快手
风控模型实习生（信贷方向）
风控模型实习生（信贷方向）
发布于 大约 20 小时前实习/见习
实习生仅现场办公风险管理
风险管理
Xgboost
信用评分卡
大数据
数据分析
机器学习
特征工程
风控模型
值不值得投
70综合评分
综合评分 70
技术成长快、平台好，但WLB未知。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
6K
比风险管理中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2150 个在招
市场机会
选择适中
北京 · 风险管理 · 24 个在招
职位详情
关于这个职位
该职位是快手风控模型实习生，专注于信贷方向的风控模型开发与优化
工作内容包括协助参与先用后付产品的全生命周期风控模型开发，如反欺诈模型和信用评分卡，以及基于海量用户行为数据进行特征挖掘，以提升模型对年轻客群的区分度
最低要求
本科及以上学历，数学、统计学、计算机科学、金融工程、运筹学或相关量化专业
熟练使用Python进行数据分析及建模，熟悉Pandas、NumPy、Sklearn等数据科学库
熟悉概率论、数理统计基础，熟悉逻辑回归、集成学习（XGBoost/LightGBM）、DNN等常见的机器学习和深度学习
工作职责
模型开发与优化：协助参与先用后付产品（如0元下单、延后付款）全生命周期风控模型的开发，包括但不限于反欺诈模型、信用评分卡（A卡/B卡）
主要工作涉及数据清洗、特征工程、变量筛选及模型训练
特征挖掘与分析：基于海量用户行为数据（如电商浏览点击、历史支付履约、社交网络痕迹）及外部征信数据，挖掘有效的弱变量特征，提升模型对长尾年轻客群的区分度
优先资格
加分项：有过互联网金融、信用卡中心、消金公司风控等相关实习经历，有Hive、Spark等大数据经验，对Agent、Skills等AI大模型有所了解
AI 洞察
优缺点分析
优点
- 在大公司平台积累实战经验，接触海量数据
- 风控技术是金融科技核心，行业前景好
- 技能提升快，涉及前沿机器学习技术
- 技术要求高，需快速掌握复杂模型
- 工作强度可能较大，需适应快节奏
- 竞争激烈，需持续学习保持优势
- 适合对风控、机器学习感兴趣的量化专业学生，希望在大公司积累经验
缺点 / 挑战
暂无明显挑战项
角色解读
- 成长为专业的风控模型工程师或数据科学家
- 深入金融风控领域，参与更复杂的模型开发
- 可转向AI大模型在风控中的应用研究
- 协助开发信贷产品的风控模型，包括反欺诈和信用评分卡
- 进行数据清洗、特征工程和模型训练，优化模型性能
- 挖掘用户行为数据，提升模型对年轻客群的区分度
- 熟练使用Python及数据分析库，如Pandas、NumPy
- 掌握机器学习算法，如逻辑回归、XGBoost、DNN
- 了解统计学基础和概率论
申请策略
- 了解快手的信贷产品和风控策略
- 准备面试中可能涉及的模型案例和算法问题
- 突出Python编程和数据分析项目经验
- 强调机器学习模型开发的相关实习或课程项目
- 展示对金融风控的理解和兴趣
- 学习Hive、Spark等大数据技术，提升数据处理能力
- 深入了解风控模型的业务逻辑和行业实践
- 关注AI大模型在风控领域的应用
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经历
- 结合具体例子说明特征选择和优化过程
- 比较算法优缺点，并联系实际业务场景
- 请描述一个你参与过的机器学习项目，特别是模型开发过程
- 如何进行特征工程以提升模型效果？
- 解释逻辑回归和XGBoost的区别和应用场景
- 你对信贷风控有什么理解？
- 复习机器学习基础算法和Python数据科学库
职位点评
薪资福利70
成长发展85
工作生活50
使命价值65
薪资福利
70中等
作为上市公司的实习岗位，薪资有市场竞争力，公司稳定性高。
薪资信号市场水准 (4K-8K/月)
成长发展
85较高
能接触前沿风控技术和大数据实践，技能成长空间大。
技术前沿前沿/新兴技术
技术栈Python、机器学习、深度学习
业务类型ambiguous
工作生活
50较低
JD未明确办公模式或WLB，通常实习工作强度可能较高。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
65中等
风控工作对金融安全有积极影响，行业处于增长阶段。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs