Gagnagreinir CV dæmi

Yfirlit

Gagnagreinara-CV hafa þekktar bresti: "Python, SQL, Tableau" er listað en engin dæmi um hvað var greint eða hvernig niðurstöðurnar voru nýttar. Á Íslandi er áskorunin sérstæð: gagnasöfnin eru lítil. 380.000 manns í þjóðinni þýðir að greinarar þurfa að geta unnið með marktækar niðurstöður úr litlum gagnasöfnum — og kynna þær á þann hátt að hagsmunaaðilar skilji.

Þetta CV tilheyrir Björn Sigurðssyni, gagnagreinara með sex ára reynslu. Hann starfar hjá Íslandsbanka í áhættugreiningardeild og var áður hjá Meniga.

Samantektin: Verkfæri, gagnalén, áhrif

Gagnagreinir með sex ára reynslu í fjármálum og fintech. Nú ábyrg fyrir stjórnborðum og forspárlíkönum í áhættugreiningardeild Íslandsbanka — gagnasafn yfir 240.000 viðskiptavinum. Sérþekking í Python, SQL og Power BI. Þekki íslenskar persónuverndarlegar kröfur (lög nr. 90/2018) og GDPR-meðhöndlun í fjármálum.

240.000 viðskiptavinir og GDPR-þekking í fjármálum eru tveir sérstaklega mikilvægir þættiir fyrir fjármálafyrirtæki.

Starfsreynsla: Innsæi með mælanleg áhrif

Íslandsbanki — Áhættugreining

Smíðaði forspárlíkan fyrir útlánaskilyrðisbrestir (PD-líkan) — AUC-nákvæmni 0,84 samanborið við 0,71 hjá fyrra líkani

Þróaði Power BI-stjórnborð sem gefur 9 framkvæmdastjórum dagleg uppfærð áhættuyfirlit — 22 sjónarmiðskortar í einu skjali

Greindi greiðsluhegðun 18.000 lánþega til að bera kennsl á 3 hópa með hæstum vangreiðsluáhættu — niðurstöður notaðar við þróun nýrrar lánastefnu

AUC-bæting frá 0,71 í 0,84 er töluleg og tæknilega marktæk. 22 kortastjórnborð fyrir 9 framkvæmdastjóra sýnir að vinnan er í notkun — ekki aðeins gerð.

Meniga

Þróaði flokkunarlíkan fyrir persónulegar fjármálafærslur — 1,2 milljónar færslur á mánuði, nákvæmni 91%

Smíðaði sjálfvirkt skýrslukerfi í Python (pandas, sqlalchemy) sem sparar teyminu 11 klst. á viku

Samhæfðar gagnagrunnar þvert á 6 banka í Norðurlandasamstarfi — staðlað gagnalíkan (data model) notað af 4 löndum

91% nákvæmni og 1,2 milljónar færslur eru bæði tæknilegar og skiljangar tölur. 11 klst. í hverri viku er tala sem jafnvel rekstrarstjóri sem skilur ekki Python sér gildi í.

Tæknilegar hæfni

• Python (pandas, scikit-learn, sqlalchemy, matplotlib)
• SQL (PostgreSQL, T-SQL)
• Power BI & DAX
• Excel (Power Query, VBA)
• Azure Machine Learning (grundvöllur)
• Persónuverndarlög — lög nr. 90/2018 (GDPR)
• Git & versióustýring

Persónuverndarlög í hæfnilista gagnagreinis hjá fjármálafyrirtæki er bæði dýrmætt og sjaldan sett inn af umsækjendum — en mikilvægt.

Menntun og skírteini

• BSc í tölfræði og hagfræði, Háskóli Íslands, 2018
• Microsoft Certified: Power BI Data Analyst Associate (PL-300), 2024
• Námskeið í vélanámi (Machine Learning Specialization), Coursera/Stanford, 2022

Lykilverkefni: Lánaskuldbindingarforspá

Hóf frá grunni: safnaði gögnum úr 4 innri kerfum, hreinsaði 18 mánuðir af sögulegum lánagögnum, þjálfaði XGBoost-líkan. Líkanið er nú í framleiðslu og er keyrt daglega á 240.000 reikninga. Í fyrstu þremur mánuðum í rekstri greindi það 340 reikninga með háa vangreiðsluáhættu sem hefðu annars farið í hefðbundna yfirferð — sparaði um 4,2 milljóna króna í vanskil.

4,2 milljónar króna í sparnaðargildi á þremur mánuðum. Þetta er tala sem framkvæmdastjóri og tæknistjóri skilja hvorum tveggja.

Skoðaðu þetta

Á Íslandi eru gagnasöfn lítil í alþjóðlegum samanburði. Þetta er bæði áskorun og kostur: ef þú getur sýnt fram á marktækar niðurstöður úr 50.000 skráningum — ekki 5 milljóna — og útskýrt hvernig þú tókst á við takmarkaðan gagnastærð (yfirfærsla, félagslegar niðurstöður, gagnaauki) þá sýnir þú tæknilega þroska sem er einstæður á litlum mörkuðum.