ML-разработчик в Финтех

Ориентир по рынку≈ 150 000 – 335 000 ₽наша приблизительная оценка по 88 вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисMiddleПолная занятостьКорпорация

≈ 150 000 – 335 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги». Объявление живое, и что за работа, понятно из текста.

3 из 4 в норме

Вилку не назвали: какую сумму назвать вам и ниже какой не соглашаться

Наша компания

Наша команда занимается разработкой и внедрением прикладных ML-решений для финтех-продуктов Яндекса. Мы отвечаем за весь жизненный цикл моделей: от поиска и подготовки данных, построения и обучения ML-моделей до их внедрения в продакшн и последующего поддержания их стабильности. Такой подход позволяет прямо влиять на продукт и оценивать результат по бизнесовым метрикам.

Чем предстоит заниматься

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

Больше об ML в Яндексе — в канале Yandex for ML