Data Analyst Fintech, Banking Risk

На данный момент Data Scientist.

Мои компетенции и опыт

ENG:

Over the last year and a half, my focus has been data analytics in fintech risk. At нужен доступ к резюме , I worked in Risk Analytics on the Soft Collection team, analyzing several years of loan data, millions of borrower records, using Python, SQL, and SAS to identify what was driving delinquency and to forecast late-payment risk. That analysis led to changes that improved loan repayment performance by 1–2%. I also built the daily dashboards in Power BI that the collections and business teams used to monitor the portfolio and make operational decisions.

I'm currently at MIT-Tongji's City Science Lab, where I apply similar analytical methods: statistical modeling, dashboarding, data validation but to urban and socioeconomic datasets instead of loan portfolios. The tools and the discipline are the same as what I did at Kaspi: turning large, messy datasets into something a non-technical stakeholder can act on. I'd say my strongest fit is analytics that sits close to a business decision, risk, collections, portfolio monitoring, rather than pure research or model-building for its own sake.

РУ:

За последний год-полтора мой основной фокус: аналитика данных в финтехе, в области риск-менеджмента. В нужен доступ к резюме я работал в команде Risk Analytics, в направлении Soft Collection: анализировал данные по займам за несколько лет, миллионы записей заемщиков, с помощью Python, SQL и SAS, чтобы понять, что влияет на просрочки, и прогнозировать риск позднего платежа. На основе этого анализа были внедрены изменения, которые повысили показатель погашения кредитов на 1–2%. Также я разрабатывал ежедневные дашборды в Power BI, которыми пользовались команды collections и бизнес-подразделения для мониторинга портфеля и принятия операционных решений.

Сейчас я работаю в City Science Lab при MIT и Tongji University, где применяю похожие методы: статистическое моделирование, дашборды, валидацию данных, но уже к городским и социально-экономическим данным, а не к кредитным портфелям. Инструменты и подход те же, что и в Kaspi: превращать большие и не всегда структурированные данные в нечто, на основе чего нетехнический специалист может принять решение. Я бы сказал, что моя сильная сторона это аналитика, максимально приближенная к бизнес-решению: риск, collections, мониторинг портфеля, а не чистые исследования или построение моделей ради самих моделей.