Data Scientist вакансии

- 2+ years of experience in data analysis or modeling. - Strong knowledge of SQL (Google BigQuery, PostgreSQL).

Location: Almaty, Kazakhstan Workplace: OnSite WHY WORK AT HIGGSFIELD AI? Higgsfield AI is the fastest-scaling generative AI company in history, hitting $1B in annual revenue run rate, 30M+ users worldwide, 6M+ generations per day, and powering 390 of Fortune 500 brands. We're building at the absolute frontier of AI-powered video creation and next-generation creative tools. Joining Higgsfield means becoming part of a high-impact team shaping the future of AI-native experiences, at a company that isn't just moving fast, but rewriting what fast looks like. WHAT THIS ROLE MEANS AT HIGGSFIELD Generative video has a problem most subscription businesses don't: every unit we sell costs us real compute. A stolen password costs a streaming service nothing. An account farm on an unlimited generation plan costs us GPU-seconds, at scale, every hour it runs. We have found organised operators running hundreds of accounts on a single card, reselling unlimited generations, and harvesting per-account promotional grants at industrial scale. We have also found that most of our negative-margin accounts are not abuse at all — they are ordinary heavy users on an unlimited plan, which is a pricing problem wearing a fraud costume. Telling those two populations apart, at account level, before the money is gone, is this job. You own the question of who is taking value they did not pay for, and the system that stops them. You make sure: - We catch abuse before the compute is burned, not in a post-mortem that reconciles the loss - Every enforcement action has a measured precision, a measured cost of being wrong, and a way back for the customer we got wrong - The difference between fraud and unprofitable pricing is a number we can defend, not a vibe - When operators adapt — and they will, within days — we find out from a monitor, not from the monthly margin review WHAT YOU WILL DO Detection & scoring - Own the account-abuse scoring system end to end: signals, weights, thresholds, the scoring job, the monitoring, and the recalibration when it decays. - Build detection that fires early. A rule that catches 88% of the money on day 11 is worth far less than one that catches 60% at checkout, and you should be able to say why in dollars. - Work the two halves that actually matter together: linkage (who is connected to whom) and economics (what are they consuming). Either one alone produces a system nobody can switch on — linkage without economics flags families sharing a card, economics without linkage flags our best customers. - Treat cost as a gate, not a label. On an unlimited plan, being gross-margin negative is normal. Entity resolution & ring detection - Find rings, not just accounts: shared payment instruments, IP and ASN concentration, email-stem families, synchronised registration bursts, behavioural fingerprints, automation signatures. - Do it without a reliable device fingerprint — we do not have one today, and part of this job is telling us what it would be worth and what it would cost. - Know where graph methods break. Transitive closure through a shared card will happily merge thousands of unrelated people into one "ring"; we have done exactly that and thrown the result away. Enforcement, policy & the cost of being wrong - Design graduated, reversible actions — throttle, rate-limit, step-up verification, hold, pre-grant refusal, manual review queue, ban — and match the severity to the confidence. - Own the false-positive budget explicitly: how many paying customers are we willing to inconvenience to save a dollar of compute, and what is the appeal path for the ones we get wrong. - Build the pre-grant gates. The cheapest abuse to stop is the kind we decline to enable in the first place — a trial we do not grant costs nothing to claw back. - Partner with Payments on Stripe Radar, chargebacks and dispute economics; with Support on the queue your model creates; with Legal on what our Terms actually entitle us to do. Measurement & adversarial monitoring - Quantify what the system is worth in money — COGS avoided, net of the revenue you destroyed and the support cost you created. Keep that number current. - Run holdouts even on enforcement, wherever it is legal and safe to do so, because otherwise you will never know what your rules are worth. - Monitor for adaptation, not just drift. Model decay here is caused by an adversary, and it looks different: a signal stops firing, a ring changes shape, a cohort's behaviour shifts inside a week. - Watch your own inputs. A detection system that silently loses a feature degrades to a system that cannot reach its own threshold — and reports nothing wrong while doing it. Making it usable - Ship scores and reasons, never scores alone. An analyst, a support agent or an auditor must be able to read why an account was actioned. - Produce evidence that survives outside the company. Our abuse work has already been used in an external audit and in Terms-of-Use enforcement; write for that standard. - Work in SQL, Python and BigQuery on raw event, payment and generation data. We use AI heavily — resourcefulness beats syntax. WHO WE'RE LOOKING FOR - Experience building abuse, fraud or trust-and-safety detection that actually took action on real users — payments fraud, promo abuse, multi-accounting, bonus abuse, account takeover, marketplace or gaming abuse. Anti-money-laundering and credit-risk backgrounds transfer if the modelling was yours. - Genuine understanding of the adversarial setting: that your counterparty responds, that your training labels are generated by your own past decisions, and that offline AUC on a censored label set is close to meaningless. - Strong SQL and Python on raw event data without help: joins across payments, usage and identity, window functions, cohort replay. Gradient boosting, and the judgment to know when a two-condition rule beats a model. - Comfort with graph and linkage thinking — connected components, shared-attribute clustering, and an instinct for when a link is evidence and when it is coincidence. - Precision-first evaluation instincts: precision at the operating point, cost-weighted error, and why you would take 20% recall at 90% precision over the reverse in an enforcement system. - Unit-economics literacy: gross margin per account, what compute actually costs us, why a negative-margin customer may be entirely legitimate. - The judgment to escalate rather than act when the evidence is thin, and to say so in writing. - Clear written and spoken English, B2+. Backgrounds that often do well: - Fraud / risk data scientists from fintech, payments, marketplaces, gaming or crypto - Trust & safety and platform-integrity teams who owned detection and enforcement policy - Growth or product data scientists who ended up owning promo-abuse because nobody else would - Analysts from payment processors, PSPs or chargeback/dispute operations who moved into modelling WHAT THIS ROLE IS NOT This role is not a fit if you: - Want to build content-moderation or NSFW classification — that is a different function here - Would ship a ban list without knowing its precision - Optimize AUC on a label set your own enforcement created, and call it validated - Need a labelled fraud dataset to exist before you can start - Treat every negative-margin account as an abuser - Are uncomfortable that being right 90% of the time means being wrong about real, paying, legitimate people — and that you own what happens to them - Want predictable 9–5 workdays HIRING PROCESS - Screening call (30 min) - Hiring-manager screen (30 min) - Business case (1 hour) - Take-home with real-shaped data (7 days, ~10–12 hours of work) - Team interview (60 min) - Paid on-site trial (1 month) THE DEAL - Competitive salary in USD - Equity: participation in the company's stock option program - On-site role in Almaty, Kazakhstan - Relocation support (flight + temporary housing) - Flat structure, high autonomy, fast career growth

строить/улучшать модели для разных частей всего пайплайна. заниматься полным циклом DS/ML задач.

Location: Mississauga, Ontario, Canada ClinChoice is a global full-service CRO committed to professional growth and a quality-driven “one-team” culture. We are seeking a Senior Statistical Programmer to join our in-house team and support projects across a diverse client portfolio, including pharmaceutical, biotechnology, medical device, and consumer health companies of varying sizes. We are seeking a highly skilled Senior Statistical Programmer to lead statistical activities for clinical trials. This role requires hands-on statistical expertise, strong communication skills, and the ability to independently lead projects while collaborating closely with cross-functional teams. Join our team: you can be part of making a difference in peoples' lives and experience a fulfilling and rewarding career! Main Job Tasks The Senior Statistical Programmer is a delivery-focused role responsible for leading and supporting aspects of the programming effort to deliver technical programming and information components of a project. The position requires strong technical skills, thorough knowledge of the industry, and demonstrated experience leading statistical programming activities and providing technical guidance to other programmers . The individual should be able to independently perform programming tasks, oversee programming deliverables, and effectively collaborate with cross-functional teams and external vendors. Responsibilities Programing for clinical trials: Program and validate derived datasets, tables, figures, listings. Process data from the external sources. Perform ad hoc exploratory analyses for publications and programming support other functions of Research and Development or other organizations. Oversee programing work/deliverables from CROs. Contribute to the design/implementation/review of Case Report Form, Data Transfer Specification, Statistical Analysis Plan, SDTM/ADaM Specification documents, Define packages. Electronic submissions: Program and validate CDISC compliant deliveries for the electronic submissions. Support in the creation of supporting documentation for submissions. Project Management: Ensure programming deliverables are on time and of high quality. Help managing internal contractors and external vendors. Standards and Guidelines: Participate in development of departmental working instructions and guidelines. Help in creation of enhanced functions/macros and utilities. Qualification & Experience Bachelor or Master degree in Computer Science, Mathematics, Engineering, Medical or related discipline. BS with more than 5 or MS with 3 years of experience in statistical programming (SAS, R) in the pharmaceutical industry. Working knowledge of SAS and its various components. Knowledge of R programming in clinical trials Familiarity of the drug development process. Strong SAS and SAS Macro language skills. R programming skils in clinical trials Strong knowledge of industry standards. Ability to work on data integrations (ISS and ISE). Strong oral and written communication skills. Ability to communicate details of the analysis to other team members with less technical experience. Open Date: 9/29/2026 Close Date: 11/23/2026 ClinChoice Canada Inc. is proud to be an equal opportunity employer, valuing and respecting diversity.  We are committed to inclusive, barrier-free recruitment and selection processes. We will accommodate the needs of qualified applicants under the Human Rights Code and the Accessibility for Ontarians Disabilities Act, in all aspects of the hiring process, upon request by calling + 1 (647)724-5709 x 301. We thank all applicants for their interest; however, only those being considered for an interview will be contacted. In accordance with Federal Personal Information Protection and Electronic Documents Act ("PIPEDA") , personal information is collected under the authority of the Act and will only be used for candidate selection. #LI-TT1 #LI-Remote #senior #permanent The base salary pay range represents the anticipated low and high range for this position. Actual salary will vary based on various factors such as the candidate’s qualifications, skills, competencies, and proficiency for the role. Canada Pay Range $80,000 — $95,000 CAD

Senior Data Scientist (Amber Team) в Semrush. 💎Python, SQL.

глубокий анализ данных для построения и калибровки моделей. опыт построения uplift-моделей и кривых отклика для оптимизации процентных ставок/Разработка моделей оценки эластичности спроса на кредит по ставке.

разработка классических LLM агентов. разработка tools для агентов, а также skills-инструкций для LLM.

Проект по созданию аналитической платформы на базе ИИ — единая экосистема для работы с данными. Продукт собирает информацию из разных источников, обрабатывает её и предоставляет руководству и аналитикам инструменты мониторинга, поиска и прогнозирования (включая чат-ботов). Задачи: — Анализировать и исследовать данные — проводить первичный EDA, выявлять закономерности и аномалии в данных — Предобрабатывать и очищать данные — разрабатывать скрипты для трансформации, нормализации и feature engineering, подготавливать датасеты для обучения моделей — Разрабатывать, настраивать и оптимизировать LLM-пайплайны — Обучать и дообучать ML-модели — Оценивать и интерпретировать результаты — анализировать метрики качества моделей, выявлять причины ошибок и предлгать пути улучшения — Генерировать гипотезы, проверять их значимость и внедрять в рабочие процессы Требования: — Знание языков программирования (Python) — Навыки применения numpy, pandas, scikit-learn, tensorflow или pytorch, опыт решения NLP задач, знание статистики и линейной алгебры, трансформация и подготовка данных — Будет преимуществом: Опыт участия в ML соревнованиях, курсы DS школ Условия: — Возможность работы в комфортном офисе г. Москва — Внутренние семинары, внутренние митапы — Техника для комфортной работы — ДМС со стоматологией для сотрудников и скидку на покупку ДМС для ближайших членов семьи — Сессия профессионального развития с планом индивидуального развития для каждого сотрудника

Задачи: — работать с большими данными в экосистеме Hadoop (PySpark, SQL) — от выгрузки и разведки до построения витрин для моделей — разрабатывать индивидуальные модели эластичности и клиентского поведения в сегменте B2C — от прототипа до продвинутого пайплайна обучения и предсказаний — проверять бизнес-гипотезы и превращать их в измеримый эффект: дизайн и оценка A/B-тестов (мэтчинг, продвинутые методы causal inference, интерпретация результатов) — выстраивать коммуникацию с заказчиками: согласовывать метрики, защищать подходы, показывать ценность данных на понятном языке — обеспечивать надёжность и мониторинг внедрённых решений — чтобы модель работала стабильно и приносила пользу каждый день. Требования: — опыт работы Data Scientist от 2х лет — техническое образование (будет плюсом если выпускник - МГУ, МФТИ, ВШЭ и других ведущих вузов страны) — понимание теории вероятностей и статистики — уверенное владение широким спектром ML-алгоритмов — регрессия, классификация, кластеризация, а также uplift-моделирование (способность оценивать причинно-следственные эффекты, а не просто предсказывать) — владение Python и ML библиотеками (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, etc.) — плюсом будет опыт работы с pytorch, pyspark Условия: — комфортный современный офис рядом с м. Кутузовская — возможность выбрать удобный график – офис/гибрид — ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования) — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) — расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа — гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ — подписка Прайм с возможностью совместного использования на трёх близких — вознаграждение за рекомендацию друзей в команду Сбера.

работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки. подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы.

• Разработка моделей эластичности для различных групп клиентов, кластеризации клиентов по их поведенческим характеристикам. • Разработка поведенческих моделей для прогнозирования динамики объемов различных сегментов розничного портфеля Банка в множестве сценариев на периоде жизни портфеля.

• Оценка целей бизнес задач, бизнес метрик, алгоритмов и методов машинного обучения, имеющихся и необходимых данных. Формирование и проверка гипотез.

О нас за минуту DV Group — это eRetail маркетинг. У нас две собственные платформы: CDP (DV Platform) — сегментирует покупателей по чековым данным, MAID, строит Sales Lift. DSP (DV Programmatic) — закупает трафик в RTB с таргетингом на реальных онлайн-покупателей (не на интересы). Уникальная интеграция с ПБД. Что предстоит делать Разработка и внедрение ML-моделей Анализ больших объемов данных Построение recommendation / prediction моделей Подготовка и очистка данных Проведение A/B тестов Написание сложных запросов ClickHouse и их оптимизация Взаимодействие с frontend-разработчиками, backend-разработчиками, аналитиками, product-менеджером и DevOps Кто нам нужен Python, SQL, Spark, ClickHouse pandas, numpy, scikit-learn Опыт работы с ML-моделями Работа с оркестраторами (Dagster, Airflow) и Kubernetes Понимание статистики и теории вероятностей Способность разрабатывать надежные ETL пайплайны Что предлагаем Зарплата: 200 000 – 220 000 ₽ оклад net + годовая премия Формат: гибрид или полная удалёнка, но ты проживаешь в РФ График: 10:00–19:00 ДМС со стоматологией после испытательного срока, локация Москва Свой бариста в офисе и правда классный Экспертная среда — никакой скуки, только реальные AdTech-задачи и возможность влиять на продукт Продукт в реестре отечественного ПО — это важно для нас и для клиентов.

Booking — сервис интернет-бронирования отелей по всему миру. Вакансия Data Scientist II (Finance Payments) в компании Booking, расположенной в Амстердаме. Требования к опыту и навыкам: применение методов GenAI, знание SQL, владение Python или R. Размер команды компании — более 10 тысяч человек. CEO компании — Glenn Fogel, ранее вице-президент Morgan Stanley. В компании работает много русскоязычных сотрудников.

Компания Mayflower — технологическая компания, создающая высоконагруженные продукты, которыми пользуются миллионы людей по всему миру. Условия: — Офис в Лимасоле, Кипр — Помощь с переездом

Gradient Labs — AI-платформа для финансовых сервисов, которая автоматизирует customer support и back-office процессы. В компании работают русскоязычные ребята. Размер команды — 11-50 человек, инвестиции — $26M.