St. Specjalista(-ka) ds. analiz i modelowania aktywności klientów / Senior data scientist

Jesteśmy zespołem data science w Departamencie Kampanii Bezpośrednich mBanku, wykorzystującym w znacznym stopniu język Python i SQL do analizy danych i modelowania probabilistycznego w obszarze CRM i sprzedaży bezpośredniej. Wyliczamy prawdopodobieństwa zajścia określonych zdarzeń, stosujemy techniki NLP do zamiany danych tekstowych lub głosowych na rekomendacje działań oraz wykorzystujemy generatywną AI. Przygotowujemy raporty, analizy i rekomendacje, które mają na celu poprawę skuteczności komunikacji i procesów sprzedaży, pracując na dużych zbiorach danych i współpracując z innymi departamentami.

• Sukces w realizacji projektów wykorzystujących techniki data science do dostarczania mierzalnej wartości biznesowej
• Umiejętność krytycznej interpretacji wyników analiz i modeli ML oraz formułowania rekomendacji wspierających decyzje i optymalizację procesów
• Minimum 2-letnie doświadczenie w wykorzystaniu technik uczenia maszynowego z bibliotekami Python (numpy, pandas, matplotlib, scikit-learn, xgboost, tensorflow, torch, catboost, lightgbm)
• Umiejętność budowy rozwiązań uczenia maszynowego, tworzenia API (REST, webowe), analityki, raportów i automatyzacji procesów w Python
• Znajomość technik Prompt Engineering i umiejętność projektowania oraz optymalizacji instrukcji do interakcji z GPT
• Doświadczenie w pisaniu zapytań SQL (Oracle, MS SQL, Hadoop)
• Dobra znajomość MS Excel
• Nice to have: doświadczenie z platformą Kubeflow do uczenia maszynowego i MLOps na Kubernetes oraz umiejętność przetwarzania danych rozproszonych przy użyciu Spark
• Nice to have: umiejętności storytellingowe, w tym przygotowywanie wizualizacji danych oraz przystępne prezentowanie liczb i algorytmów
• Znajomość języka angielskiego na poziomie B2

• Wykorzystanie technik data science w rozwoju obszaru CRM banku, w budowaniu strategii komunikacji, optymalizacji sprzedaży oraz zarządzaniu relacją z klientami
• Tworzenie i rozwijanie modeli ekonometrycznych prawdopodobieństwa zakupu produktów oraz innych zdarzeń klientów detalicznych
• Wykorzystywanie technik NLP do zamiany danych tekstowych lub głosowych na rekomendacje działań lub informacje zarządcze
• Wykorzystywanie generatywnej sztucznej inteligencji do przekształcania i usprawniania bankowych procesów
• Poszukiwanie nowych trendów, narzędzi i technik w obszarze data science oraz ich wdrażanie w banku