德勤
Consultant/Senior Consultant - Regulatory & Financial Risk - BJ/SH/GZ/SZ(107227)战略、风险与企业交易
Consultant/Senior Consultant - Regulatory & Financial Risk - BJ/SH/GZ/SZ(107227)战略、风险与企业交易
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公风险管理
风险管理
Pytorch
Sas
Sql
信用风险建模
机器学习
模型验证
深度学习
特征工程
自然语言处理
值不值得投
66综合评分
综合评分 66
德勤风险咨询岗，信用风险建模与AI应用并重，发展性较好但工作模式与节奏需确认。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.1万
比风险管理中位数高
发布情况
正常在招 · 10 天前发布
公司情况
这家公司招聘很活跃
约 520 个在招 · 其中风险管理 10 个
市场机会
选择面较广
上海 · 风险管理 · 66 个在招
职位详情
关于这个职位
你将在德勤风险咨询团队为银行等金融机构提供信用风险量化建模、数据清洗、模型验证与AI应用，支持风险咨询项目交付及业务拓展
该岗位适合具备金融数据分析与建模经验、希望在监管与金融风险领域深耕的求职者
最低要求
学历：金融、经济、工程、风险管理、量化金融、法律或相关专业本科学位
经验：在领先咨询公司、银行、保险公司、交易所、监管机构、信用评级机构、经纪商、私募股权、资产管理、科技公司/初创企业有3-5年行业经验，或具备信用风险量化建模与AI算法应用相关经验
具备金融行业数据分析、特征工程和模型验证的实操经验
深入了解信用风险管理框架，精通统计、机器学习和AI技术，尤其是深度学习和自然语言处理
精通信用风险模型算法与操作，包括逻辑回归、决策树、聚类和神经网络
拥有丰富的金融机构数据经验，熟悉授信审批流程以及零售和非零售贷款的数据清洗/分析
熟练处理外部数据（如人行、税务、司法数据）以及结构化和非结构化数据，熟悉异常数据处理方法
具备信用风险模型开发、部署、验证、优化和持续监控的成熟经验
具备熟练编程能力，精通SAS、Python或SQL，以及sklearn、PyTorch等机器学习库
专业资质：FRM、CFA、SAS相关或同等认证
有复杂矩阵环境工作经验
具有国际视野和文化敏感性
熟悉影响金融机构的监管环境变化
优秀的沟通协作能力，能在团队中有效工作
流利的商务英语书面和口头表达能力
能够支持转型与变革举措，展现热情、驱动力和有效性
工作职责
对财务与会计数据集进行数据清洗，实现标准化与统一化
开发、优化并验证信用风险量化模型，提升其在贷款审批、违约预测和信用评分中的应用
利用统计与机器学习方法构建信用风险模型，提高预测能力和稳定性
参与将AI技术应用于信用风险管理的项目，探索深度学习、强化学习等先进方法在信用评分和违约预测中的应用
分析和处理多源异构数据（如交易数据、社交数据、行为数据），提升数据质量并设计有效特征
具备构建和应用方法论、框架、流程、资产与工具的能力，以开发并实施有效的数据驱动解决方案
支持并交付风险咨询项目，按预期范围和时间线产出高质量项目交付物
支持业务拓展，包括投标流程和合同管理
参与品牌/影响力建设活动，巩固德勤在风险咨询服务领域的领先地位，例如参加活动和发表出版物
为咨询工具和方法论的持续开发与改进做出贡献
支持德勤与香港及其他地区主要金融机构、行业代表机构和监管机构的关系
在任职期间，需在以下领域展示并发展领导力与专业能力：激励、创造目标、推动敏捷、建立多元能力、影响、协作、交付价值、发展业务、分析敏锐度、有效沟通、项目/交付卓越、变革管理、质量与风险管理、销售卓越、战略思维与问题解决、技术敏锐度
优先资格
中文流利为加分项
AI 洞察
优缺点分析
优点
- 覆盖传统评分卡与深度学习、NLP等AI方法，技术栈复合
- 岗位同时锻炼模型开发、项目交付和业务拓展能力
- 多城市办公与客户现场驻场可能性需提前确认
缺点 / 挑战
- 接触银行等金融机构的信用风险核心场景，项目经验含金量较高
- 德勤平台提供风险咨询、监管和金融机构客户资源，利于长期职业背书
- 咨询项目通常需要同时满足客户、监管和内部交付要求，工作节奏与质量压力需有准备
- 信用风险建模对金融业务理解和数据质量要求高，模型验证与解释成本较大
- 适合有金融数据分析或风险建模基础、愿意在咨询环境中快速积累多客户项目经验，并能适应一定出差与交付压力的求职者
角色解读
- 在德勤风险咨询体系内从Consultant向Senior Consultant、Manager等层级发展
- 积累银行信用风险建模、监管合规和AI应用经验，可转向金融机构风险管理或数据科学岗位
- 通过项目交付、投标和方法论建设，逐步承担团队管理与客户关系职责
- 为银行等金融机构清洗财务与会计数据，搭建标准化数据基础
- 开发、优化和验证信用风险量化模型，用于贷款审批、违约预测与信用评分
- 用统计、机器学习和AI方法处理多源异构数据，设计特征并提升模型预测力
- 在咨询项目中交付风险模型与数据解决方案，并参与投标、工具方法论建设等
- 扎实的信用风险管理框架知识，熟悉逻辑回归、决策树、聚类、神经网络等模型
- 熟练使用SAS、Python或SQL，掌握sklearn、PyTorch等机器学习库
- 具备金融数据清洗、特征工程、模型部署验证与持续监控经验
- 理解外部数据（人行、税务、司法等）和结构/非结构化数据处理，具备良好沟通与英文能力
申请策略
- 投递时明确优先城市（上海/北京/广州/深圳），并在面试中确认实际办公地与驻场安排
- 了解德勤风险咨询在金融监管、信用风险建模方面的项目案例，准备与岗位职责对应的故事
- 突出信用风险评分卡、违约预测、贷款审批等模型开发与验证项目，量化模型效果
- 展示Python/SAS/SQL编程与sklearn、PyTorch等工具的实际使用，以及特征工程和异常数据处理经验
- 强调金融行业数据清洗、外部数据（人行、税务、司法）整合和模型监控经验
- 体现咨询项目交付、投标支持、跨团队协作和英文沟通能力
- 补齐信用风险管理框架和监管要求知识，熟悉零售/非零售贷款授信流程
- 准备可复述的深度学习、NLP在信用评分中的应用案例，并练习模型解释与验证方法
面试指南
- 用STAR结构讲项目：业务背景、数据与模型方法、你的动作、模型效果与业务价值
- 技术问题先给结论，再解释选择理由、验证方法和风险控制，最后补充可改进点
- 咨询场景题突出沟通、范围管理、质量复核和跨团队协作，说明如何平衡客户需求与交付边界
- 请介绍一个你主导或参与的信用风险模型开发项目，如何做特征工程和模型验证？
- 逻辑回归、决策树、聚类和神经网络在信用评分场景中如何选择和比较？
- 你如何处理人行、税务、司法等外部数据中的异常值、缺失值和结构/非结构化数据？
- 深度学习和NLP在违约预测或信用评分中有哪些应用思路与局限？
- 咨询项目中如何管理客户预期、交付时间和模型质量？
职位点评
薪资福利62
成长发展82
工作生活50
使命价值68
薪资福利
62中等
JD未披露薪资和具体福利，补偿性信息有限；岗位层级与城市显示薪酬可能处于市场中位，需在offer阶段确认。
薪资信号未披露（AI估算：2.4千–3.8万/月）
成长发展
82较高
岗位深度涉及信用风险建模、模型验证和AI应用，有利于积累金融风险与数据科学复合经验；JD未明确晋升路径。
技术前沿主流现代技术
技术栈Credit Risk Model、Machine Learning、Deep Learning、NLP、Reinforcement Learning、Python、SAS、SQL、sklearn、PyTorch、Feature Engineering、Model Validation
成长机会During your tenure with us, you will demonstrate and develop your leadership and professional capabilities、Contribute to the continuous development and improvement of advisory tools and methodologies
业务类型profit_center
工作生活
50较低
JD未提及办公模式、弹性或加班安排，生活化动机信息有限，建议面试确认项目节奏、出差和驻场要求。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
68中等
岗位服务于金融机构信用风险管理与监管合规，具有专业价值；JD强调AI应用，但社会使命表达有限。
行业发展稳定成熟行业
社会影响中性/一般
使命信号Shape your future through impact that matters
创新程度积极采用新技术
德勤 的其他在招职位
相似职位推荐
Watch Jobs