عالم بيانات أول — تحليلات المعاملات
Senior Data Scientist — Transaction Intelligence
حول الدور
ملاء هي أول منصة سعودية للخدمات المصرفية المفتوحة في قطاع التجزئة في المملكة. منتجنا مبني على أصل أساسي واحد: مئات الملايين من السجلات من البيانات السلوكية. تحويل هذه البيانات الخام إلى شيء يمكن للناس التصرف بناءً عليه هو الوظيفة الأساسية لهذا الدور، ويمتد عبر خط الأنابيب بأكمله: إثراء المعاملات (تصنيف السلاسل النصية القصيرة والمزعجة للتجار باللغتين الإنجليزية والعربية المكتوبة بحروف لاتينية، وحلها إلى كيانات تجارية حقيقية)، ثم بناء النماذج والتحليلات فوق ذلك لتحويل بيانات المعاملات إلى رؤى عبر خدماتنا — التصنيف، التعرف على الأنماط، كشف الشذوذ، وتقييم المخاطر.
ستكون عالم البيانات لبيانات المعاملات عبر الشركة: امتلاك نماذج الإثراء من البداية إلى النهاية (النمذجة والتقييم وكود الإنتاج)، والشراكة مع فرق المنتجات والهندسة لتصميم وإطلاق وقياس الميزات المدعومة بالنماذج في الخدمات الأخرى.
المسؤوليات
- امتلاك ورفع مستوى إثراء المعاملات — الأساس الذي يقوم عليه كل شيء آخر: تصنيف يعمم على التجار الذين لم نرهم من قبل، ومطابقة أسماء التجار التي تتسامح مع الاختلافات غير الضارة دون الخلط بين الشركات المختلفة فعليًا.
- امتلاك ثقة النموذج عبر أنظمتنا: احتمالات معايرة جيدًا، وامتناع مبدئي عن الحالات غير المؤكدة، وتوجيه قائم على الثقة تعتمد عليه المنتجات وسير عمل المراجعة.
- بناء نماذج رؤى قائمة على المعاملات للخدمات الأخرى: التعرف على الأنماط، كشف الشذوذ، والتحليل السلوكي على تدفقات المعاملات.
- امتلاك التحقق المستمر من نماذج المخاطر لدينا: اختبار رجعي للنتائج مقابل سلوك المستخدمين الفعلي، ومراقبة التمييز والمعايرة مع تطور السلوكيات، ودفع تحسينات النماذج من خلال ما تظهره البيانات.
- التعامل مع بيانات النصوص والسلوك كما هي حقًا: عربية ثنائية اللغة ومكتوبة بحروف لاتينية بشكل غير رسمي مع إملاء غير مستقر؛ تدفقات معاملات مع آثار اقتطاع، وخصائص بنكية، وتوزيعات ذات ذيل ثقيل.
- بناء خطوط أنابيب دفعية فعالة على نطاق مئات الملايين من السجلات، مصممة لإعادة تشغيلها بشكل روتيني مع تحسن النماذج.
- التصميم ضمن قيود شركة تكنولوجيا مالية منظمة: حوكمة البيانات والخصوصية ومتطلبات الأمن السيبراني تشكل البيانات التي يمكننا استخدامها، وأين يمكن تشغيل أعباء العمل، والأدوات التي يمكننا اعتمادها — ستبني حلولًا ممتازة داخل هذه الحدود، بالعمل مع تلك الفرق بدلاً من الالتفاف عليها.
- بناء انضباط التقييم الذي تستحقه هذه الأنظمة: مجموعات بيانات مصنفة، ومجموعات اختبار الانحدار لسلوك النموذج، ومقاييس تجيب على سؤال «هل ساعد هذا التغيير؟» لكل إصدار.
المتطلبات
- خبرة 3+ سنوات في التعلم الآلي/علوم البيانات التطبيقية، مع نماذج تم إطلاقها وصيانتها في الإنتاج على نطاق واسع — ومعرفة بأنماط فشلها.
- نطاق تحليلي قوي يتجاوز النمذجة: تحليل استكشافي، ودقة إحصائية، وتصميم ميزات على البيانات السلوكية/الجدولية (إتقان SQL مفترض).
- خبرة عملية في تشابه النصوص، أو المطابقة الضبابية، أو حل الكيانات على سلاسل نصية حقيقية مزعجة.
- إتقان قوي للغة بايثون والحزمة العلمية (scikit-learn, scipy, numpy)، مع وعي بالأداء والتكلفة على نطاق واسع — التوجيه، وهياكل البيانات المتناثرة، والحساب الدفعي الفعال.
- نضج مثبت في العمل تحت قيود مفروضة خارجيًا — حوكمة البيانات، الخصوصية، الأمن السيبراني، الامتثال، سياسة البنية التحتية — بما في ذلك التعاون مع الفرق التي تمتلكها.
- سجل حافل في تحويل شكاوى «النموذج يبدو خاطئًا» الغامضة إلى خصائص مقاسة ومختبرة بالانحدار.
- راحة في قراءة وتصحيح كود النموذج الذي لم تكتبه، والعمل مباشرة مع فرق المنتجات على مشكلات غير محددة بدقة.
المهارات الإضافية المرغوبة
- معالجة النصوص العربية / العربية المعربة — ميزة قوية؛ بياناتنا ثنائية اللغة مع كتابة لاتينية غير مستقرة.
- نمذجة مخاطر الائتمان أو السلوك والتحقق منها — بطاقات الأداء، وقياس التمييز والمعايرة، والاختبار الرجعي مقابل النتائج الفعلية.
- تضمينات النصوص والاسترجاع التقريبي لأقرب جار في البيئات المحدودة الموارد.
- التصنيف بمساعدة LLM، أو التقطير، أو خطوط أنابيب الإشراف الضعيف.
- أدوات دورة حياة التعلم الآلي والخدمة الدفعية (تتبع التجارب، وإصدار البيانات، وقوائم المهام الموزعة).