Fraud Risk Model Sr Manager

¡Únete a la revolución Fintech y construye el futuro de las finanzas en México!

¿Quiénes somos?

Somos la empresa de tecnología financiera líder en México, impulsando a más de 70.000 clientes a alcanzar sus sueños. Nuestra misión es empoderar a las pequeñas y medianas empresas del país con soluciones innovadoras (financiamiento, tarjeta de crédito y pagos) para superar sus desafíos y convertirlas en los motores del crecimiento económico. Aspiramos a ser el aliado ideal de los emprendedores, contribuyendo al desarrollo de la comunidad, el país y el planeta.

Tu Reto:

Serás quien convierta la detección de fraude en una ventaja competitiva real: no solo contendrás el riesgo, sino que construirás la arquitectura analítica que le permita a Konfío escalar hacia una operación bancaria completa sin comprometer la integridad del portafolio. Entenderás que los modelos no son entregables — son compromisos vivos — y que el model governance no es burocracia regulatoria, sino la columna vertebral de una institución financiera confiable. Liderarás con criterio técnico, actuarás con sentido de urgencia ante la deriva de modelos, transferirás conocimiento de forma estructurada a tu equipo y sostendrás decisiones complejas ante CNBV, auditoría interna y el negocio. Si eres el tipo de profesional que define los umbrales antes de que te los pidan, que busca la señal que nadie ha mirado y que no considera terminado un trabajo hasta que está en producción y es auditable, este rol es para ti.

¿Qué buscamos?

5 o más años de experiencia en riesgo de fraude, riesgo de crédito o model risk en banca, fintech o servicios financieros regulados, con al menos 3 años liderando la estrategia analítica de un dominio de riesgo, ya sea como dueño/a de modelos, líder de área o referente técnico con responsabilidad directa sobre resultados de negocio.

Conocimiento sólido de modelos como XGBoost, LightGBM y redes neuronales, suficiente para supervisar su calibración, validación y gobernanza. El rol es dueño/a del modelo, no su constructor, por lo que se espera criterio técnico para interrogar, cuestionar y tomar decisiones sobre los modelos, no para codificarlos.

Historial comprobable como dueño/a del desempeño de modelos en producción: haber definido umbrales operativos, gestionado activamente la relación entre falsos positivos y falsos negativos en función del apetito de riesgo, y defendido decisiones de modelo ante auditoría interna, regulador (CNBV) o comités de riesgo. No es suficiente haber participado, se requiere haber sido responsable del resultado.

Licenciatura o posgrado en Matemáticas, Actuaría, Ingeniería, Economía, Ciencias de Datos o áreas afines. Un posgrado en riesgo financiero, estadística aplicada o machine learning es un diferenciador valorado. Se evalúa el criterio técnico y el historial de impacto por encima del título.

Responsabilidades

Ser dueño/a del ciclo completo de detección de fraude: traducir las taxonomías de fraude (identidad sintética, ATO, scams, fraude de aplicación) en requerimientos de detección precisos, calibrar el desempeño de modelos y reglas, y mantener las tasas dentro del apetito de riesgo definido mientras el portafolio escala y se lanzan nuevos productos financieros regulados bajo esquema bancario.

Ser garante del ciclo de vida y efectividad de los modelos en producción: supervisar que los equipos de DS/ML ejecuten drift monitoring, recalibración y esquemas champion/challenger, garantizando que ningún modelo opere fuera de su ventana de desempeño validado, además de definir y monitorear los KPIs que aseguren la sostenibilidad operativa de los agentes de Fraud Risk Management.

Supervisar el model governance para el dominio de fraude: mantener el inventario de modelos con compuertas de aprobación, logs de cambios auditables y documentación lista para revisión de CNBV y auditoría interna, actuando como puente técnico bidireccional entre Data Science, ML Engineering y Tech.

Liderar la respuesta ante fraude complejo y brechas de desempeño: coordinar con Control Interno y Riesgo Operacional la identificación de causa raíz en casos de alta complejidad, diseñar planes de contención y mitigación, y traducir los aprendizajes en mejoras concretas a los modelos y reglas de detección.

Escalar la arquitectura de fraude hacia una operación bancaria: evaluar si los modelos y agentes actuales pueden soportar el crecimiento de 3 a 5 productos, identificar brechas en la cobertura de señales e impulsar el desarrollo de nuevas capacidades analíticas, incluyendo técnicas avanzadas, que mantengan a Konfío por delante del riesgo emergente.