Задачи:
— Организация пайплайнов потоков данных (конвейера движения данных в компании);
— Разработка, поддержка и оптимизация производительности Корпоративного Хранилища Данных (EDWH);
— Разработка и настройка ETL/ELT-процессов в Корпоративное Хранилище Данных (сбор, структурирование и обеспечение сохранности данных);
— Настройка инфраструктуры для обеспечения качества данных;
— Разработка BI дашбордов, визуализации данных.
Требования:
— Опыт работы с технологиями: Greenplum или другая MPP СУБД, ClickHouse, Airflow;
— Хорошее знание SQL и реляционных баз данных (желательно, Greenplum или PostgreSQL), опыт написания сложных запросов;
— Хорошее знание Python;
— Знание современных технологий обработки больших данных;
— Высшее образование (IT/математика/математическая статистика/физика).
Условия:
— Оформление по ТК РФ (полностью белая зарплата, льготы для ИТ);
— Работа в аккредитованной ИТ компании;
— График работы 5/2, 8-часовой рабочий день, гибкое начало рабочего дня;
— ДМС со стоматологией, льготное ДМС для родственников;
— Материальная помощь, скидки на занятия иностранными языками, оплата профессионального обучения, посещения конференций;
— Компенсация процентов по ипотеке/автокредиту;
— Возможность профессионального и материального роста;
— Ежегодные IT конференции, митапы;
— Общекомандные встречи вне офиса.
Проект - корпоративное хранилище данных, победитель премии Yandex B2B Tech Awards 2026 в номинации "Лучшее решение в области аналитики и работы с данными". Основной стек проекта: Python, Greenplum, PostgreSQL, ClickHouse, Data Build Tool (DBT), Spark, Kafka, Airflow, Kubernetes, Terraform, Ansible, GitLab, SonarQube, Prometheus, Grafana, AlertManager.
Задачи:
— Разрабатывать функциональность сервиса на Python
— Строить Data Lineage на логическом уровне витрин на основе существующего графа движения данных на табличном уровне
— Реализовывать обработку, преобразование и агрегацию связей между объектами данных
— Работать с большими объемами данных с использованием PySpark, pandas, SQL
— Работать с Hadoop-стеком: HDFS, Spark, Hive
— Дорабатывать существующий фреймворк автоматизированного тестирования
— Разрабатывать и поддерживать автотесты для создаваемой функциональности
— Участвовать в анализе и устранении дефектов
Требования:
— Опыт разработки на Python от 2 лет
— Практический опыт работы с PySpark и pandas
— Отличное знание SQL
— Опыт работы со стеком Hadoop: HDFS, Spark, Hive
— Понимание принципов обработки больших объемов данных
— Опыт написания автоматизированных тестов на Python
— Готовность отвечать за качество разработанной функциональности и ее автоматизированную проверку
— Умение разбираться в существующем коде и самостоятельно решать технические задачи
Будет плюсом:
— Опыт работы с Data Lineage, Data Governance или Metadata Management
— Опыт с Oracle, PostgreSQL, Greenplum
— Понимание принципов построения DWH и витрин данных
— Опыт работы с графовыми структурами данных
— Опыт использования pytest или аналогичных инструментов тестирования
Условия:
— Полная занятость
— График: 5/2
— Формат работы: гибрид (Москва)
Задачи:
– Развивать платформу данных;
– Разрабатывать и оптимизировать ETL/ELT-процессы;
– Работать с batch- и streaming-пайплайнами;
– Развивать модели данных и хранилище;
– Повышать производительность и надежность платформы;
– Настраивать мониторинг, алертинг и контроль качества данных;
– Автоматизировать эксплуатационные процессы;
– Участвовать в технических ревью и развитии инженерных практик команды.
Требования:
– Уверенное владение Python и SQL;
– Опыт работы с Spark, Clickhouse, Hadoop, Kafka, Greenplum, S3 (Ceph, Minio);
– Опыт написания DAG-ов для Airflow;
– Опыт работы с Docker и K8S;
– Навыки работы с Linux;
– Навыки работы с Git.
Удалённо
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Ce que tu feras au quotidien. Modérer les commentaires et y répondre sur les plateformes sociales des clients, en respectant leur ton et voix de marque.
ASOS.com — британский онлайн‑ритейлер модной одежды, обуви, аксессуаров и косметики. В компании работают русскоговорящие ребята.
Технологии и инструменты: SQL, Databricks, Spark, DBT, Python, Mixpanel, Adobe и другие.
Компания основана фаундерами Nick Robertson, Andrew Regan, Quentin Griffiths, Deborah Thorpe.
Размер команды: 1k-5k человек. Инвестиции: £587.5M.
Задачи:
— Разрабатывать и поддерживать ML-модели полного цикла — онбординговые и транзакционные — на кредитных продуктах Ozon Банка;
— Анализировать большие объёмы данных для обнаружения аномалий и паттернов мошенничества;
— Участвовать в развитии графовой аналитики антифрода — R&D и прикладное использование;
— Настраивать мониторинг продакшн-моделей: алерты, анализ дрейфа, реакция на инциденты, процессы;
— Интегрировать внешние источники скоров (телеком, БКИ и т.п.) — от оценки экономики поставщика до организации ретро и коммуникации с закупками и юристами;
— Работать напрямую с заказчиками, доводить задачи до измеримого результата и экономического эффекта;
— Участвовать в создании реалтайм ML-сервисов и правил-эвристик;
— Автоматизировать процессы обработки и анализа данных.
Требования:
— Опыт работы в Data Science от 3 лет, из них минимум 1-2 года в антифроде, кредитном скоринге или близких задачах — в банке или финтехе;
— Уверенное владение Python и библиотеками для анализа данных и машинного обучения;
— Глубокое понимание алгоритмов машинного обучения и опыт их применения на практике;
— Полный жизненный цикл ML — от фича-инжиниринга до деплоя и мониторинга в проде;
— Опыт с MLflow или аналогом;
— Отличные знания SQL, умение писать сложные запросы, включая оконные функции;
— Опыт работы с большими данными — ClickHouse / Vertica / Spark / Hadoop;
— Бизнес-ориентированность — умение считать экономический эффект модели и объяснять заказчику технические метрики на языке бизнеса;
— Самостоятельность в проектах — способность взять кейс с нуля и довести до прода без постоянного контроля;
— Умение работать с данными и видеть закономерности и людей за ними;
— Навыки работы с инструментами визуализации данных;
— Гибкость и умение быстро переключаться между задачами.
Будет плюсом:
— Опыт построения realtime-моделей и их интеграции в продукты;
— Опыт с графовыми методами и графовыми БД;
— Опыт интеграции и переговоров с внешними поставщиками скоров;
— Опыт наставничества и менторинга младших сотрудников;
— Знание регуляторики ЦБ в части антифрода.
Задачи:
— 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, обучение и валидация продвинутых ML-моделей для индивидуального ценообразования (регрессионные модели, градиентный бустинг, методы обучения с подкреплением / Reinforcement Learning для динамического ценообразования)
— анализ и интерпретация результатов A/B-тестов ценовых стратегий, оценка их бизнес-эффекта (влияние на выручку, маржу, конверсию, LTV)
— построение и оптимизация симуляционных сред для предварительной оценки эффекта ценовых изменений.
Требования:
— глубокое знание и практический опыт (от 3 лет) применения методов машинного обучения и анализа данных для решения бизнес-задач, желательно в области ценообразования, экономики или финтеха
— продвинутый уровень знаний в области статистики, эконометрики и методологии проведения A/B-тестов
— понимание принципов микроэкономики и теории цен
— опыт разработки и внедрения в production моделей, напрямую влияющих на финансовые метрики (выручка, маржа)
— продвинутые знания SQL и Python для анализа данных и ML
— опыт работы с Python ML-фреймворками (Scikit-Learn, LightGBM/CatBoost/XGBoost, PyTorch/TensorFlow, библиотеки для RL), Spark (PySpark), опыт работы с базами данных (GreenPlum, PostgreSQL, ClickHouse)
— будет плюсом: опыт построения систем динамического ценообразования (dynamic pricing) или моделей на основе обучения с подкреплением (Reinforcement Learning).
Условия:
— комфортный современный офис рядом с м. Кутузовская
— офисный формат работы
— ежегодный пересмотр зарплаты, квартальная и годовая премия
— корпоративный спортзал и зоны отдыха
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— программа адаптации и помощь руководителя на старте
— 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.
– Разработка, создание и поддержка надежных конвейеров обработки данных и процессов ETL/ELT для поддержки различных источников данных, включая структурированные и неструктурированные данные, с обеспечением высокого качества и целостности данных. Хороший опыт работы с Databricks.
Supporting federal customer engagements by delivering mission-aligned architectural design and execution of Collibra products that adhere to Collibra Public Sector’s Delivery Models, Engagement Processes, Methodologies, and Artifacts, while ensuring compliance with applicable government regulations and security standards (e.g., FedRAMP, FISMA, GovCloud).
Build the execution engine: Design, implement, test, and support query operators, expression evaluation, execution scheduling, runtime planning, and resource management. Improve runtime performance: Optimize vectorized processing, concurrency, parallelism, memory usage, data exchange, and disk spilling.
• 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.
Требования:
— Опыт миграции ETL-систем (желательно с Oracle/Informatica на Apache стек)
— Глубокий SQL: оконные функции, сложные джойны, иерархические запросы
— Оптимизация SQL для highload (партиционирование, индексы, explain plans)
— Oracle (PL/SQL) и PostgreSQL
— Greenplum и/или Clickhouse
— Проектирование архитектур на Apache Spark (PySpark), NiFi, Airflow
— Hadoop (HDFS) и Hive
— Мониторинг ETL: Grafana/Prometheus или Victoria Metrics
— Опыт работы с биллинговыми системами (желательно телеком-домен)
Преимущества:
— Потоковая обработка: Kafka Streams / Spark Streaming
— Informatica PowerCenter (понимание мигрируемой системы)
— Бинарные форматы хранения в Hadoop
— Различия: Hive vs Impala, Greenplum vs PostgreSQL, Clickhouse vs PostgreSQL
— Patroni для кластеризации PostgreSQL/Greenplum
— S3-хранилища
— КриптоПро или защищенные каналы передачи данных
Задачи:
— Миграция ETL-системы телеком-оператора с Oracle/Informatica на Apache стек (S3, Airflow, NiFi, Kafka, Greenplum)
— Перенос бизнес-логики из Informatica в высокопроизводительный SQL-код
— Написание и оптимизация SQL для витрин данных и ETL-процессов
— Разработка DAG-ов в Airflow
— Настройка пайплайнов в NiFi (источники: Oracle, PostgreSQL; приемники: S3, файловые архивы)
— Разработка Spark-джобов (PySpark) для больших объемов
— Интеграция с Kafka для потоковой передачи
— Настройка мониторинга (Grafana/Prometheus) и отслеживание метрик
— Разбор инцидентов по качеству данных и ошибкам загрузки
— Code review