Director, Data Science & Engineering, Finance

Wilayah: Amerika Serikat. Sumber lowongan: Jobicy. Lamar melalui halaman sumber.

Role Description

Ini adalah peran kepemimpinan yang krusial di persimpangan antara data science, data engineering, finance, dan AI. Sebagai Director, Data Science & Data Engineering for Finance, Anda akan memimpin tim kecil berdampak tinggi yang memampukan divisi Finance untuk mengambil keputusan dengan lebih baik melalui data yang tepercaya, sistem analitik yang tangguh, pemodelan terapan, dan kapabilitas yang semakin didukung oleh AI.

Anda akan membawahi dua direct report: seorang data scientist dan seorang data engineer. Bersama-sama, tim ini mendukung organisasi finansial dalam operasional bisnis rutin, pemeliharaan driver-model, koordinasi pengetahuan, wawasan analitik, serta pengembangan dan operasionalisasi use case AI dan machine learning. Peran ini membutuhkan kedalaman teknis yang cukup untuk membimbing kedua bidang tersebut, dengan tetap menjaga fokus yang jelas pada hasil bisnis, keandalan, dan pertumbuhan tim.

Anda akan bermitra secara erat dengan pimpinan Finance, Engineering, Data, Product, dan pemangku kepentingan lintas fungsi lainnya untuk menetapkan prioritas, meningkatkan kualitas serta aksesibilitas data keuangan, dan membentuk peta jalan (roadmap) yang berorientasi ke depan. Anda diharapkan mampu mengarahkan tim melampaui eksekusi berbasis permintaan: mengidentifikasi peluang dengan daya ungkit tertinggi, memperjelas masalah yang layak diselesaikan, dan menciptakan mekanisme operasional yang diperlukan untuk memberikan dampak yang berkelanjutan.

Ini adalah kesempatan untuk membentuk bagaimana Finance menggunakan data and AI pada saat teknologi yang mendasari, model operasional, dan ekspektasi berubah dengan cepat. Kandidat yang sukses akan membawa pola pikir bertumbuh (growth mindset), latar belakang yang kuat di bidang data science atau data engineering, dan kemampuan untuk memimpin secara efektif di kedua bidang tersebut.

Responsibilities

• Mengelola dan mengembangkan tim multidisiplin: Memimpin, melatih, dan mengembangkan seorang data scientist dan seorang data engineer, dengan menetapkan ekspektasi yang jelas, rencana pengembangan yang bermakna, delegasi yang efektif, serta budaya kepemilikan dan perbaikan berkelanjutan yang kuat.

• Menetapkan strategi dan prioritas tim: Menerjemahkan tujuan Finance dan perusahaan ke dalam portofolio pekerjaan yang terfokus. Memprioritaskan secara ketat di antara inisiatif strategis, tanggung jawab operasional rutin, pemeliharaan model, koordinasi pengetahuan, dan utang teknis (technical debt).

• Memberikan kepemimpinan teknis di bidang data science dan data engineering: Membimbing pembingkaian masalah (problem framing), pendekatan analitik dan pemodelan, arsitektur data, kualitas pipeline, pengujian, pemantauan, dokumentasi, and kesiapan produksi. Anda tidak harus menjadi ahli mendalam di kedua bidang tersebut, tetapi Anda harus mampu mengajukan pertanyaan yang tepat, mengenali trade-off, dan meningkatkan standar teknis.

• Memajukan kapabilitas AI dan pemodelan: Mengidentifikasi peluang bernilai tinggi untuk menerapkan AI, machine learning, otomatisasi, dan analitik tingkat lanjut pada alur kerja Finance. Menetapkan standar yang sesuai untuk eksperimen, evaluasi, interpretabilitas, pengawasan manusia, privasi, dan pemantauan berkelanjutan.

• Membangun fondasi data yang tepercaya: Bermitra dengan data engineering dan pemangku kepentingan Finance untuk meningkatkan dataset sumber kebenaran (source of truth), kualitas data, lineage, observabilitas, dokumentasi, dan keandalan. Memastikan bahwa pelaporan rutin, driver model, dan analisis hilir didasarkan pada data yang akurat dan dikelola dengan baik.

• Bertanggung jawab atas hasil analitik dan pemodelan: Memastikan tim mengembangkan, memelihara, mengevaluasi, dan meningkatkan model serta analisis yang mendukung perencanaan keuangan, peramalan (forecasting), pemahaman pendorong bisnis (business driver), dan pengambilan keputusan. Menghubungkan pekerjaan teknis dengan hasil bisnis yang terukur alih-alih memperlakukan penyerahan model sebagai garis akhir.

• Menciptakan mekanisme operasional yang dapat menskalakan: Menetapkan proses yang ringan untuk penerimaan (intake), penetapan prioritas, perencanaan roadmap, tinjauan model dan pipeline, penanganan insiden, dokumentasi, berbagi pengetahuan, dan komunikasi pemangku kepentingan. Mengurangi ketergantungan pada pahlawan individual (heroics) dan membuat pekerjaan tim lebih mudah dipahami dan dikembangkan.

• Mempengaruhi Finance dan pemangku kepentingan senior: Mengomunikasikan pertimbangan data, model, and engineering yang kompleks secara jelas kepada audiens teknis maupun non-teknis. Mempresentasikan implikasi, rekomendasi, risiko, dan trade-off dengan cara yang memungkinkan pengambilan keputusan tepat waktu.

• Bermitra lintas fungsi: Bekerja secara efektif dengan para pemimpin Finance, analis, data scientist, data engineer, software engineer, mitra product, dan eksekutif. Mencari berbagai perspektif yang beragam, memimpin perdebatan produktif, dan menyelaraskan pemangku kepentingan ketika prioritas atau pendekatan berbeda.

• Meningkatkan ruang lingkup dan efektivitas tim: Terus mencari cara untuk menghilangkan pekerjaan bernilai rendah, mengotomatiskan tugas rutin, meningkatkan level layanan, dan meningkatkan kontribusi strategis tim. Ketika model operasional saat ini tidak memadai, buatlah argumen untuk perubahan dan pimpin tim melalui proses tersebut

Requirements