Credit Risk Manager

О позиции

Figure трансформирует финансовые рынки через блокчейн-технологии, создавая реальные продукты для сотен тысяч потребителей и институциональных инвесторов. Компания объединяет прозрачность блокчейна и автоматизацию на базе ИИ для пересмотра процессов выдачи и финансирования кредитов. Мы работаем с 170+ партнёрами и уже выдали более $22 млрд по программам HELOC (кредиты под залог недвижимости). Вакансия предполагает сотрудничество с командами Капитальных Рынков, Продукта, Инженерии и Compliance для разработки стратегий управления кредитными рисками.

Чем заниматься

• Постоянно совершенствовать стратегии кредитного скоринга с использованием передовой аналитики для оптимизации решений по риску
• Анализировать исторические данные по исполнению кредитов для моделирования программ расширения, выявления новых сегментов клиентов и оптимизации конверсии воронки
• Проводить глубинный анализ причин убытков по кредитам и тенденций дефолтов совместно с управлением мошенническими рисками
• Разрабатывать модели оценки для расчёта экономики сегментов уровня и консультировать Капитальные Рынки по доходности и предположениям производительности
• Сотрудничать с Продуктом, Инженерией и Data Science для дизайна A/B тестов, балансирующих контроль риска, рост конверсии и пользовательский опыт
• Отслеживать и валидировать до- и послевнедренческую производительность всех внедрённых правил по кредитным и фрод-рискам
• Создавать фреймворки мониторинга для отслеживания запуска новых продуктов на уровне детальных сегментов и выявления новых рисков портфеля
• Презентовать методологию скоринга компании инвесторам и быть основным контактным лицом для due diligence и запросов по производительности портфеля
• Сотрудничать с Юридическим отделом и Compliance для обеспечения строгого соответствия всем регуляторным требованиям

Что ждут

• Бакалавр/магистр с количественным образованием (Статистика, Математика, Экономика, Computer Science, Инженерия или Бизнес)
• Опыт 5+ лет в управлении кредитными рисками или Data Science в потребительском кредитовании
• Уверенная работа со скоростью изменения приоритетов в быстро движущейся среде
• Высокая самостоятельность, фокус на результатах, сильная любознательность
• Сильные аналитические навыки и решение проблем с хорошим бизнес-суждением
• Чёткий коммуникатор, умеющий переводить сложные данные в простые actionable insights
• Сильный командный игрок, комфортный во взаимодействии с партнёрами разных уровней
• Продвинутая компетенция SQL и Python/R для извлечения, очистки и моделирования сложных реляционных данных
• Практический опыт применения predictive modeling, customer segmentation и статистических процедур
• Опыт работы с Tableau, Power BI и Looker
• Соблюдение всех политик безопасности и процедур обработки данных

Будет плюсом

• Опыт работы в FinTech или блокчейн-компаниях
• Знание SEC-регуляций для финансовых продуктов
• Опыт работы с yield-bearing stablescoins и токенизированными фондами
• Опыт презентации инвесторам и проведения due diligence
• Навыки управления проектами и стейкхолдерами

Условия

• Базовая зарплата $134,640–$168,300/год
• Годовой бонус до 25%, выплачивается ежеквартально
• Акции компании в виде RSU
• Комплексное медицинское, стоматологическое и зрительное покрытие с 100% оплатой работодателем
• HSA, FSA, Dependent Care FSA, план 401(k) и commuter benefits
• Планируемый отпуск и оплачиваемые больничные
• До 12 недель оплачиваемого отпуска по семейным обстоятельствам
• Возмещение расходов на continuing education
• 11 праздничных дней + PTO план

Навыки

• Credit Risk Management
• SQL
• Python
• R
• Predictive Modeling
• Statistical Analysis
• Data Visualization
• Tableau
• Power BI
• Looker
• Fraud Risk Management
• Financial Modeling
• Customer Segmentation
• A/B Testing

Могут спросить на собеседовании

1. Расскажите о вашем опыте разработки стратегий скоринга в потребительском кредитовании.
2. Как вы проводите root-cause analysis при повышении уровня дефолтов?
3. Опишите ваш опыт работы с SQL и Python/R для анализа данных и построения моделей.
4. Как вы представляете сложные аналитические выводы non-technical аудитории? Приведите пример.
5. Как вы работаете с cross-functional командами при внедрении изменений в политики кредитования?