Director, Data Science & Engineering, Finance

О позиции

Это критически важная руководящая роль, где вы будете управлять командой из двух прямых подчинённых — дата-сайентиста и дата-инженера. Команда поддерживает финансовую организацию через надёжные данные, аналитические системы, моделирование и внедрение AI-возможностей. Вам предстоит работать в тесном сотрудничестве с руководством финансами, инженерами, продуктами и кросс-функциональными стейкхолдерами для определения приоритетов, улучшения качества финансовых данных и построения дорожной карты развития. Роль требует технической глубины для руководства обоими направлениями при сохранении фокуса на бизнес-результатах, надёжности и росте команды.

Чем заниматься

• Управлять и развивать мультидисциплинарную команду: наставлять и развивать дата-сайентиста и дата-инженера, устанавливать чёткие ожидания, создавать планы развития и формировать культуру ответственности и непрерывного улучшения. Определять стратегию и приоритеты команды: переводить цели финансового подразделения и компании в портфель задач, жестко приоритезировать стратегические инициативы, операционные задачи и технические долги. Обеспечивать техническое лидерство в data science и data engineering: направлять постановку задач, подходы к анализу и моделированию, архитектуру данных, качество пайплайнов, тестирование, мониторинг и production readiness. Продвигать возможности AI и моделирования: выявлять ценные точки применения AI, машинного обучения и продвинутой аналитики в финансовых процессах. Создавать доверенные данные: улучшать источники истины, качество данных, lineage, observability и документацию. Оказывать влияние на финансовые решения: ясно коммуницировать сложные технические аспекты нефинансовым аудиториям, представлять рекомендации и риски для своевременных решений.

Что ждут

• Высшее образование в Computer Science, Data Science, Statistics, Mathematics, Engineering, Economics или связанной количественной области, либо эквивалентный практический опыт. Значительный опыт применения data science, машинного обучения, аналитики, data engineering к бизнес-задачам. Опыт прямого управления и развития технических специалистов, включая дата-сайентистов и дата-инженеров. Сильная профессиональная база в data science или data engineering с демонстрацией эффективной работы в смежной дисциплине. Опыт руководства портфелем проектов от определения проблемы до внедрения, оценки и ongoing поддержки. Навыки работы с качеством данных, пайплайнами, аналитическими наборами, разработкой моделей, экспериментами и production support. Демонстрированная способность использовать данные и технологии для влияния на бизнес-решения. Сильные коммуникационные навыки и management стейкхолдеров, включая объяснение технических концепций финандовым и executive аудиториям. Рост-мышление: активный поиск фидбэка, обучение новым технологиям, адаптация к изменениям. Способность работать автономно в неопределённой быстроменяющейся среде.

Будет плюсом

• Опыт поддержки Finance, FP&A, прогнозирования, корпоративной стратегии, accounting. Опыт построения или масштабирования AI/ML возможностей, включая generative AI, predictive modeling, workflow automation. Управление гибридными мультидисциплинарными командами spanning data science, analytics, data engineering, software engineering. Опыт building 0-to1 возможностей, трансформации команды от reactive execution к proactive partnership. Работа с data governance, observability, model risk management, responsible AI. Опыт работы в технологической компании в data-rich среде.

Условия

• Возможность возглавить ключевую функцию data science и engineering в мировой tech-компании. Участие в формировании того, как финорган использует данные и AI на фоне быстрых изменений технологий и операционных моделей. Работа с высокотехнологичной stack и современными подходами в ML/AI. Конкурентоспособная компенсация и benefits. Возможности карьерного роста и развития. Работа в кросс-функциональной среде с strong engineering culture.

Навыки

• Python
• SQL
• Machine Learning
• Deep Learning
• Data Engineering
• Data Modeling
• AWS
• GCP
• Azure
• Apache Spark
• Airflow
• Kubernetes
• Docker
• Statistical Analysis
• Feature Engineering
• Model Deployment
• MLOps
• Financial Modeling
• Forecasting
• Generative AI
• A/B Testing
• ETL
• Data Pipelines
• Data Warehousing

Могут спросить на собеседовании

1. Как вы строите приоритизацию между стратегическими инициативами, операционными задачами и техническими долгами?
2. Приведите пример, когда вы внедрили AI или ML-решение в финансовом контексте. Каков был бизнес-impact?
3. Как вы обеспечиваете quality и reliability данных и моделей в production?
4. Как вы управляете различиями во взглядах между техническими специалистами и бизнес-стейкхолдерами?
5. Расскажите о вашем опыте построения или трансформации команды с нуля или в условиях изменений.