Data Scientist в ПАО Сбербанк Москва

Data Scientist в команду «Мотивационный профиль» Сбера. Задача — извлекать психометрические характеристики клиентов из анкет, интервью и поведенческих данных и масштабировать их на широкую клиентскую базу для персонализации и моделирования поведения.

Задачи:

• Работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки
• Подбирать постановку задачи в зависимости от объёма и качества данных: supervised learning, weak supervision, few-shot и другие подходы
• Сравнивать методы моделирования — от rule-based решений и классического ML до моделей на основе embeddings и LLM
• Обучать модели для предсказания психометрических и поведенческих характеристик клиента
• Масштабировать характеристики, доступные для ограниченной выборки клиентов, на широкую клиентскую базу
• Оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях — сегментации, персонализации и моделировании поведения клиента
• Работать с неструктурированными данными, в том числе с текстами глубинных интервью
• Строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков
• Сопоставлять информацию из текстов с поведенческими и транзакционными данными
• Проверять качество разметки и данных, анализировать смещения выборки и устойчивость полученных признаков
• Оценивать репрезентативность обучающей выборки и возможность переноса результатов на широкую клиентскую базу

Требования:

• Опыт работы Data Scientist / ML Engineer от 2–3 лет
• Уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost
• Опыт построения supervised ML-моделей для табличных данных
• Хорошее понимание задач классификации, регрессии и ранжирования
• Опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск
• Понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов
• Умение проектировать метрики и схемы offline-валидации для нестандартных задач
• Умение работать с неоднозначными таргетами, шумной разметкой и неполными данными
• Уверенная работа с большими данными
• Способность переводить бизнес-гипотезу в ML-задачу: формализовать постановку, определить требования к данным и метрикам, учесть ограничения и сформулировать критерии успешности
• Умение понятно объяснять результаты как ML-специалистам, так и продуктовой команде

Условия:

• Комфортный современный офис рядом с м. Кутузовская
• Возможность выбрать удобный график — офис/гибрид
• Ежегодный пересмотр зарплаты, годовая премия
• Корпоративный спортзал и зоны отдыха
• Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• Программа адаптации и помощь руководителя на старте
• Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• Гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• Подписка Прайм с возможностью совместного использования на трёх близких
• Вознаграждение за рекомендацию друзей в команду Сбера

Навыки:

• Python
• pandas
• numpy
• scikit-learn
• CatBoost
• LightGBM
• XGBoost
• NLP
• embeddings
• sentence-transformers
• кластеризация
• классификация текстов
• семантический поиск
• LLM
• prompting
• few-shot
• zero-shot
• LLM-разметка
• supervised learning
• weak supervision
• big data