Scoring Developer в МФО

1. Проектирование ETL-систем для гибридных данных

• Интеграция традиционных источников (кредитные истории, заявки) с альтернативными данными (социальные профили, транзакции) через Apache NiFi.
• Оптимизация feature engineering для логистической регрессии: расчет WoE, IV, обработка мульлитиколлинеарности (VIF-анализ).

2. Разработка интерпретируемых скоринговых моделей

• Построение и валидация логистических регрессий с оценкой значимости предикторов (p-values, OR-интерпретация).
• Автоматизация скоринга в реальном времени через REST API (FastAPI, Flask) с интеграцией в CRM-системы.

3. Мониторинг стабильности моделей и портфеля

• Расчет PSI (Population Stability Index) и CSI (Characteristic Stability Index) для детекции дрифта.
• Stress-testing: сценарный анализ влияния макроэкономических факторов (инфляция, безработица) на PD (вероятность дефолта).

4. Документирование

• Подготовка валидационных отчетов с акцентом на Gini-коэффициент, AUC-ROC
• Ведение Базы знаний, описывающую методологию разработки моделей
• Реализация моделей в production с аудитом логики принятия решений (white-box подход).

5. Разработка антифрод-механизмов на основе правил и ИИ

• Создание алгоритмов детекции аномалий (z-score, метод межквартильных размахов).
• Эксперименты с графовыми анализами для выявления мошеннических схем (например, выявление "кольцевых" заявок).

6. Оптимизация бизнес-метрик через A/B-тестирование

• Определение оптимального cut-off на основе матрицы классификации (precision/recall, F1-score) и unit-экономики.
• Расчет NPV кредитного портфеля с учетом LGD (Loss Given Default) и EAD (Exposure at Default).

Технологический стек:

• Основные инструменты: Python (Statsmodels, Scipy), SQL, SAS, Power BI
• Методологии: Waterfall/Agile-моделирование, версионный контроль моделей (DVC)
• Инновации: Автоматизация отчетности через Jupyter + LaTeX, эксперименты с экспертно-статистическими гибридными системами

Почему это интересно:

• Возможность улучшить логистическую регрессию так, чтобы она конкурировала с "черными ящиками" за счет feature engineering и domain knowledge.
• Работа с данными, где 80% фичей — категориальные (адрес, профессия, цель займа), требующие креативного кодирования.
• Внедрение ИИ-элементов (например, NLP для анализа текстовых полей заявок) без потери интерпретируемости.

Ждем от кандидата:

• Глубокое понимание статистики: от проверки гипотез (t-test, χ²) до анализа мощности модели.
• Опыт оптимизации логистической регрессии: подбор коэффициентов с учетом бизнес-ограничений (например, запрет на использование возраста в скоринге).
• Способность объяснить, почему коэффициент 0.5 для признака "наличие SIM-карты" снижает риск дефолта на 12%.

Что мы предлагаем:

• Влияние на продукт: ваша модель будет определять, кому дать шанс улучшить кредитную историю.
• Работа с уникальной выборкой: микрозаймы "до зарплаты" с динамикой дефолтов 15-45%.
• Развитие в смежные области: от скоринга коллекторских стратегий до предиктивной аналитики оттока.

P.S.

Это не просто расчет коэффициентов — это создание системы, где каждый параметр модели имеет экономический смысл, а ИИ-элементы дополняют, но не заменяют человеческую экспертизу. Если вы видите красоту в простоте и верите, что правильно настроенная регрессия может переиграть нейросети — давайте докажем это вместе.