Schweiz: Arbeitserlaubnis liegt vor.
Im Credit Risk Tribe, Mitglied des FitLab Teams für die Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE) etc. Diese Aufgabe erforderte einen Mix aus Fachwissen in den Bereichen Geschäftsanalyse, Kreditrisiko und SAS 9.4/Viya. Die Aufgabe bestand darin, verschiedene, in SAS 9.4 geschriebene Kreditrisikomodelle auf die zentralisierte SAS Viya 3.5 Plattform zu übertragen. Die Arbeit begann mit der Analyse der ursprünglichen ING SAS 9.4 ISDs und der Sammlung von Requirements für das Umschreiben von Code vor der Implementierung. Zu den Requirements gehörten die Standards von SAS 9.4/Viya 3.5, die Korrektheit des Codes und der Statistiken sowie die Angemessenheit der aktuellen Architekturstandards. Anschließend wurde der Code in SAS Viya (Studio) unter Verwendung von BASE oder DS2 neu geschrieben und getestet (Unit etc.), und später wurde der validierte Modellcode in SAS Decision Mgr und Model Mgr übertragen: SAS Decision Mgr (Kombinieren von Modellen mit Regeln; Erstellen eines Entscheidungsflusses inkl. der Modelle; Veröffentlichung in MAS, um einen API-Aufruf zu ermöglichen). SAS Model Mgr (Modell-Deployment; Registrierung von Modellen und Durchführung technischer Tests). SAS Studio zur Erstellung von eigenem Code. SAS Visual Analytics für spezielle Analyseprojekte, z.B. Ergebnisvariation.
Umgebung: Windows 365, ServiceNow, Confluence, Sharepoint, ING Citrix Access/Authenticator, Aveska/ACE etc.
Projektmanagement: Scrum (Standups, Epics/Storys/Aufgaben, Backlogs/Refinements/Sprints, Demos/Retros). ING wird in ihrem agilen WOW hoch bewertet, eine Bank, die technischen Philosophien, Tools und Methoden folgt.
Inhouse-Schulungen und Zertifizierungen: Banker's Oath, KYC, PIP, AML/Fraud, Fraud Awareness, Agile Basics for New Joiners, einige Spezialschulungen von SAS Institute usw. Siehe Liste unten.
Auswirkungen: Spürbare Fortschritte durch die Implementierung von CR-Modellen mit SAS Viya. Eine von einem Mitarbeiter vorbereitete und gehaltene grenzüberschreitende Präsentation über Erkenntnisse und Lösungen zur Erreichung der Ziele der MPS-Initiative verbesserte die Transparenz der Prozesse und die Zusammenarbeit zwischen Abteilungen und Ebenen.
Anmerkung: Remote, 100%.
Impact:
Ausrichtung und Konsistenz der anwendungsweiten Metadaten. Die durch die neue Anwendung replizierten Ergebnisse wurden extern verifiziert und waren ausnahmslos korrekt. Generierung benutzerfreundlicher Berichte: Unterschiedliche Berichtsdesigns halfen bei der Differenzierung zwischen unterschiedlichen Berichten durch Hintergrund und traffic-lighting für geschäftsrelevante Werte. Trotz eines deutlich höheren Funktionsumfangs, z.B. erweitert um weitere Berichte und Funktionalitäten, verringerte sich die ursprüngliche Bearbeitungszeit von 9 Stunden auf 12 Minuten. Zuvor beklagtes "Einfrieren" war kein Thema mehr. Bedienung dieser leistungsfähigen SAS-Anwendung durch ein benutzerfreundliches Cockpit durch nur wenige "Schalter", u.a. für das Anfordern von Berichten, Daten-Screenings und Optionen für Datenaktualisierungen.
Impact:
Impact:
2010
Martin-Luther Universität Halle-Wittenberg (berufsbegleitend)
Promotion (Thema: auf Anfrage)
Abschluss
mit "? (1,0)
1998
Uni Heidelberg (berufsbegleitend)
Diplom in Psychologie
Schwerpunkte:
Certifications and Trainings
Communication and Leadership
SAS Academy for Data Science Badges
Advanced Predictive Modeling
Big Data Preparation, Statistics and Visual Exploration
SAS Data Science Badges
SAS Advanced Analytics Badges
SAS BI Badges Incl. SAS Viya and Enterprise Guide:
weitere SAS Programming Badges
spezielle SAS Badges
JMP by SAS:
Weitere SAS Trainings und
Kurse
Andere relevante Analytics Trainings und Kurse
EM nodes (v14) according to SEMMA
Natural Language Processing (NLP): Unstructured data
Advanced Analytics and Advanced Statistical Modeling
Profit-Driven Business Analytics:
Causal [regression, survival] Modeling (forecasting):
Clustering and Segmentation:
Optimization Concepts:
Credit Risk Modeling:
Discrete Choice Modeling:
Conjoint Analysis:
Structural Equation Modeling (SEM):
Latent Modeling:
Marketing:
Comparison of Effects (analysis of designs and experiments):
Special Techniques:
Profil
25+ Jahre Erfahrung in
angewandter Statistik und Forschungsmethoden. Einzigartige Mischung aus Analytics, Programmier Skills, und Managementerfahrung, und immer noch hungrig, datengetriebenes
Wissen und Entscheidungen zu verbessern, Herausforderungen zu meistern, und
Probleme zu lösen
Methode
Skills
SAS Plattformen
SAS Clients, Interfaces, und Technologien
SAS Module für Programmierung und Analyse
SAS Sprachen
SAS Base, SQL, fedSQL, CAS Programming, Macro, DS2, Annotate, Hash Programming etc.
Microsoft
Python
Python 3 mit Anaconda Navigator (Conda). IDE: Spyder. Data Science: Pandas, SciPy(statsmodels), Numpy. Data Visualisation: Plotly (Graphic Objects, Express), Matplotlib, Seaborn, D3Blocks, Bokeh. Basics in Dash. Statistics: Statsmodels, SciPy.stats, Researchpy, Pingouin, Machine Learning: Scikit-Learn, Tensorflow, Pytorch. Mehr: JupyterLab/Notebook, Pycharm; preprocessing, missingno, kaleido, networkx, nltk (NLP),vadersentiment, scikit-surprise, xgboost etc.
Mehr
IBM SPSS Statistics, Sisense, Sparx Enterprise Architect etc.
Publicationen/Mitgliedschaften gerne auf Anfrage
Schweiz: Arbeitserlaubnis liegt vor.
Im Credit Risk Tribe, Mitglied des FitLab Teams für die Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE) etc. Diese Aufgabe erforderte einen Mix aus Fachwissen in den Bereichen Geschäftsanalyse, Kreditrisiko und SAS 9.4/Viya. Die Aufgabe bestand darin, verschiedene, in SAS 9.4 geschriebene Kreditrisikomodelle auf die zentralisierte SAS Viya 3.5 Plattform zu übertragen. Die Arbeit begann mit der Analyse der ursprünglichen ING SAS 9.4 ISDs und der Sammlung von Requirements für das Umschreiben von Code vor der Implementierung. Zu den Requirements gehörten die Standards von SAS 9.4/Viya 3.5, die Korrektheit des Codes und der Statistiken sowie die Angemessenheit der aktuellen Architekturstandards. Anschließend wurde der Code in SAS Viya (Studio) unter Verwendung von BASE oder DS2 neu geschrieben und getestet (Unit etc.), und später wurde der validierte Modellcode in SAS Decision Mgr und Model Mgr übertragen: SAS Decision Mgr (Kombinieren von Modellen mit Regeln; Erstellen eines Entscheidungsflusses inkl. der Modelle; Veröffentlichung in MAS, um einen API-Aufruf zu ermöglichen). SAS Model Mgr (Modell-Deployment; Registrierung von Modellen und Durchführung technischer Tests). SAS Studio zur Erstellung von eigenem Code. SAS Visual Analytics für spezielle Analyseprojekte, z.B. Ergebnisvariation.
Umgebung: Windows 365, ServiceNow, Confluence, Sharepoint, ING Citrix Access/Authenticator, Aveska/ACE etc.
Projektmanagement: Scrum (Standups, Epics/Storys/Aufgaben, Backlogs/Refinements/Sprints, Demos/Retros). ING wird in ihrem agilen WOW hoch bewertet, eine Bank, die technischen Philosophien, Tools und Methoden folgt.
Inhouse-Schulungen und Zertifizierungen: Banker's Oath, KYC, PIP, AML/Fraud, Fraud Awareness, Agile Basics for New Joiners, einige Spezialschulungen von SAS Institute usw. Siehe Liste unten.
Auswirkungen: Spürbare Fortschritte durch die Implementierung von CR-Modellen mit SAS Viya. Eine von einem Mitarbeiter vorbereitete und gehaltene grenzüberschreitende Präsentation über Erkenntnisse und Lösungen zur Erreichung der Ziele der MPS-Initiative verbesserte die Transparenz der Prozesse und die Zusammenarbeit zwischen Abteilungen und Ebenen.
Anmerkung: Remote, 100%.
Impact:
Ausrichtung und Konsistenz der anwendungsweiten Metadaten. Die durch die neue Anwendung replizierten Ergebnisse wurden extern verifiziert und waren ausnahmslos korrekt. Generierung benutzerfreundlicher Berichte: Unterschiedliche Berichtsdesigns halfen bei der Differenzierung zwischen unterschiedlichen Berichten durch Hintergrund und traffic-lighting für geschäftsrelevante Werte. Trotz eines deutlich höheren Funktionsumfangs, z.B. erweitert um weitere Berichte und Funktionalitäten, verringerte sich die ursprüngliche Bearbeitungszeit von 9 Stunden auf 12 Minuten. Zuvor beklagtes "Einfrieren" war kein Thema mehr. Bedienung dieser leistungsfähigen SAS-Anwendung durch ein benutzerfreundliches Cockpit durch nur wenige "Schalter", u.a. für das Anfordern von Berichten, Daten-Screenings und Optionen für Datenaktualisierungen.
Impact:
Impact:
2010
Martin-Luther Universität Halle-Wittenberg (berufsbegleitend)
Promotion (Thema: auf Anfrage)
Abschluss
mit "? (1,0)
1998
Uni Heidelberg (berufsbegleitend)
Diplom in Psychologie
Schwerpunkte:
Certifications and Trainings
Communication and Leadership
SAS Academy for Data Science Badges
Advanced Predictive Modeling
Big Data Preparation, Statistics and Visual Exploration
SAS Data Science Badges
SAS Advanced Analytics Badges
SAS BI Badges Incl. SAS Viya and Enterprise Guide:
weitere SAS Programming Badges
spezielle SAS Badges
JMP by SAS:
Weitere SAS Trainings und
Kurse
Andere relevante Analytics Trainings und Kurse
EM nodes (v14) according to SEMMA
Natural Language Processing (NLP): Unstructured data
Advanced Analytics and Advanced Statistical Modeling
Profit-Driven Business Analytics:
Causal [regression, survival] Modeling (forecasting):
Clustering and Segmentation:
Optimization Concepts:
Credit Risk Modeling:
Discrete Choice Modeling:
Conjoint Analysis:
Structural Equation Modeling (SEM):
Latent Modeling:
Marketing:
Comparison of Effects (analysis of designs and experiments):
Special Techniques:
Profil
25+ Jahre Erfahrung in
angewandter Statistik und Forschungsmethoden. Einzigartige Mischung aus Analytics, Programmier Skills, und Managementerfahrung, und immer noch hungrig, datengetriebenes
Wissen und Entscheidungen zu verbessern, Herausforderungen zu meistern, und
Probleme zu lösen
Methode
Skills
SAS Plattformen
SAS Clients, Interfaces, und Technologien
SAS Module für Programmierung und Analyse
SAS Sprachen
SAS Base, SQL, fedSQL, CAS Programming, Macro, DS2, Annotate, Hash Programming etc.
Microsoft
Python
Python 3 mit Anaconda Navigator (Conda). IDE: Spyder. Data Science: Pandas, SciPy(statsmodels), Numpy. Data Visualisation: Plotly (Graphic Objects, Express), Matplotlib, Seaborn, D3Blocks, Bokeh. Basics in Dash. Statistics: Statsmodels, SciPy.stats, Researchpy, Pingouin, Machine Learning: Scikit-Learn, Tensorflow, Pytorch. Mehr: JupyterLab/Notebook, Pycharm; preprocessing, missingno, kaleido, networkx, nltk (NLP),vadersentiment, scikit-surprise, xgboost etc.
Mehr
IBM SPSS Statistics, Sisense, Sparx Enterprise Architect etc.
Publicationen/Mitgliedschaften gerne auf Anfrage
Direktester geht's nicht! Ganz einfach Freelancer finden und direkt Kontakt aufnehmen.
"[...] Der Research Analyst hat seine Aufgaben auf der Grundlage eines umfassenden Sachwissens engagiert zu unserer vollen Zufriedenheit durchgeführt."
— Projekt Vorhersagemodelle zu Mobilfunk-Vertragsverlängerungen, 03/06 - 06/06
Referenz durch Telekommunikationsunternehmen (>3.000 MA) vom 06.11.06