Аутстаффинг для банков

ML-инженеры уровня
BigTech в вашей команде
через две недели

Подбираем специалистов с релевантным опытом под нужное направление: кредитный скоринг, антифрод и AML, CVM и next-best-offer, взыскание, модельный риск, LLM-ассистенты. Работают под вашим управлением, мы отвечаем за уровень.

У вас много крутых AI-инициатив, до которых не доходят руки
Команда занята регуляторной отчётностью, а новые модели ждут
Найм сильного ML-сеньора занимает месяцы и остаётся риском
>50ML-продуктов вывели в продакшен за 3 года
>100специалистов вывели на проекты клиентов
>2 млрд ₽выручки заработали для клиентов
Скорость найма

Своя вакансия на ML-сеньора висит месяцами, а уровень кандидата всё равно неизвестен до испытательного срока. Мы выводим специалиста в команду за две недели, а если не подошёл — меняем за одну.

Как мы отбираем людей

Отбор по практической задаче с закрытым лидербордом

Кандидат получает незнакомый датасет и ограниченное время — мы смотрим, какую метрику он выбивает и как рассуждает при разборе решения. Берём людей из соревновательного ML: призёров Kaggle и олимпиад по программированию. В команде выходцы из Яндекса, Meta и Google, выпускники Физтеха, МГУ и ВШЭ.

Кого мы выводим

Инженеры с опытом внутри банков

Под задачу показываем несколько профилей: что делали, в каких компаниях, какой результат.

Домены
Кредитный скоринг и PD13
Антифрод и AML10
CVM и next-best-offer11
Взыскание6
LLM и клиентские ассистенты12
MLOps7
Data Engineering10
Грейды
Middle
Senior
Team Lead
ML-архитектор

Скажите, какой домен и грейд нужен — пришлём подходящие профили.

Подобрать специалиста →
Кейсы

Что наши специалисты делали в командах банков

Каждый кейс — работа одного человека внутри действующей ML-команды клиента, поверх существующих решений.

Банк · кредитный скоринг

Скоринг thin-file на альтернативных данных

Senior ML · credit risk / scoring CatBoost, SHAP
Было: базовые модели хорошо работали на клиентах с историей, но грубо оценивали самозанятых, МСБ и новых-к-банку.

Модели на транзакционном и поведенческом следе для thin-file, ре-калибровка PD под фазу кредитного цикла, объяснимые архитектуры под требования аудита.

МетрикаДоПосле
Gini на thin-file0.580.71
Уровень одобрениябазовый+9%
Дефолтность портфелябазовый−12%
Решения с объяснениемчастично100%
Больше одобрений «хороших» заёмщиков при том же уровне риска — и каждое решение объяснимо для регулятора.
Банк · CVM

Uplift-моделинг next-best-offer поверх CVM

Senior ML · uplift / causal CatBoost, Airflow
Было: работающая CVM-платформа, персональные предложения оптимизировались под отклик и конверсию.

Uplift-моделинг NBO: какой продукт и в каком канале даёт инкрементальный эффект именно этому клиенту. Плюс real-time триггеры и модель раннего оттока.

МетрикаДоПосле
Целевая метрика NBOоткликмаржа / LTV
Кросс-продажи (uplift)2.4 п.п.6.1 п.п.
Доход на клиента (ARPU)базовый+11%
Отток в целевом сегментебазовый−14%
Больше инкрементального дохода с клиента и меньше оттока — при том же числе коммуникаций.
Банк · взыскание

ML-стратегия контакта на ранней просрочке

Senior ML · propensity / prod ML CatBoost, Spark
Было: скоринг просрочки, автообзвон и колл-центр с единым сценарием контакта для всех должников.

Модель propensity-to-pay и оптимизация стратегии контакта под каждого должника: канал, время, тон, интенсивность. Отдельно — модель «самоизлечения».

МетрикаДоПосле
Подхододин на всехML-стратегия
Recovery на ранней просрочкебазовый+8 п.п.
Стоимость взысканиябазовый−25%
Лишние контактыбазовый−35%
Больше собрано на ранней просрочке при меньшей стоимости взыскания и без давления на лояльных клиентов.
Ещё закрывали
Поведенческий скоринг действующих клиентов
Скоринг МСБ и самозанятых
Модели LGD и EAD
Антифрод в реальном времени
AML и выявление подозрительных операций
Раннее предупреждение дефолта
Прогноз оттока и удержание
Оптимизация кредитных лимитов
Ценообразование кредитных продуктов
Автоматизация андеррайтинга
Валидация и мониторинг дрейфа моделей
Объяснимость и отчётность для аудита
LLM-ассистенты для клиентов и операторов
Прогноз ликвидности и остатков
A/B-платформа и метрики экспериментов

По любому направлению покажем профили тех, кто его вёл.

Похожая задача в вашем бэклоге? Разберём её на созвоне и покажем, кто может её закрыть.

Обсудить свою задачу →
Как мы работаем

Три шага от созвона до выхода в команду

01

Разбираем задачу и присылаем профили

30 минут с вашим лидом: задача, стек, что уже есть в команде, какой грейд нужен. Дальше присылаем кандидатов, которые делали похожее в банках и финтехе, с описанием их проектов и результатов.
02

Вы проводите техинтервью

Финальное решение по уровню остаётся за вашей командой. Подбор, документы и налоги — на нас: вам один договор и один счёт.
03

Инженер работает в вашей команде

В ваших процессах и трекерах, под вашим управлением, как штатный. Работает в вашем контуре: доступы, NDA и требования безопасности — по вашим регламентам. Раз в спринт снимаем обратную связь у лида, команду можно усилить под пик или свернуть после релиза.
Нас зовут говорить об AI-найме

Публикация о нас на TAdviser · читать →

30 минут

Разберём задачу и покажем профили под неё

Обсуждаем задачу с вашим лидом и присылаем профили с проектами и метриками.

Ответим в течение рабочего дня