Datenwissenschaftler

Über uns
Hawk ist der führende Anbieter von KI-gestützter Technologie zur Bekämpfung von Geldwäsche und Betrugserkennung. Banken und Zahlungsanbieter auf der ganzen Welt nutzen Hawks leistungsstarke Kombination aus traditionellen Regeln und erklärbarer KI, um die Effektivität ihrer AML-Compliance und Betrugsprävention zu verbessern, indem sie mehr Straftaten identifizieren und gleichzeitig die Effizienz durch die Reduzierung von Fehlalarmen maximieren. Mit unserer Lösung spielen wir eine entscheidende Rolle im weltweiten Kampf gegen Geldwäsche, Betrug oder die Finanzierung des Terrorismus. Wir bieten eine Kultur des gegenseitigen Vertrauens, der Unterstützung und der Leidenschaft – und bieten gleichzeitig Einzelpersonen die Möglichkeit, sich beruflich weiterzuentwickeln und einen Unterschied in der Welt zu machen.

Ihre Mission
Als Customer Data Scientist bei Hawk sind Sie die Person, der unsere Kunden vertrauen, damit ihre AML- und Betrugserkennungsmodelle tatsächlich für sie funktionieren: abgestimmt auf ihre Transaktionsmuster, vertretbar gegenüber ihren Aufsichtsbehörden und nachweislich effektiv in ihrer eigenen Zahl. Sie sitzen im regionalen Kundenteam und arbeiten direkt mit Customer Value Partnern an Live-Konten, nicht hinter einer Ticketwand einer zentralen Data-Science-Funktion. Ihre Arbeit umfasst die Optimierung von Modellen und Schwellenwerten, eine tiefgreifende analytische Untersuchung der Erkennungsleistung und den Aufbau einer kundenorientierten Darstellung, die genau zeigt, was verbessert wurde und warum. Sie haben dies bereits vor Kunden gemacht und kennen den Unterschied zwischen einem Modell, das in einem Notebook gut abschneidet, und einem Modell, das den Kontakt mit der Arbeitsbelastung eines echten Ermittlers übersteht.

Hauptaufgaben

• Passen Sie Erkennungsmodelle und Schwellenwerte anhand der Live-Transaktionsdaten jedes Kunden an und optimieren Sie sie, indem Sie die Erkennungswirksamkeit gegen die Anzahl falsch positiver Ergebnisse abwägen, nicht nur gegen einen Benchmark-Datensatz.

• Untersuchen Sie die Erkennungsleistung eingehend: Untersuchen Sie verpasste Fälle, Alarmqualität und Musterdrift und setzen Sie die Erkenntnisse in konkrete Optimierungs- oder Konfigurationsänderungen um.

• Übersetzen Sie technische Erkenntnisse in kundenorientierte Erkenntnisse: Erstellen Sie eine Analyse, die Produktivitätssteigerungen der Ermittler, eine Reduzierung der Falsch-Positiv-Kosten und Verbesserungen der Erkennungseffektivität in der Sprache zeigt, die die Compliance- und Risikoführung eines Kunden tatsächlich verwendet.

• Setzen Sie sich direkt mit den Kunden in den Raum. Präsentieren Sie Ergebnisse, verteidigen Sie Ihre Methodik vor dem Data Science- oder Compliance-Team eines Kunden und beantworten Sie die schwierigen Fragen „Warum hat das Modell das getan?“ live.

• Arbeiten Sie bei der Kontostrategie eng mit Ihren regionalen Customer Value Partnern zusammen und informieren Sie, wo sich das Modell ändern muss, um die nächste Stufe der Wertschöpfung oder ein Erneuerungsgespräch freizuschalten.

• Führen Sie Muster und Erkenntnisse zurück in die umfassenderen Modell- und Produktfunktionen von Hawk ein und unterscheiden Sie zwischen „dieser Kunde benötigt eine lokale Abstimmung“ und „dies ist eine systemische Lücke, die es wert ist, zentral behoben zu werden“.

• Überzeugen Sie sich von der regulatorischen Vertretbarkeit der von Ihnen getroffenen Optimierungsentscheidungen. Dokumentieren Sie Ihre Argumentation, damit ein Kundenaudit oder eine behördliche Überprüfung Bestand hat.

• Sorgen Sie für eine strenge Validierung von Modelländerungen, bevor diese in Betrieb genommen werden: Backtesting, Stichprobenprüfung und Genehmigungsdisziplin, die die Compliance-Haltung des Kunden schützt.

Ihr Profil

• 5–7 Jahre als Datenwissenschaftler in einer kundenorientierten Rolle, in der er Analysen präsentiert und Modellentscheidungen direkt gegenüber Kunden verteidigt. Dabei handelt es sich nicht um einen intern ausgerichteten technischen oder produktdatenwissenschaftlichen Hintergrund; Sie haben schon einmal einem Kunden am Tisch gesessen.

• Echte Erfahrung in den Bereichen AML, Betrugserkennung oder Finanzkriminalitätsanalyse ist erforderlich. Sie verstehen die Transaktionsüberwachung, Typologien und wissen, was ein falsch positives Ergebnis einen Ermittler tatsächlich kostet, und nicht nur, was es in einer Verwirrungsmatrix kostet.

• Starke praktische Kenntnisse im Standard-Data-Science-Stack (Python, SQL und alle ML-Tools, die Sie in der Produktion verwendet haben), aber Ihr Vorteil ist das Urteilsvermögen bei Mehrdeutigkeiten: Sie wissen, wann eine Modelländerung sicher durchgeführt werden kann und wann ein Mensch auf dem Laufenden sein muss.

• Fühlen Sie sich wohl, die technische Stimme in einem Raum mit den Risiko-, Compliance- oder Data-Science-Stakeholdern eines Kunden zu sein und sich bei Fragen zu behaupten.

• Eine Erfolgsbilanz bei der Umsetzung der Modellleistung in geschäftlichen Wert, auf den ein technisch nicht versierter Stakeholder reagieren kann: nicht nur Genauigkeitsmetriken, sondern auch eingesparte Ermittlerstunden, vermiedene Falsch-Positiv-Kosten und aufgedeckte Fälle.

• Echter Komfort mit Mehrdeutigkeit und Live-Produktionssystemen. Sie suchen nicht nach einem sauberen Offline-Rechercheproblem, sondern nach dem Problem „Warum wurde diese Warnung heute um 14 Uhr bei den Daten eines echten Kunden ausgelöst?“.

• Eine Eigentümermentalität. Sie warten nicht auf ein Ticket; Sie bemerken, wenn die Erkennungsleistung eines Kontos nachlässt, und finden den Grund dafür heraus.

Bonus

• Erfahrung speziell in der Transaktionsüberwachung oder Zahlungsbetrugserkennung bei einer Bank, einem Zahlungsanbieter oder einem Anbieter, der sie bedient.

• Vertrautheit mit erklärbaren KI- und regelbasierten Hybriderkennungsansätzen, da dies der Kern der Funktionsweise von Hawks Modellen ist.

Weitere englischsprachige Jobs in Deutschland finden Sie auf Arbeitnow

Quelle: Arbeitnow (https://www.arbeitnow.com/jobs/companies/hawk/data-scientist-munich-358174)