Data Scientist

О позиции

Stripe — финансовая инфраструктурная платформа, которой пользуются миллионы компаний по всему миру. Команда Data Science тесно сотрудничает с подразделениями продукта, финансов, платежей, безопасности, риска и маркетинга, чтобы создавать модели и аналитические продукты, влияющие на стратегию компании. Позиция предполагает широкий спектр задач: от предотвращения мошенничества и оптимизации платёжных потоков до прогнозирования ключевых метрик и оценки причинно-следственных эффектов. Конкретная команда определяется по результатам интервью на основе опыта кандидата.

Будет плюсом

• Глубокие знания и практический опыт в machine learning, статистике, оптимизации, product analytics, causal inference и экспериментировании
• Опыт деплоя моделей в продакшн и настройки порогов модели
• Опыт проектирования и анализа сложных экспериментов или применения causal inference дизайнов
• Опыт с распределёнными инструментами: Spark, Hadoop и др.
• PhD или MS в количественной дисциплине (статистика, математика, экономика, инженерия, Operations Research и т.д.)

Условия

• Работа в одной из ведущих мировых fintech-компаний с глобальным влиянием
• Доступ к уникальным по масштабу и разнообразию данным платёжной экосистемы
• Широкий спектр задач: от продуктовой аналитики до финансового моделирования и риск-менеджмента
• Гибкое распределение по команде на основе интересов и опыта кандидата
• Возможность делать работу, влияющую на глобальную экономику

Навыки

• Python
• R
• SQL
• Machine Learning
• Statistical Modeling
• Causal Inference
• A/B Testing
• Experimentation
• Optimization
• Product Analytics
• Apache Spark
• Hadoop
• Fraud Detection
• Forecasting
• Data Science
• AI Tools

Могут спросить на собеседовании

1. Опишите случай, когда вы проектировали и анализировали сложный эксперимент. Какие проблемы возникли и как вы их решали?
2. Как вы выбираете порог классификации для модели в продакшн-среде, где цена ошибок первого и второго рода существенно различается (например, fraud detection)?
3. Расскажите, как вы объясняли сложный статистический вывод нетехническому стейкхолдеру и как убедились, что он был правильно понят и привёл к действию.
4. У вас есть задача оценить причинно-следственный эффект маркетинговой кампании, но рандомизированный эксперимент провести невозможно. Какие подходы вы рассмотрите?
5. Как вы расставляете приоритеты при ведении нескольких проектов с разными дедлайнами и стейкхолдерами одновременно?