Data Scientist

Hawk — ведущий поставщик технологий для борьбы с отмыванием денег (AML) и обнаружения мошенничества с поддержкой ИИ. Банки и платежные системы по всему миру используют мощное сочетание традиционных правил и объяснимого ИИ от Hawk для повышения эффективности соблюдения требований AML и предотвращения мошенничества, выявляя больше преступлений и максимизируя эффективность за счет снижения количества ложных срабатываний. С нашим решением мы играем жизненно важную роль в глобальной борьбе с отмыванием денег, мошенничеством или финансированием терроризма. Мы предлагаем культуру взаимного доверия, поддержки и увлеченности, предоставляя людям возможности для профессионального роста и внесения вклада в мир.

ВАША МИССИЯ

В роли специалиста по работе с данными клиентов (Customer Data Scientist) в Hawk вы — человек, которому наши клиенты доверяют, чтобы их модели AML и обнаружения мошенничества действительно работали на них: были настроены под их транзакционные паттерны, проходили проверку регуляторами и демонстрировали эффективность в их собственных показателях. Вы работаете в составе региональной команды по работе с клиентами, непосредственно с партнерами по ценности для клиента (Customer Value Partners) над реальными аккаунтами, а не за стеной тикетов от центральной функции анализа данных. Ваша работа охватывает настройку моделей и пороговых значений, глубокое аналитическое исследование эффективности обнаружения и создание нарратива для клиента, который точно показывает, что было улучшено и почему. Вы уже делали это перед клиентами и знаете разницу между моделью, которая хорошо показывает себя в ноутбуке, и той, которая выдерживает реальную рабочую нагрузку следователя.

• Настройка и оптимизация моделей обнаружения и пороговых значений на основе реальных транзакционных данных каждого клиента, балансируя эффективность обнаружения против нагрузки ложных срабатываний, а не только по эталонному набору данных

• Глубокое исследование эффективности обнаружения: изучение пропущенных случаев, качества оповещений и дрейфа паттернов, а также преобразование полученных результатов в конкретные изменения настроек или конфигурации

• Перевод технических выводов в понятные для клиента инсайты: создание аналитических отчетов, демонстрирующих повышение продуктивности следователей, снижение затрат на ложные срабатывания и улучшение эффективности обнаружения на языке, который используют руководители по комплаенсу и управлению рисками клиента

• Непосредственное участие во встречах с клиентами. Представление результатов, защита вашей методологии перед собственной командой по анализу данных или комплаенсу клиента, а также ответы на сложные вопросы «почему модель сделала это» в режиме реального времени

• Тесное сотрудничество с вашими региональными партнерами по ценности для клиента (Customer Value Partners) в области стратегии работы с аккаунтами, информирование о том, где модель должна измениться, чтобы раскрыть следующий этап реализации ценности или подготовить почву для продления контракта

• Передача паттернов и выводов в более широкие функции разработки моделей и продуктов Hawk, различая «этому клиенту нужна локальная настройка» и «это системный пробел, который стоит исправить централизованно»

• Ответственность за регуляторную обоснованность принимаемых вами решений по настройке. Документирование ваших рассуждений, чтобы они выдержали проверку клиента или надзорного органа

• Обеспечение строгости при проверке изменений модели перед их внедрением: бэктестинг, выборочная проверка и дисциплина утверждения, которые защищают комплаенс-положение клиента

• 5-7 лет опыта работы в качестве специалиста по данным (data scientist) в роли, ориентированной на клиента, с представлением аналитики и защитой решений по моделям непосредственно перед клиентами. Это не внутренняя инженерная или продуктовая наука о данных; вы раньше сидели за столом напротив клиента

• Обязателен реальный опыт работы в области AML, обнаружения мошенничества или аналитики финансовых преступлений. Вы понимаете мониторинг транзакций, типологии и то, сколько на самом деле стоят ложные срабатывания для следователя, а не только то, сколько они стоят в матрице ошибок

• Сильные практические навыки работы со стандартным набором инструментов для науки о данных (Python, SQL и любыми инструментами машинного обучения, которые вы использовали в производстве), но ваше преимущество — это суждение в условиях неопределенности: знание того, когда изменение модели безопасно внести, а когда требуется участие человека

• Уверенность в роли технического представителя в помещении с заинтересованными сторонами клиента по управлению рисками, комплаенсу или анализу данных, и способность отстаивать свою позицию при возникновении вопросов

• Опыт преобразования производительности модели в бизнес-ценность, которую нетехнический представитель может использовать: не только метрики точности, но и сэкономленные часы следователей, избежанные затраты на ложные срабатывания и пойманные случаи

• Искреннее комфортное отношение к неопределенности и живым производственным системам. Вы ищете не чистую исследовательскую проблему в автономном режиме, а проблему «почему это оповещение сработало на данных реального клиента в 14:00 сегодня»

• Менталитет собственника. Вы не ждете тикета; вы замечаете, когда эффективность обнаружения на аккаунте снижается, и идете выяснять почему