Επιστήμονας Δεδομένων

Σχετικά με εμάς
Η Hawk είναι ο κορυφαίος πάροχος τεχνολογίας κατά του ξεπλύματος χρήματος και της ανίχνευσης απάτης που υποστηρίζεται από AI. Οι τράπεζες και οι πάροχοι πληρωμών παγκοσμίως χρησιμοποιούν τον ισχυρό συνδυασμό παραδοσιακών κανόνων και εξηγήσιμης τεχνητής νοημοσύνης του Hawk για να βελτιώσουν την αποτελεσματικότητα της συμμόρφωσης με την AML και την πρόληψη της απάτης, εντοπίζοντας περισσότερο έγκλημα, ενώ μεγιστοποιούν την αποτελεσματικότητα μειώνοντας τα ψευδώς θετικά αποτελέσματα. Με τη λύση μας, διαδραματίζουμε ζωτικό ρόλο στον παγκόσμιο αγώνα κατά του ξεπλύματος χρήματος, της απάτης ή της χρηματοδότησης της τρομοκρατίας. Προσφέρουμε μια κουλτούρα αμοιβαίας εμπιστοσύνης, υποστήριξης και πάθους – παρέχοντας παράλληλα στα άτομα ευκαιρίες να αναπτυχθούν επαγγελματικά και να κάνουν τη διαφορά στον κόσμο.

Η αποστολή σας
Ως Επιστήμονας Δεδομένων Πελατών στο Hawk, είστε το άτομο που εμπιστεύονται οι πελάτες μας για να κάνουν τα μοντέλα AML και ανίχνευσης απάτης να λειτουργούν πραγματικά γι 'αυτούς: συντονισμένα με τα πρότυπα συναλλαγών τους, υπερασπιστικά για τις ρυθμιστικές αρχές τους και αποδεδειγμένα αποτελεσματικά στους δικούς τους αριθμούς. Κάθεστε μέσα στην τοπική ομάδα πελατών, εργάζεστε απευθείας με τους Συνεργάτες Αξίας πελατών σε ζωντανούς λογαριασμούς, όχι πίσω από έναν τοίχο εισιτηρίων από μια κεντρική λειτουργία επιστήμης δεδομένων. Η εργασία σας περιλαμβάνει συντονισμό μοντέλων και κατωφλίου, βαθιά αναλυτική έρευνα για την απόδοση ανίχνευσης και οικοδόμηση της αφήγησης για τον πελάτη που δείχνει ακριβώς τι βελτιώθηκε και γιατί. Το έχετε κάνει αυτό μπροστά σε πελάτες στο παρελθόν και γνωρίζετε τη διαφορά μεταξύ ενός μοντέλου που σημειώνει καλά αποτελέσματα σε ένα σημειωματάριο και ενός μοντέλου που επιβιώνει από την επαφή με τον φόρτο εργασίας ενός πραγματικού ερευνητή.

Βασικές Ευθύνες

• Συντονίστε και βελτιστοποιήστε τα μοντέλα και τα κατώφλια ανίχνευσης σε σχέση με τα ζωντανά δεδομένα συναλλαγών κάθε πελάτη, εξισορροπώντας την αποτελεσματικότητα ανίχνευσης έναντι ψευδώς θετικού φορτίου, όχι μόνο σε σχέση με ένα σύνολο δεδομένων αναφοράς.

• Διερευνήστε σε βάθος την απόδοση ανίχνευσης: ψάξτε σε χαμένες περιπτώσεις, ποιότητα ειδοποίησης και μετατόπιση μοτίβων και μετατρέψτε ό,τι βρείτε σε συγκεκριμένο συντονισμό ή αλλαγές διαμόρφωσης.

• Μεταφράστε τα τεχνικά ευρήματα σε ενημερωτικές πληροφορίες για τον πελάτη: δημιουργήστε την ανάλυση που δείχνει κέρδη παραγωγικότητας του ερευνητή, ψευδώς θετική μείωση κόστους και βελτιώσεις αποτελεσματικότητας εντοπισμού στη γλώσσα που χρησιμοποιεί πραγματικά η συμμόρφωση του πελάτη και η ηγεσία κινδύνου.

• Καθίστε στο δωμάτιο με τους πελάτες απευθείας. Παρουσιάστε τα ευρήματα, υπερασπιστείτε τη μεθοδολογία σας στην ομάδα επιστήμης δεδομένων ή συμμόρφωσης ενός πελάτη και απαντήστε ζωντανά στις σκληρές ερωτήσεις «γιατί το έκανε αυτό το μοντέλο».

• Συνεργαστείτε στενά με τους τοπικούς Customer Value Partners για τη στρατηγική λογαριασμού, ενημερώνοντας πού πρέπει να αλλάξει το μοντέλο για να ξεκλειδώσετε το επόμενο στάδιο υλοποίησης αξίας ή μια συνομιλία ανανέωσης.

• Επιστρέψτε τα μοτίβα και τα ευρήματα στο ευρύτερο μοντέλο και τις λειτουργίες του προϊόντος του Hawk, κάνοντας διάκριση μεταξύ «αυτός ο πελάτης χρειάζεται τοπική ρύθμιση» και «αυτό είναι ένα συστημικό κενό που αξίζει να διορθωθεί κεντρικά».

• Κατέχετε τη ρυθμιστική υπεράσπιση των αποφάσεων συντονισμού που λαμβάνετε. Τεκμηριώστε το σκεπτικό σας, ώστε να αντέξει ο έλεγχος ενός πελάτη ή ο έλεγχος της ρυθμιστικής αρχής.

• Δώστε αυστηρότητα στον τρόπο με τον οποίο επικυρώνετε τις αλλαγές του μοντέλου προτού δημοσιοποιηθούν: έλεγχος εκ των υστέρων, έλεγχος δειγμάτων και πειθαρχία αποσύνδεσης που προστατεύει τη στάση συμμόρφωσης του πελάτη.

Το προφίλ σας

• 5-7 χρόνια ως επιστήμονας δεδομένων σε ρόλο που αντιμετωπίζει τον πελάτη, παρουσιάζοντας αναλύσεις και υπερασπίζοντας αποφάσεις μοντέλων απευθείας στους πελάτες. Αυτό δεν είναι ένα εσωτερικό υπόβαθρο επιστήμης δεδομένων μηχανικής ή προϊόντων. είχατε καθίσει απέναντι από έναν πελάτη στο παρελθόν.

• Απαιτείται πραγματική εμπειρία σε θέματα AML, εντοπισμού απάτης ή ανάλυσης οικονομικού εγκλήματος. Καταλαβαίνετε την παρακολούθηση των συναλλαγών, τις τυπολογίες και το τι πραγματικά κοστίζει ένα ψευδώς θετικό σε έναν ερευνητή, όχι μόνο το κόστος ενός σε έναν πίνακα σύγχυσης.

• Ισχυρές πρακτικές δεξιότητες στην τυπική στοίβα επιστήμης δεδομένων (Python, SQL και οποιοδήποτε εργαλείο ML που έχετε χρησιμοποιήσει στην παραγωγή), αλλά το πλεονέκτημά σας είναι η κρίση υπό ασάφεια: γνωρίζοντας πότε μια αλλαγή μοντέλου είναι ασφαλής να πραγματοποιηθεί και πότε χρειάζεται ένας άνθρωπος στο βρόχο.

• Νιώθετε άνετα να είστε η τεχνική φωνή σε ένα δωμάτιο με τους κινδύνους, τη συμμόρφωση ή τους ενδιαφερόμενους της επιστήμης δεδομένων ενός πελάτη και να κρατάτε τη δική σας όταν ερωτηθείτε.

• Ένα ιστορικό μετατροπής της απόδοσης του μοντέλου σε επιχειρηματική αξία μπορεί να ενεργήσει ένας μη τεχνικός ενδιαφερόμενος: όχι μόνο μετρήσεις ακρίβειας, αλλά εξοικονόμηση ωρών ερευνητή, αποφυγή ψευδώς θετικού κόστους και εντοπισμός υποθέσεων.

• Γνήσια άνεση με ασάφεια και συστήματα ζωντανής παραγωγής. Δεν ψάχνετε για ένα καθαρό πρόβλημα έρευνας εκτός σύνδεσης, ψάχνετε για το πρόβλημα "γιατί αυτή η ειδοποίηση ενεργοποιήθηκε στα δεδομένα ενός πραγματικού πελάτη στις 2 μ.μ. σήμερα".

• Μια νοοτροπία ιδιοκτησίας. Δεν περιμένεις εισιτήριο. παρατηρείτε πότε η απόδοση εντοπισμού ενός λογαριασμού μεταβάλλεται και πηγαίνετε να μάθετε γιατί.

Μπόνους

• Ειδική εμπειρία στην παρακολούθηση συναλλαγών ή στον εντοπισμό απάτης πληρωμών σε τράπεζα, πάροχο πληρωμών ή προμηθευτή που τους εξυπηρετεί.

• Εξοικείωση με εξηγήσιμες προσεγγίσεις τεχνητής νοημοσύνης και υβριδικής ανίχνευσης που βασίζονται σε κανόνες, καθώς αυτός είναι ο πυρήνας του τρόπου λειτουργίας των μοντέλων του Hawk.

Βρείτε περισσότερες αγγλόφωνες θέσεις εργασίας στο Ηνωμένο Βασίλειο στο Arbeitnow

Πηγή: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/hawk/data-scientist-london-185289)