Data Scientist (Fraud)

Als Fraud Data Scientist sind Sie ein zentraler technischer Beitrag innerhalb von Billies Decision Science Gruppe. Sie entwerfen und bauen robuste, skalierbare Machine-Learning-Lösungen, die Betrug verhindern und einen direkten, messbaren Einfluss auf Billies Ergebnis haben. Sie verantworten den gesamten Modellierungszyklus: die Definition des analytischen Ansatzes, das Testen von Hypothesen und das Bereitstellen von Modellen, die komplexes Verhalten von Schuldnern und aufkommende Betrugsmuster erfassen.

• Entwicklung und Implementierung von Anti-Betrugsmodellen, Übernahme der Projektprioritäten und Lieferung produktionsbereiter Lösungen.
• Modellierung von Verhaltensmustern von Schuldnern, Identifizierung von Risikofaktoren und Optimierung der Logik von Billies Echtzeit-Entscheidungsengine durch quantitative Analysen, Datenmining und fortgeschrittenes ML.
• Balance zwischen Präzision und Rückruf unter schwerem Klassenungleichgewicht, wobei die Kosten von Fehlalarmen (Kundenfriktion) gegen verpassten Betrug (finanzieller Verlust) abgewogen werden.
• Überwachung der implementierten Modelle auf Drift und adversarielle Anpassung sowie erneutes Training oder Kalibrierung, wenn sich Betrugsmuster ändern.
• Zusammenarbeit mit Daten- und Softwareingenieuren, Analysten und Produktmanagern zur Verbesserung der Entscheidungslogik, Integration neuer Datenquellen und Erweiterung der Systemfunktionalität.
• Verantwortung für die Bereitstellung und Operationalisierung von ML-Diensten innerhalb von Echtzeitanforderungen, Zusammenarbeit mit Engineering zu Infrastrukturanforderungen wie Containerisierung und ereignisgesteuerten Architekturen.
• Wissen im Team teilen und zu starken Experimentier- und Programmierpraktiken beitragen.
• Technische Erkenntnisse in klare, umsetzbare Empfehlungen umwandeln durch effektives Daten-Storytelling für technische und nicht-technische Stakeholder.

Vorteile:

• Flexibilität zuerst: Wir kommen für wichtige Veranstaltungen ins Büro, haben aber keine permanente Büropräsenz. Unsere Teams entscheiden, wie sie die besten Ergebnisse erzielen.
• 30 Tage Urlaub pro Jahr und 5 zusätzliche bezahlte Tage zur Betreuung kranker Kinder.
• Virtuelles Aktienprogramm.
• Deutschkurse aus verschiedenen Sprachleveln kostenlos.
• Einmaliger Umzugsbonus, um Ihren Umzug zu erleichtern.
• Erstattung von Reisekosten und Rabatt auf lokale öffentliche Verkehrsmittel in Berlin mit der BVG.
• Individuelles Trainingsbudget von 1.000 Euro für Kurse, Konferenzen und mehr jedes Jahr.
• Kostenloser Zugang zum Fitnessstudio, wöchentliche Yogakurse, gesunde Snacks, Cerealien, Getränke und mehr.

Qualifikationen:

• Scharfe Problemlösungsfähigkeiten, mit der Fähigkeit, komplexe geschäftliche Herausforderungen in saubere, effiziente und skalierbare technische Anforderungen zu übersetzen.
• Tiefe Expertise in Klassifikationsmodellen (klassisch und Deep Learning), Anomalieerkennung und graphbasierten Methoden (z.B. graph neural networks, entity-link analysis).
• Nachgewiesene Fähigkeit, Stakeholder über technische und nicht-technische Funktionen hinweg zu managen und technische Roadmaps mit Geschäftsprioritäten in Einklang zu bringen.
• Nachgewiesene fortgeschrittene Kenntnisse in Python (z.B. pandas, scikit-learn, xgboost) und SQL (Snowflake, Postgres oder MySQL).
• Starke Kommunikationsfähigkeiten, mit einer Erfolgsbilanz bei der Nutzung von Daten zur Beeinflussung von Strategien und zur Förderung der funktionsübergreifenden Zusammenarbeit.
• 3-5+ Jahre in einer quantitativen oder Machine-Learning-Rolle, idealerweise im Fintech- oder einem anderen hochtransaktionalen Umfeld. Direkte Erfahrung in der Betrugsprävention oder Risikomodellierung ist stark bevorzugt.
• Praktische Erfahrung in der Produktionsbereitstellung von ML-Diensten, mit einem starken Verständnis moderner MLOps-Konzepte wie Containerisierung (Docker/Kubernetes) und ereignisgesteuerten Architekturen.
• Erfahrung mit ML-Orchestrierungsframeworks wie Metaflow, Apache Flink oder ähnlichen MLOps-Tools.
• Erfahrung in der Implementierung von LLM-basierten Workflows (z.B. agentic pipelines, retrieval-augmented generation oder LLM-assisted feature extraction), insbesondere angewandt auf Betrugserkennung oder Risikosignale.