字节跳动数据建模工程师（金融科技）-Data

1、负责金融风控和营销领域数据的特征挖掘和模型开发，挖掘并整合三方数据特征，运用逻辑回归、XGBoost、神经网络等算法进行数据建模； 2、能设计模型开发流程，评估模型有效性，并持续监控与优化模型； 3、根据业务模型需求构造适合的特征变量，挖掘数据价值，基于对数据的理解，对数据进行清洗、分析与加工； 4、负责开发用于风险分析，模型构建的相关工具。

1. 主导或核心参与至少一个核心海外市场的零售信贷产品（BNPL/现金贷）全生命周期风控策略的设计、实施与迭代。需要对该市场的整体风险表现（如通过率、逾期率、损失率）和资产质量负起核心责任。 2. 深度洞察业务，精准平衡业务增长、用户体验和风险控制三者间的关系，通过数据驱动的方式，为业务决策提供关键风控输入。 智能风控体系建设 (Intelligent Risk System Development): 1. 负责构建和持续优化贷前（准入、授信）、贷中（交易监控、动态调额）和贷后（催收评分、资产处置）的核心策略模块。 2. 深入分析用户行为、交易模式和宏观信用环境，主动识别潜在风险，设计并部署敏捷、自动化的风险应对策略和监控预警体系。 风控模型与数据科学应用 (Modeling & Data Science Application) 1. 驱动信用风险模型的完整生命周期管理，包括但不限于数据探查与清洗、特征工程创新、模型（申请分、行为分、催收分等）的开发、验证、部署、监控和迭代。 2. 不仅限于应用，更需要对各类模型算法（如逻辑回归、GBDT/XGBoost、深度学习等）有一定理解，能根据业务痛点和数据特性，进行算法选型、创新和提出优化建议，并主导A/B测试验证策略和模型效果。 跨职能协作与影响力 (Cross-Functional Collaboration & Influence): 1. 与产品、运营、工程、数据科学和合规团队紧密合作，将风控能力产品化、平台化，提升风控策略的部署效率和 robustnes（稳健性）。 2. 能够将复杂的风控模型和数据分析结果，清晰、简洁地呈现给不同背景的合作方和管理层，并以此驱动决策。 策略规划与方法论 (Strategic Planning & Methodology): 负责定义特定风险领域（如反欺诈、信用评估）的中长期策略规划和技术路线图。沉淀风控方法论，并通过文档、分享等形式赋能团队，指导和培养初级风控分析师。 前瞻性研究与创新 (Forward-Looking Research & Innovation): 探索如图计算、NLP、因果推断等前沿技术在风控领域的应用，发起并领导创新项目，为业务构建面向未来的核心竞争力。

-通过与合作方合作,通过数据挖掘、机器学习、深度学习等方法，构建ToB端的信用贷款风险控制模型。 -参与深度学习等系统和应用的设计、实现、算法调研、优化。 -互联网金融、消费金融、小额贷款行业的机器学习、深度学习等领域前沿算法的研究和代码工程化实现。 -参与金融科技相关AI前沿技术调研。

-通过与合作方合作,通过数据挖掘、机器学习、深度学习等方法，构建ToB端的信用贷款风险控制模型。 -参与深度学习等系统和应用的设计、实现、算法调研、优化。 -互联网金融、消费金融、小额贷款行业的机器学习、深度学习等领域前沿算法的研究和代码工程化实现。 -参与金融科技相关AI前沿技术调研。