Задачи:
— Возглавлять команду Data Scientists, участвовать в найме, онбординге и развитии сотрудников;
— Обеспечивать операционную деятельность: дейли-митинги, спринт-планирование, ретроспективы, демо;
— Формировать и развивать бэклог задач, определять приоритетные бизнес-задачи и оценивать ценность решений;
— Выстраивать кросс-функциональное взаимодействие с Data Engineering, MLOps и бизнес-подразделениями, договариваться о приоритетах и ресурсах;
— Отвечать за полный жизненный цикл моделей: сбор данных, разметка, обучение, валидация, деплой, мониторинг;
— Руководить проектированием и внедрением решений;
— Обеспечивать разработку, валидацию и мониторинг моделей, включая стандарты, политики и документооборот;
— Проводить архитектурные ревью, задавать стандарты качества кода и документации;
— Принимать участие в написании production-кода;
— Контролировать соблюдение сроков и качества результатов;
— Переводить бизнес-проблемы в технические задачи, формулировать гипотезы, определять метрики успеха и критерии приемки;
— Презентовать результаты и влияние моделей бизнес-заказчикам, защищать метрики качества;
— Отвечать за разработку и согласование единых стандартов разработки моделей внутри подразделения.
Требования:
— Высшее техническое образование в области прикладной математики, информатики, компьютерных наук или смежных дисциплин;
— Совокупный опыт в Data Science и машинном обучении от 5 лет;
— Управленческий стаж минимум 2 года на позиции тимлида или руководителя ML-подразделения с прямым подчинением инженеров и дата-сайентистов;
— Успешная реализация комплексных проектов полного цикла с выводом в промышленную эксплуатацию;
— Опыт внедрения моделей в production и построения системы мониторинга их качества;
— Глубокое владение Python и SQL;
— Практика работы с пайплайнами оркестрации (Airflow), распределённой обработкой данных (Spark), контейнеризацией (Docker) и системами контроля версий (Git);
— Опыт работы с большими данными в среде S3/Hadoop и аналитическими СУБД ClickHouse, Greenplum;
— Уверенное знание классического ML-стека: градиентный бустинг, линейные алгоритмы, а также специализированные подходы — uplift-моделирование и антифрод-системы;
— Навыки декомпозиции сложных задач, распределения нагрузки, контроля сроков и качества delivery;
— Навыки эффективного взаимодействия с бизнес-заказчиками и смежными командами (Data Engineering, MLOps, Product);
— Владение инструментами командной работы Jira и Confluence.
Условия:
— Конкурентоспособная заработная плата, ориентированная на ожидания и квалификацию кандидатов;
— ДМС со стоматологией, корпоративное обучение;
— Офис/гибридный формат работы в Москве (Москва-Сити);
— Современные технологии и подходы к ведению проектов;
— Работа в аккредитованной IT-компании.
Задачи:
— Развитие рекомендательной системы на сайте kommersant.ru.
— Создание и поддержка RAG-систем и ИИ-агентов (база знаний, умный поиск).
— Оценка качества моделей, рекомендаций и ответов LLM.
— Мониторинг качества, скорости и стоимости ML/LLM-сервисов.
— Проведение A/B-тестов и анализ результатов.
Требования:
— Высшее образование (техническое, математическое или IT-направление).
— Опыт работы в Data Science от 3 лет.
— Уверенное знание Python и SQL.
— Знание классического ML, статистики и продуктовых метрик.
— Опыт разработки рекомендательных систем, общее понимание видов архитектур.
— Знание RAG и опыт проектирования RAG-архитектур.
— Опыт работы с LLM, эмбеддингами и векторными базами данных.
— Умение превращать прототипы в стабильные production-сервисы.
Будет преимуществом:
— Опыт работы с LightRAG, GraphRAG или другими графовыми RAG-подходами.
— Знание Qdrant, ClickHouse, PostgreSQL, Redis.
— FastAPI, Docker.
— Опыт создания систем оценки LLM и работы с несколькими провайдерами моделей.
— Опыт разработки ИИ-агентов и MCP-интеграций.
— Опыт работы с медиаконтентом и рекомендательными системами для издателей.
Условия:
— График работы: 5/2, гибрид.
— Оформление по трудовому договору.
— Стабильность и прозрачность в отношении заработной платы.
— Испытательный срок 3 месяца с возможностью подключения к программе добровольного медицинского страхования и другим опциям социальной политики.
— Обеспечение необходимым техническим оборудованием (ноутбук).
— Работа в бизнес-центре класса А с развитой инфраструктурой (офис в 5 минутах от м. «Маяковская», кафе и магазины, зоны отдыха внутри здания).
Задачи:
— Работать с большим объемом данных
— Разрабатывать логику аналитических выборок и отчётов
— Работать с данными продаж, чеков, заказов, формировать агрегаты из транзакций, обогащать сырые данные
— Писать сложные SQL запросы
— Переводить бизнес-запросы в понятные технические задания для разработки отчётов, витрин
— Работать с расхождениями в данных, находить и анализировать ошибки
— Настраивать фильтры и метрики для BI.
senior
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Quantori разрабатывает программное обеспечение для биотехнологических и фармацевтических компаний. Среди клиентов компании Pfizer, LGC, The Jackson Laboratory. В компании работает более 500 человек, инвестиции составляют 15 миллионов долларов.
Требования:
— Опыт работы не менее 6 лет
— Знание Python, R, SQL, Spark, dbt
— Уровень английского языка не ниже B2
Формат работы: удалённо.
Задачи:
- Сбор требований с бизнес-заказчиков и анализ источников данных
- Разработка, реализация и поддержка типовых потоковых интеграционных решений на стеке технологий: Trino, Iceberg, S3, Spark, Apache Airflow, Kafka, Cosmos, Flink
- Оперативное реагирование на информацию о проблемах в зоне ответственности, выполнение типовых задач в установленный срок
- Поддержание в актуальном состоянии документации типовых интеграционных решений платформы больших данных, предоставление отчетности руководителю
Требования:
- Общее представление о стеке технологий Lakehouse
- Понимание различия работы между BigData/Lakehouse и с данными обычного размера
- Знание SQL (индексы, функции, оптимизация, профилирование производительности)
- Опыт работы с любой реляционной БД (Oracle, Postgres, MySQL, MsSQL, DB2 и т.п.)
- Умение работать с Git (знание команд git pull/commit/push)
- Опыт работы с DBT, Cosmos
- Представление о работе с Trino
- Понимание устройства Iceberg, форматов данных
- Понимание работы с minio или любого другого хранилища на основе S3
- Опыт использования систем ведения проектов и документации
- Знания основ программирования (JAVA, Python)
Требования:
— Уверенный опыт работы с данными на позиции аналитика от 4-5 лет
— Опыт работы в Pharma - must
— Опыт работы с большими данными
— Продвинутый уровень SQL и Excel, ClickHouse (или другие колоночные БД). Важно уметь формировать SQL запросы без помощи нейронок
— Опыт построения отчётности на базе справочников и аналитических агрегатов
— Опыт постановки ТЗ для формирования отчётов
— Умение находить оптимальные способы решения задачи (оптимально по скорости, затраченным ресурсам и работе с БД)
— Высшее образование
— Гражданство и физическое местонахождение на территории РФ
Задачи:
— Работать с большим объемом данных
— Разрабатывать логику аналитических выборок и отчётов
— Работать с данными продаж, чеков, заказов, формировать агрегаты из транзакций, обогащать сырые данные
— Писать сложные SQL запросы
— Переводить бизнес-запросы в понятные технические задания для разработки отчётов, витрин
— Работать с расхождениями в данных, находить и анализировать ошибки
— Настраивать фильтры и метрики для BI
Просьба указывать ваши финансовые ожидания при отклике.
О проекте:
Мы строим Customer Intelligence & Personalization Platform для экосистемы бизнесов в Армении. В основе — Golden Record: единый профиль клиента, объединяющий данные банка, продуктов экосистемы и внешних источников. Поверх него строятся Customer 360, сегментация, scoring и персонализированные предложения.
Задачи роли:
Предстоит спроектировать слой между сырыми данными core banking системы и витринами платформы. Источник слабо документирован: часть значений закодирована, часть бизнес-логики реализована в коде и хранимых процедурах, две внешне одинаковые записи могут быть собраны разными алгоритмами из разных таблиц.
Нужен человек, который разберёт этот источник и превратит его в осознанную модель данных: что откуда берётся, что на что влияет, какое поле что означает.
Что предстоит делать:
— Исследовать core banking систему, legacy- и внешние источники, восстанавливать их семантику.
— Идти от целевой витрины к источнику: определять, из каких таблиц и по какой логике собирается каждый атрибут.
— Разделять случаи, когда одинаковые по виду данные получены разными путями, и фиксировать правила выбора.
— Описывать модель данных и метаданные: сущности, связи, grain, ключи, историчность.
— Формировать требования к витринам для сегментации, scoring и рекомендаций.
— Писать SQL-исследования и прототипы трансформаций, проверять гипотезы на данных.
— Выяснять смысл данных напрямую у сотрудников банка — это постоянная часть работы.
О бэкграунде:
Важно, какие задачи вы решали — приходили в незнакомую недокументированную систему и разбирались сами, восстанавливали бизнес-смысл данных, строили модель с нуля и доводили исследование до работающей витрины.
Если вы работали дата-инженером и значительную часть времени тратили на то, чтобы понять, что лежит в источнике, — это наш профиль. Если получали готовые чистые витрины — скорее нет.
AI-native подход:
Мы используем AI-native подход и ожидаем того же от кандидата: AI-инструменты применяются для разбора legacy, анализа схем, написания SQL и документирования.
Требования:
— Сильный SQL: оконные функции, сложные join-цепочки, анализ качества и распределений.
— Опыт реверс-инжиниринга плохо документированных источников.
— Понимание data modelling: сущности, grain, ключи, историчность, master entities.
— Опыт работы с банковскими или fintech-данными (Core banking (особенно ArmSoft) / legacy banking systems, Customer 360) или опыт разбора сырых банковских данных о клиентах и продуктах из плохо документированных систем с целью производства маркетинговой и финансовой аналитики.
— Python на уровне исследования данных.
— Способность самостоятельно довести задачу «вот сырьё, вот целевая витрина» до результата.
— Проактивность: готовность выяснять смысл данных у людей, а не ждать документации.
— Git, Linux, опыт работы в закрытых Dev/UAT-контурах.
Будет плюсом:
— Знание армянского языка
— Методологии матчинга и дедупликации
— Опыт с Data Vault 2.0
— Опыт с DBT или аналоги
— PII, маскирование, RBAC
— Опыт в регулируемом on-premise контуре
— Экспертиза в ML, ML Ops
Условия:
— Взаимодействие по ИП
— Локация - Армения
— Формат работы - гибрид, готовность работать из офиса банка до 3 раз в неделю.
Buymie — мобильная платформа, предоставляющая услуги по доставке продуктов по всей Ирландии. Компания была признана Deloitte самой быстрорастущей технологической компанией в Ирландии.
Требования:
— Опыт работы 5+ лет
— Владение SQL, Looker, Power BI, Tableau, Python
— Хорошее знание английского языка
Компания имеет команду из 51-200 человек и инвестиции в размере €17M.
Контактное лицо: CEO и ко-фаундер — Devan Hughes.
Ищем Lead Data Scientist, который будет развивать ML-решения для рекламной монетизации, персонализации и рекомендаций, а также вести и менторить Data Science-команду. • 5+ лет опыта в Data Science, желательно в consumer mobile-продуктах.
Задачи:
— Руководство и наставничество в командах Data Science
Требования:
— Опыт работы в Data Science не менее 5 лет, предпочтительно в мобильных потребительских продуктах
— Глубокие знания в области монетизации рекламы, оптимизации доходов или аналитики рекламы
— Опыт работы с системами рекомендаций, персонализации или ранжирования
— Продвинутые навыки Python и SQL
— Экспертиза в машинном обучении, предиктивном моделировании, прогнозировании и прикладной статистике
— Опыт работы с большими поведенческими наборами данных
— Опыт руководства или наставничества в командах Data Science
— Родной русский язык
Будет преимуществом:
— Знание AdMob, AppLovin, Unity Ads, ironSource
— Опыт с MLOps и облачными платформами AWS, GCP, Azure
— Знания в области LLM и генеративного ИИ
Задачи:
— Подготовка ежемесячной и еженедельной отчетности;
— Выполнение ad-hoc задач, преимущественно от отдела retention;
— Построение и поддержание дашбордов в Metabase.
Требования:
— Опыт работы с BI-системами;
— Высокий уровень владения SQL (написание сложных запросов, CTE, оконные функции и т.п.);
— Базовые навыки программирования на Python (работа с данными, написание DAG для Airflow);
— Умение читать и понимать Python-код аналитических сервисов и моделей;
— Активность, самостоятельность и инициативность.
Преимущества:
— Опыт работы в iGaming.
Условия:
— Работа в офисе на Кипре, в Лимассоле;
— Официальное трудоустройство;
— Корпоративные завтраки и обеды;
— Развитая корпоративная культура;
— График работы 5/2 (выходные суббота и воскресенье);
— Гибкое начало рабочего дня с 8 до 11 часов;
— Конкурентная заработная плата, определяемая по итогам собеседования;
— Предоставление всех необходимых инструментов для работы.
We’re looking for a DevOps Engineer (Data Focus) to strengthen our Data Engineering team. This role is all about building and maintaining reliable, scalable, and observable data infrastructure that powers our trading research and production systems.
• Анализировать продуктовые метрики B2C-направления: воронки, retention, когорты пользователей. • Настраивать и поддерживать трекинг событий в Amplitude (или аналогичной системе).
ГибридjuniorКараганда
Зарплата не указана
ГибридseniorЕреван
300 000 – 400 000 ₽
Все вакансии в одном месте — страница 7 · Job Hunters