Команда «Мотивационный профиль» создает новый подход к работе с клиентом, который позволит перейти от классической персонализации к более глубокому пониманию человека на основе психологии. Мы извлекаем из данных психометрические характеристики — ценности, страхи, особенности характера и принятия решений — и используем их в продуктах банка и экосистемы.
Для построения мотивационного профиля мы используем анкеты, подробные интервью, поведенческие и транзакционные данные. Работаем с известными психометрическими методиками и подходами, разработанными исследовательской командой. Одна из ключевых задач — научиться надежно определять психометрические характеристики на ограниченных выборках, масштабировать их на широкую клиентскую базу и использовать в рекомендательных сценариях и моделировании клиентских реакций.
Обязанности
- работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки
- подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы
- сравнивать методы моделирования — от rule-based решений и классического ML до моделей на основе embeddings и LLM
- обучать модели для предсказания психометрических и поведенческих характеристик клиента
- масштабировать характеристики, доступные для ограниченной выборки клиентов, на широкую клиентскую базу
- оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях - сегментации, персонализации и моделировании поведения клиента
- работать с неструктурированными данными, в том числе с текстами глубинных интервью
- строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков
- сопоставлять информацию из текстов с поведенческими и транзакционными данными
- проверять качество разметки и данных, анализировать смещения выборки и устойчивость полученных признаков
- оценивать репрезентативность обучающей выборки и возможность переноса результатов на широкую клиентскую базу.
Требования
- опыт работы Data Scientist / ML Engineer от 2–3 лет
- уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost
- опыт построения supervised ML-моделей для табличных данных
- хорошее понимание задач классификации, регрессии и ранжирования
- опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск
- понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов
- умение проектировать метрики и схемы offline-валидации для нестандартных задач
- умение работать с неоднозначными таргетами, шумной разметкой и неполными данными
- уверенная работа с большими данными
- способность переводить бизнес-гипотезу в ML-задачу: формализовать постановку, определить требования к данным и метрикам, учесть ограничения и сформулировать критерии успешности
- умение понятно объяснять результаты как ML-специалистам, так и продуктовой команде.
Условия
- комфортный современный офис рядом с м. Кутузовская
- возможность выбрать удобный график – офис/гибрид
- ежегодный пересмотр зарплаты, годовая премия
- корпоративный спортзал и зоны отдыха
- более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- программа адаптации и помощь руководителя на старте
- расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
- гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
- подписка Прайм с возможностью совместного использования на трёх близких
- вознаграждение за рекомендацию друзей в команду Сбера.
