Кто такой Director of Data Science
Director of Data Science отвечает за всё, что в компании строится на данных: аналитическую инфраструктуру, модели риска и антифрода, персонализацию, прогнозирование оттока и ликвидностиЛиквидностьЛиквидность — способность актива или денежных средств быстро обмениваться или быть выплаченными без существенного изменения цены или потерь на сделке.. В финтехе и платежах от качества этих моделей напрямую зависят одобрение заявок, потери от мошенничества, стоимость привлечения и соответствие требованиям регулятора.
Роль находится на уровне директора и обычно подчиняется CTO, CPOCPOCPO (Cost Per Order) — модель оплаты, при которой рекламодатель платит вебмастеру фиксированную сумму за каждый оформленный или подтверждённый заказ. или CEO. Под его началом работают Head of Analytics, Lead Data Scientist, ML-инженеры и аналитики, иногда отдельная команда data engineering. Он согласовывает приоритеты с риск-командой, продуктом и финансами и отвечает за то, чтобы data-решения принимались на основе проверяемых метрик, а не на интуиции.
В платёжных компаниях роль сочетает техническую экспертизу с управлением: нужно понимать, как работают скоринговыеСкоринг фродаСкоринг фрода — присвоение транзакции, платежу или игроку численной оценки риска мошенничества на основе правил и моделей. По порогу оценки система одобряет, проверяет вручную или отклоняет операцию. модели, как их валидировать и документировать для аудита, и при этом уметь выстроить процессы, бюджет и найм для команды на несколько десятков специалистов.
Обязанности
- Формирует стратегию data science-направления и согласует её с приоритетами бизнеса и продукта
- Управляет командами аналитиков, data scientists и ML-инженеров: найм, развитие, постановка целей, ревью результатов
- Отвечает за модели кредитного и антифрод-скоринга: разработка, валидация, мониторинг деградации и переобучение
- Контролирует качество данных и совместно с data engineering определяет требования к хранилищу и витринам
- Согласует с риск-командой и комплаенсом методологию моделей, документацию и объяснимость решений для регулятора и аудита
- Организует A/B-тесты и эксперименты, следит за их дизайном и корректностью выводов
- Переводит бизнес-задачи (отток, ликвидность, конверсия в онбординге) в data-проекты с понятными метриками успеха
- Определяет архитектуру ML-платформы и выбор инструментов совместно с CTO
- Отчитывается перед топ-менеджментом о влиянии data-решений на выручку, потери и операционные показатели
Навыки
- Глубокое понимание статистики, машинного обучения и причинно-следственного вывода
- Опыт построения и валидации скоринговых и антифрод-моделей
- Понимание специфики платежей: чарджбеки, мошенничество, авторизации, KYC
- Умение переводить сложные результаты в решения для бизнеса и не-технической аудитории
- Управление командой и приоритизацией: планирование ресурсов, конфликты интересов между подразделениями
- Работа с регуляторными требованиями к моделям и их документацией
- Понимание unit-экономики продукта и умение оценивать влияние моделей в деньгах
- Навыки переговоров с риском, продуктом, финансами и юристами
Инструменты
- SQL и хранилища данных (BigQuery, ClickHouse, Snowflake или аналоги)
- Python и библиотеки для ML (scikit-learn, XGBoost, pandas)
- MLflow или аналогичные системы трекинга и деплоя моделей
- BI-инструменты (Tableau, Looker, Metabase)
- Jira и Confluence для управления задачами и документацией
- Системы A/B-тестирования и feature flags
Как оценивают работу: KPI
- Качество скоринговых моделей: Gini, KS, стабильность по популяции
- Доля решений, принятых автоматически на основе моделей
- Снижение потерь от мошенничества и дефолтов относительно базовой линии
- Влияние data-проектов на конверсию и выручку, подтверждённое экспериментами
- Время от постановки задачи до внедрения модели в продакшн
- Укомплектованность команды и текучесть специалистов
Особенности по вертикалям
FinTech
В финтехе и платежах Director of Data Science отвечает за модели, которые принимают решения о деньгах клиента в реальном времени: одобрение, лимиты, блокировки транзакций. Ключевые задачи — баланс между потерями от мошенничества и потерей легитимных клиентов, а также объяснимость решений для регулятора и банков-партнёров.
Грейды: чем отличается уровень
Head of / Director
Уровень Head of / Director: отвечает за стратегию data-направления целиком, бюджет и найм, ведёт диалог с C-level и регулятором, принимает решения о построении платформы и приоритетах между проектами. Работает через руководителей команд, а не лично с моделями, и несёт ответственность за экономический эффект от data-инвестиций.
Как стать Director of Data Science
Обычно в роль приходят из позиций Lead Data Scientist, Head of Analytics или ML-руководителя, которые уже отвечали за продакшн-модели и работу с бизнесом. Важно иметь опыт именно внедрения моделей в процессы, а не только исследований в ноутбуках.
Полезно пройти путь через управление: сначала вести небольшую команду или крупный проект, научиться защищать методологию перед риском и топ-менеджментом, выстраивать приоритеты. Знание платежей и регуляторных требований к моделям в финтехе часто становится решающим при найме.
Для роста стоит регулярно публиковать и защищать результаты перед бизнесом, строить метрики влияния data-проектов в деньгах и участвовать в построении процессов валидации моделей. Это то, что отличает руководителя от сильного специалиста.
Куда расти дальше: Chief Data Officer (CDO), VP of Data, Head of Analytics, Chief Analytics Officer (CAO), Head of Machine Learning
Термины, которые нужно знать
- Скоринг
- Антифрод
- Чарджбек
- KYC
- Gini и KS-статистика
- A/B-тестирование
- Фича-стор
- Model drift
Частые вопросы
Чем Director of Data Science отличается от Head of Analytics?
Head of Analytics обычно отвечает за отчётность, бизнес-аналитику и метрики, а Director of Data Science — за модели и ML-системы, которые автоматически принимают решения или влияют на них. В небольших компаниях обе роли могут совмещаться, в крупных — разделяются.
Нужен ли техническое образование для этой роли?
Да, на практике роль требует глубокого понимания статистики, ML и работы с данными, иначе сложно оценивать качество моделей и разговаривать с командой. Формальное образование важно меньше, чем подтверждённый опыт построения и внедрения моделей в продакшн.
От чего зависит доход на этой позиции?
Доход зависит от размера компании и её выручки, масштаба data-команды, уровня ответственности за риск и регуляторные требования, а также от того, насколько прямо data-направление влияет на прибыль. Чем выше экономический эффект от моделей, тем выше ценность роли для бизнеса.
Какие риски у роли в платёжных компаниях?
Основные риски связаны с ошибками моделей, которые приводят к блокировкам легитимных клиентов или пропуску мошенничества, а также с требованиями регулятора к объяснимости и документации. Директор отвечает за процессы валидации и мониторинга, чтобы такие ошибки выявлялись до того, как они станут системными.
Можно ли перейти в эту роль из другой сферы?
Возможно, если есть опыт управления аналитикой или ML-командами и понимание бизнес-процессов. Переход из чисто академической среды или из e-commerce без опыта в риск-моделях и платежах обычно требует дополнительного времени на изучение специфики индустрии.