяющую категорию для специалистов по сделкам — платформу, на которой самые авторитетные спонсоры частного акционерного капитала, кредиторы и консультанты со всего мира управляют каждым этапом своих финансовых процессов.

Основанная в 2019 году Дипишем Раем (Harvard MBA, IIT, Columbia; экс- Providence Equity) и Вишалом Сингхом (Columbia MS CS; экс- CTO Link3D, приобретенная Nasdaq: MTLS), Termgrid достигла того, о чем немногие финтех-компании могут мечтать: 4 из 5 ведущих мировых фондов частного акционерного капитала доверяют нам как своему основному технологическому партнеру. 1600+ учреждений. 30 000+ специалистов.

Роль Мы добавляем в платформу интеллектуальные рекомендации: незаметно предлагаем пользователям наиболее релевантные связи, контрагентов и возможности в нужный момент, основываясь на социальных сигналах (кто с кем связан, активность в сети) и транзакционных сигналах (кто с кем совершает сделки). Цель — тонкое и действительно полезное обнаружение, а не навязчивый маркетинг.

Вы будете первым специалистом по данным, который будет создавать это с нуля, используя данные, которые многие компании хотели бы иметь. Это роль, предполагающая создание и владение продуктом для тех, кто умеет добиваться результатов.

Задачи

Создание и владение первыми функциями рекомендаций, предлагающими релевантные связи, контрагентов и возможности внутри продукта
Применение классических методов рекомендаций: коллаборативная фильтрация, кластеризация, метод ближайших соседей и стандартные модели машинного обучения на социальных и транзакционных данных
Начните с простого, затем добавьте вложения, поиск по сходству и ранжирование там, где они будут уместны
Работа с разреженными данными и проблемой «холодного старта» для новых пользователей и сущностей
Поддержание тонкости, релевантности и надежности рекомендаций: полезное обнаружение в финансовом продукте, а не рекламный слоган. Это вопрос продуктового и UX-суждения в той же мере, что и моделирования
Владение оценкой: офлайн-метрики плюс онлайн-эксперименты, связанные с реальным вовлечением и принятием, а не с « vanity metrics ».
Партнерство с бэкенд-инженерами по вопросам обслуживания и внедрение легких, полезных практик машинного обучения в качестве первого специалиста по данным в этой области

Требования

Прочный практический опыт создания систем рекомендаций или персонализации в производственной среде
Глубокое понимание классических методов рекомендаций: коллаборативная фильтрация, кластеризация, метод ближайших соседей и стандартные модели машинного обучения
Основы рекомендательных систем: вложения и поиск по сходству или векторный поиск, ранжирование, инжиниринг признаков и строгая оценка
Отличное знание Python (pandas, numpy, scikit-learn) и SQL
Опыт проведения экспериментов: вы проектируете и интерпретируете A/B-тесты и знаете разницу между офлайн- и онлайн-улучшением
Продуктовое и бизнес-суждение, а также прагматизм: вы можете сделать так, чтобы рекомендации казались тонкими и релевантными, а не навязчивыми, вы начинаете с простого, добиваетесь результатов и улучшаете
Желательно: опыт работы на рынках капитала, в сфере частного кредитования или финтеха; методы графов или сетей (графовые вложения, GNN, предсказание связей) как бонус для будущей сложности; опыт работы в качестве первого или одного из первых специалистов по данным

Termgrid is rewriting the rules of private capital markets. We built the category-defining operating system for deal professionals — the platform where the world's most sophisticated private equity sponsors, lenders, and advisors manage every stage of their financing workflows.

Founded in 2019 by Dipish Rai ( Harvard MBA, IIT, Columbia; ex- Providence Equity) and Vishal Singh (Columbia MS CS; ex- CTO Link3D, acquired by Nasdaq: MTLS), Termgrid has achieved what few fintech companies dream of: 4 of the top 5 global private equity firms trust us as their core technology partner. 1600+ institutions. 30,000+ professionals.

The Role We are adding intelligent recommendations to the platform: quietly surfacing the most relevant connections, counterparties, and opportunities to users at the right moment, drawn from social signals (who is connected to whom, network activity) and transaction signals (who transacts with whom). The bar is subtle and genuinely useful discovery, not a salesy push.

You will be the first data scientist building this, from the ground up, on data most companies would love to have. It is a build-and-own role for someone who ships.

Responsibilities

Build and own the first recommendation features, surfacing relevant connections, counterparties, and opportunities inside the product.
Apply classical recommendation techniques well: collaborative filtering, clustering, nearest neighbors, and standard ML models, on social and transaction data.
Start simple, then layer in embeddings, similarity search, and ranking where they earn their place.
Handle sparse data and cold-start for new users and entities.
Keep recommendations subtle, relevant, and trustworthy: helpful discovery in a finance product, not a sales pitch. This is a product and UX judgment call as much as a modeling one.
Own evaluation: offline metrics plus online experiments tied to real engagement and adoption, not vanity numbers.
Partner with backend engineering on serving, and set light, useful ML practices as the first data scientist in this area.

Requirements

Solid, hands-on experience building recommendation or personalization systems in production.
Strong grasp of classical recommendation methods: collaborative filtering, clustering, nearest neighbors, and standard ML models.
Recommendation foundations: embeddings and similarity or vector search, ranking, feature engineering, and rigorous evaluation.
Strong Python (pandas, numpy, scikit-learn) and strong SQL.
Experimentation literacy: you design and read A/B tests and know the difference between offline and online lift.
Product and business judgment, plus pragmatism: you can make recommendations feel subtle and relevant rather than salesy, you start simple, ship, and improve.
Nice to have: capital markets, private credit, or fintech domain exposure; graph or network methods (graph embeddings, GNNs, link prediction) as a bonus for future sophistication; early or founding data scientist experience.

Подходит ли тебе эта вакансия?

Сравним навыки, грейд, формат работы и зарплату

Оценка зарплаты

2 490 000INRв год

Чаще всего от 1 940 000 до 3 970 000

Data Scientist

Индия3 месяца назад

Детали

Формат работы

Удалённо