Brasilien
Pentera
CRNCY Group
Decision Scientist
RemoteBrasilien
Brazil
PythonSQL
Automatische Übersetzung. Prüfe das Original.
Warum diese Arbeit wichtig ist
Decision Scientist
In Entwicklungsländern hängt der Zugang zu Krediten immer noch von Papierkram ab, den die meisten Menschen nicht vorlegen können. Eine Lehrkraft seit sechs Jahren im selben Job. Ein Händler, der seit einem Jahrzehnt denselben Stand betreibt. Kreditwürdig, beides – und für ein System, das für jemand anderen gebaut wurde, unleserlich.
CRNCY existiert, um diese Lücke zu schließen und Technologie zu nutzen, um Türen für die Menschen zu öffnen, die sie am dringendsten benötigen. Jede Regel, die Sie hier schreiben, entscheidet darüber, wer durchkommt.
Mission
CRNCY zum weltweit besten Underwriter für Kreditrisiken mithilfe unstrukturierter und alternativer Daten zu machen. Wir operieren in Märkten, in denen Kunden oft nur begrenzte traditionelle Kreditinformationen haben. Unser Ziel ist es, unter Unsicherheit bessere Kreditentscheidungen zu treffen und die risikobereinigte Profitabilität kontinuierlich zu verbessern.
Das Setup
CRNCY · Remote · Vertrag
- Sie arbeiten direkt mit unserer Kredit- und Finanzleitung sowie mit dem Gründer zusammen. Kurzer Weg von der Analyse zur Entscheidung.
- Echte Verantwortung vom ersten Tag an, in mehreren Märkten.
Was Sie tun werden
- Analyse der Portfolio-Performance und Identifizierung von Möglichkeiten zur Verbesserung der Profitabilität durch Kreditstrategie.
- Modellierung der Wahrscheinlichkeit von Rückzahlung, Ausfall und Betrug anhand unvollständiger und alternativer Daten sowie Aufbau der statistischen Inferenz dahinter.
- Umwandlung dieser Analyse in die Kreditregeln selbst: Genehmigungsstrategie, Underwriting-Anforderungen, Erstkreditvolumen und Kundensegmentierung.
- Optimierung der Underwriting-Anforderungen und Reduzierung unnötiger Kundenreibung.
- Gestaltung und Bewertung von Experimenten zur Verbesserung der Kreditvergabeergebnisse.
- Quantifizierung von Kompromissen zwischen Wachstum, Risiko, Kundenerlebnis und Profitabilität.
- Übersetzung von Analysen in praktische Underwriting- und Portfolio-Empfehlungen.
Sie führen diese Arbeit selbst durch. Es gibt kein Analyseteam, an das Sie delegieren können. Sie formulieren die Frage, bauen die Analyse auf und verantworten die daraus resultierende Entscheidung.
Wie wir arbeiten
- Ehrlich und direkt. Feedback ist hier unverblümt und unmittelbar. Sie erhalten es und wir erwarten es zurück.
- Keine Angst vor Fehlern. Das meiste, was Sie testen, wird nicht funktionieren. Wir führen lieber das Experiment durch und finden es heraus, als eine Regel zu verteidigen, die niemand hinterfragt hat.
- Streben nach Exzellenz. Hohe Standards, die wir zuerst an uns selbst anlegen.
- Dem Kunden verpflichtet. Die Person auf der anderen Seite der Entscheidung ist der Grund, warum die Arbeit wichtig ist.
Die Art von Person, die wir brauchen
Sie denken von Natur aus in Wahrscheinlichkeiten, Kompromissen und Erwartungswerten.
Sie fühlen sich unwohl bei Regeln, die nur existieren, weil „man es schon immer so gemacht hat“. Sie fragen instinktiv:
- Wie hoch ist die Wahrscheinlichkeit dieses Ergebnisses?
- Was sind die Kosten, wenn es eintritt?
- Was sind die Kosten der Verhinderung?
- Ist das Risiko die Belohnung wert?
- Was ist die wirtschaftlich rationale Entscheidung?
Sie sind nicht nur an Vorhersagen interessiert. Sie interessieren sich für die Qualität von Entscheidungen.
Sie haben Daten und probabilistisches Denken genutzt, um wichtige Geschäftsentscheidungen zu treffen oder zu beeinflussen, Kompromisse zwischen konkurrierenden Zielen unter Unsicherheit bewertet, analytisches Urteilsvermögen angewendet, anstatt sich ausschließlich auf vordefinierte Regeln oder Modelle zu verlassen, Analysen in praktische Geschäftsentscheidungen und Empfehlungen übersetzt und waren für die Geschäftsergebnisse dieser Entscheidungen verantwortlich.
Idealer Hintergrund
Der ideale Kandidat hat in Umgebungen gearbeitet, in denen Entscheidungen unter Unsicherheit mit unvollständigen oder fehlerhaften Daten getroffen werden mussten.
Erfahrung in mindestens einem der folgenden Bereiche: Portfolio-Strategie oder -Analyse, Underwriting-Strategie, Kreditstrategie, Risikomanagement oder eine andere analytische Rolle, die Entscheidungsfindung mit hohen Konsequenzen unter Unsicherheit beinhaltet.
Abschluss von einer renommierten Universität in Decision Science, Operations Research, Angewandter Mathematik, Statistik, Wirtschaftswissenschaften, Ingenieurwesen oder Informatik mit signifikanten quantitativen Kursen.
Technische Fähigkeiten
Dies ist keine reine Data-Science-Forschungsrolle. Sie müssen jedoch technisch versiert genug sein, um mit Daten zu arbeiten, Annahmen zu testen und praktische Modellierungsfragen zu beantworten.
Hilfreiche Fähigkeiten umfassen
- SQL und Python auf Analyse- und Modellierungsebene, einschließlich des Schreibens Ihres eigenen Codes.
- Wahrscheinlichkeit, Statistik, Segmentierung, prädiktive Modellierung und Erwartungswertanalyse.
- Logistische Regression, Scorecards, XGBoost, LightGBM oder ähnliche praktische Modelle.
- Backtesting, Out-of-Time-Validierung, Experimentdesign und Power-Analyse sowie saubere Validierungsdisziplin, einschließlich der Vermeidung von Datenlecks.
Fließendes Englisch ist erforderlich.
Signifikante tägliche Überschneidung mit den Amerikas ist erforderlich.
Starke Kandidaten können Erfahrung mitbringen in:
- Decision Science, Risikooptimierung, Kreditstrategie oder Portfolio-Ökonomie.
- Kundensegmentierung, Erwartungswertanalyse, risikobereinigte Renditen oder Preisoptimierung.
- Kreditrisiko, Underwriting-Analyse, Scorecards, Ausfallwahrscheinlichkeit, Erstausfall, erwarteter Verlust oder Analyse des Rückzahlungsverhaltens.
- Versicherungsbezogene Risikobereiche wie aktuarielle Preisgestaltung, Underwriting-Analyse, Risikoselektion, Verlustprognose, Schadensanalyse, Betrugserkennung oder risikobasierte Preisgestaltung.
- Alternative Daten, Verhaltensdaten, unstrukturierte Daten, Kundenumgebungen mit dünner Akte, Kohortenanalyse, Vintage-Analyse, erwarteter Verlust, Customer Lifetime Value oder Portfolio-Performance-Tracking.
- Experimentation, kausale Inferenz, A/B-Tests, Champion/Challenger-Tests, Bayes'sche Tests oder Monte-Carlo-Simulation.
- Verwendung unstrukturierter interner Daten zur Verbesserung realer Geschäftsentscheidungen.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen