Fraud Data Scientist L2 at Vana

<div> <p data-start="144" data-end="592"><strong data-start="144" data-end="203">Data Scientist enfocado en la prevención de fraude</strong>, desempeñarás un papel clave en el diseño y desarrollo de modelos que ayuden a identificar comportamientos anómalos, transacciones sospechosas y patrones relacionados con fraude. Trabajarás con grandes volúmenes de datos y aplicarás técnicas de <em data-start="449" data-end="467">machine learning</em> supervisadas y no supervisadas para fortalecer nuestros sistemas de detección de fraude y automatizar la toma de decisiones.</p> <p data-start="594" data-end="993">Este rol requiere una sólida comprensión de los problemas de clasificación desbalanceada, fuertes habilidades en <em data-start="707" data-end="728">feature engineering</em>, y la capacidad de adaptar los modelos a los cambios en el comportamiento de los usuarios y a nuevas estrategias de fraude. Se valora experiencia en fintech, banca, seguros u otras industrias con un fuerte enfoque en prevención de fraude y controles automatizados.</p> <h3 data-section-id="11lw060" data-start="995" data-end="1020"><strong data-start="999" data-end="1020">Responsabilidades</strong></h3> <p data-start="1022" data-end="1176"><strong data-start="1022" data-end="1055">Análisis y modelado de datos:</strong><br data-start="1055" data-end="1058">Explorar grandes conjuntos de datos transaccionales y de comportamiento para identificar patrones asociados al fraude.</p> <p data-start="1178" data-end="1376"><strong data-start="1178" data-end="1217">Desarrollo y validación de modelos:</strong><br data-start="1217" data-end="1220">Construir y validar modelos de clasificación utilizando técnicas de <em data-start="1288" data-end="1306">machine learning</em> adaptadas a problemas de datos desbalanceados (fraude vs. no fraude).</p> <p data-start="1378" data-end="1541"><strong data-start="1378" data-end="1402">Feature engineering:</strong><br data-start="1402" data-end="1405">Crear variables derivadas que mejoren el desempeño y la capacidad de generalización del modelo, evitando el sobreajuste (<em data-start="1526" data-end="1539">overfitting</em>).</p> <p data-start="1543" data-end="1724"><strong data-start="1543" data-end="1575">Colaboración interfuncional:</strong><br data-start="1575" data-end="1578">Trabajar con equipos de ingeniería, producto y operaciones para garantizar una integración fluida de los modelos dentro de los flujos de decisión.</p> <p data-start="1726" data-end="1930"><strong data-start="1726" data-end="1752">Monitoreo e iteración:</strong><br data-start="1752" data-end="1755">Dar seguimiento al desempeño de los modelos en producción e iterar en función de cambios en el comportamiento de los usuarios, tendencias de fraude o ajustes en la estrategia.</p> <p data-start="1932" data-end="2102"><strong data-start="1932" data-end="1963">Investigación e innovación:</strong><br data-start="1963" data-end="1966">Mantenerse actualizado sobre técnicas avanzadas de <em data-start="2017" data-end="2035">machine learning</em> para la detección de fraude en entornos digitales transaccionales.</p> <h3 data-section-id="1ixlvvy" data-start="2104" data-end="2122"><strong data-start="2108" data-end="2122">Requisitos</strong></h3> <ul data-start="2124" data-end="3112"> <li data-section-id="4nmkw" data-start="2124" data-end="2293"> <p data-start="2126" data-end="2293">Licenciatura en Ciencia de Datos, Estadística, Matemática, Ciencias de la Computación o un campo relacionado, con sólidas habilidades de programación <strong data-start="2276" data-end="2293">[OBLIGATORIO]</strong></p> </li> <li data-section-id="nltokl" data-start="2294" data-end="2428"> <p data-start="2296" data-end="2428">1–2 años de experiencia en Ciencia de Datos o Analítica de Datos/Negocio (con conocimientos de <em data-start="2391" data-end="2409">machine learning</em>) <strong data-start="2411" data-end="2428">[OBLIGATORIO]</strong></p> </li> <li data-section-id="shzxjh" data-start="2429" data-end="2509"> <p data-start="2431" data-end="2509">Más de 2 años de experiencia utilizando <strong data-start="2471" data-end="2481">Python</strong> y <strong data-start="2484" data-end="2491">SQL</strong> <strong data-start="2492" data-end="2509">[OBLIGATORIO]</strong></p> </li> <li data-section-id="dhgu8x" data-start="2510" data-end="2632"> <p data-start="2512" data-end="2632">Conocimiento en <strong data-start="2528" data-end="2614">detección de fraude, detección de anomalías o modelado con datasets desbalanceados</strong> <strong data-start="2615" data-end="2632">[OBLIGATORIO]</strong></p> </li> <li data-section-id="huthgl" data-start="2633" data-end="2736"> <p data-start="2635" data-end="2736">Experiencia en la industria <strong data-start="2663" data-end="2691">fintech, seguros o banca</strong> es valorada pero no requerida <strong data-start="2722" data-end="2736">[DESEABLE]</strong></p> </li> <li data-section-id="bvqk8l" data-start="2737" data-end="2801"> <p data-start="2739" data-end="2801">Conocimiento en <strong data-start="2755" data-end="2775">servicios de AWS</strong> es un plus <strong data-start="2787" data-end="2801">[DESEABLE]</strong></p> </li> <li data-section-id="1ierlfr" data-start="2802" data-end="2977"> <p data-start="2804" data-end="2977">Fuertes habilidades analíticas y mentalidad orientada a la resolución de problemas, con capacidad para extraer <em data-start="2915" data-end="2925">insights</em> accionables a partir de los datos <strong data-start="2960" data-end="2977">[OBLIGATORIO]</strong></p> </li> <li data-section-id="qwxq0e" data-start="2978" data-end="3112"> <p data-start="2980" data-end="3112">Comprensión del <strong data-start="2996" data-end="3097">comportamiento del consumidor, fuentes de datos alternativas y plataformas de préstamos digitales</strong> <strong data-start="3098" data-end="3112">[DESEABLE]</strong></p> </li> </ul> </div>