Задачи:
— Реализация полного цикла разработки моделей и ML-решений: от постановки задачи до передачи на внедрение и мониторинг
— Генерация ML-решений для задач бизнеса, формирование бизнес-требований моделей и технических заданий для смежных команд
— Выполнение проектных задач в установленные сроки
— Подготовка отчетов, технических заданий для MLOps и Data Engineering, поиск данных
Требования:
— Опыт работы с ML в банковском, финансовом, телекоммуникационном или ритейл секторе от 5 лет
— Уверенное владение Python, PySpark и глубокое знание алгоритмов машинного и глубокого обучения
— Способность поддерживать full-stack разработку: от сбора требований до реализации, документации и мониторинга
— Развитые soft-skills и опыт написания технических заданий, бизнес-требований и проектной документации
— Высшее техническое, финансово-математическое или экономическое образование
Условия:
— Удаленный формат работы
— Официальное оформление в штат компании Selecty
— Конкурентный оклад и дополнительное медицинское страхование с стоматологией
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.
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.
ГибридmiddleМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
– 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.
Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием); Оценка влияния на бизнес предложенных решений;
• 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
As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale.
– выполнять задачи полного жизненного цикла: от сбора требований до выкатки на установку в прод; – разрабатывать и дорабатывать витрины и решения, автоматизировать их через оркестраторы;
Задачи:
— сбор требований: взаимодействие с заказчиками и конечными пользователями, выявление потребностей в отчётности и дашбордах;
— проектирование данных: проработка логики расчётов, постановка ТЗ разработчикам / дата инженерам на трансформацию данных от систем-источников до целевых витрин;
— контроль качества данных: проверка корректности, полноты и консистентности данных для конечных пользователей;
— развитие хранилища: участие в проектировании слоёв и витрин DWH, оптимизация запросов при работе с большими объёмами данных;
— проектирование интеграций: понимание подходов к получению данных из смежных систем (REST API, Kafka, RabbitMQ, прямое обращение к БД);
— улучшение процессов: оптимизация существующих процессов разработки BI-аналитики, ведение документации;
— разработка и оптимизация отчётности: создание и доработка дашбордов в Tableau, оптимизация производительности и UI/UX.
Требования:
— уверенный SQL (фильтрация, подзапросы, агрегация, оптимизация);
— понимание ETL/ELT-процессов и архитектуры хранилища данных;
— опыт построения дашбордов и отчётности;
— умение переводить бизнес-процессы в сущности хранилища;
— ориентированность на результат, многозадачность, способность предлагать и внедрять решения.
Будет плюсом:
— опыт работы с Tableau (понимание принципов работы LOD, Table Calculations, Sets, логической модели данных, Data Blending);
— опыт взаимодействия с PySpark, Hive (на уровне аналитика);
— опыт взаимодействия с ИИ агентами.
Условия:
— формат работы на выбор: офис/гибрид/удаленка;
— гибкий график (с 8 до 17, с 9 до 18 или с 10 до 19);
— участие в проекте кафетерия льгот (ДМС, спорт, мобильная связь, обучение);
— полугодовые премии;
— корпоративные скидки до 30% на товары Спортмастер, Ostin, Funday, Demix;
— внутреннее и внешнее обучение, конференции;
— BestBenefits – сервис персонализированных скидок и привилегий;
— технику предоставляем.
Разработка и внедрение ML-моделей прогнозирования спроса (временные ряды + градиентный бустинг + нейросети) на уровне SKU; Автоматизация пайплайнов ретрайна и мониторинга качества прогнозов в продакшене (MLflow, Airflow, Docker);
Разработка и сопровождение предиктивных моделей эффективности закупки трафика; Разработка регрессионных и классифицирующих моделей для различных задач маркетинга (прогноз плательщика, оттока и т.п.);
Задачи:
— Валидация процессов загрузки данных
— Проверка корректности скачивания данных из внешних источников (БКИ, ЦБ, ФНС и др.)
— Контроль раскладки данных по целевым таблицам в S3/Iceberg
— Подтверждение обработки 100% входящего объёма данных
— Верификация атрибутного состава (например, отсутствие даты рождения в поле "ФИО")
— Тестирование механизмов обновления: отсутствие дубликатов при повторной загрузке
— Блокировка записей с аномалиями (ошибки источника, некорректные форматы)
— Анализ документации (ТЗ, маппинги) для проектирования тест-кейсов
— Профилирование данных: выявление шаблонов, аномалий и граничных значений
— Документирование расхождений между источниками и хранилищем
— Мониторинг задач в Airflow на предмет сбоев
— Составление отчётов о дефектах и качестве данных
Требования:
— Практическое знание SQL: продвинутый уровень, включая сложные JOIN, подзапросы, агрегатные функции, написание проверочных запросов, анализ трансформаций, выявление расхождений
— Понимание архитектуры Lakehouse (S3, Iceberg) и слоёв хранения (RAW/ODS/DDS)
— Опыт работы с БД и хранилищами: Oracle, Greenplum, PostgreSQL, S3, Airflow (мониторинг задач), Spark (понимание логики обработки)
— Опыт тестирования хранилищ данных
— Работа с форматами данных: XML, JSON, XSD/JSON-схемы
— Опыт интеграции внешних источников (БКИ, ФНС, ЦБ, API-партнёров)
— Понимание REST/SOAP API и протоколов передачи
— Стек автоматизации: Python, pandas, numpy, psycopg2, pytest, Allure, PySpark
Условия:
— Оформление в штат аккредитованной ИТ-компании по ТК РФ: полностью белая заработная плата, оплачиваемые отпускные и больничные
— Индексация заработной платы
— Расширенная программа ДМС
— Скидки на фитнес, кино и уроки английского
— Техника по требованиям проекта
Задачи:
– проектирование и разработка слоев данных (Raw, Clean, Enriched/Presentation) с учетом лучших практик моделирования (Data Vault 2.0 / 3NF для хранилища, Star Schema для витрин);
– разработка и внедрение кастомных алгоритмов дедупликации и Entity Resolution (Fuzzy Matching) на Python;
– формализация бизнес-правил качества данных в код, настройка уровней доверия к источникам и правил выживания (survivorship rules);
– внедрение Data Contracts и механизмов карантина (quarantine) для некачественных данных с возможностью их последующего разбора;
– настройка автоматизированного тестирования данных (Data Quality checks) в пайплайнах.
Требования:
– Продвинутый уровень SQL и опыт работы с dbt (или аналогами) для построения слоев данных;
– уверенное владение PySpark и/или pandas для обработки больших объемов данных и реализации логики матчинга;
– практический опыт применения библиотек нечёткого поиска и связывания записей (Splink, recordlinkage, dedupe, theFuzz);
– понимание принципов работы алгоритмов сравнения строк (Левенштейн, Джаро-Винклер, косинусное сходство на TF-IDF/эмбеддингах);
– глубокое понимание 2-3NF, Data Vault 2.0 и различий между слоями сырых, очищенных и обогащенных данных;
– опыт внедрения инструментов тестирования данных (Great Expectations, Soda, dbt tests, deequ или аналоги);
– опыт работы с оркестраторами (Airflow, Dagster или Prefect), уверенное использование Git и базовые навыки CI/CD для дата-пайплайнов.
Требования:
- Опыт TeamLead (управление командой) не менее 4 лет;
- Опыт разработки ETL/ELT-процессов, в которых значительная часть логики реализована на стороне СУБД;
- Опыт разработки и сопровождения хранимых процедур / функций в СУБД;
- Практический опыт использования SQL/PLSQL или аналогичных процедурных расширений SQL для реализации загрузок и трансформаций данных;
- Опыт участия в проектах миграции ETL-систем (Apache стек);
- Опыт разработки на Python (написание ETL-скриптов, работа с pandas, интеграция с API);
- Опыт написания и отладки DAG'ов в Apache Airflow (не только проектирование, но и разработка);
- Опыт работы с PySpark (трансформации, оптимизация, партиционирование);
- Опыт миграции ETL-процессов с Informatica PowerCenter на открытый стек (Airflow + Greenplum);
- Глубокое практическое знание NiFi и Airflow: проектирование потоков, подключение источников, обработка ошибок, мониторинг, отладка;
- Опыт работы с качеством данных: разработка правил валидации, анализ влияния на бизнес-процессы;
- Понимание архитектурных подходов к проектированию хранилищ, различие ETL и ELT;
- Опыт работы с Hive metastore (устройство, хранение на PostgreSQL) и форматами файлов (Parquet, ORC);
- Опыт работы с Оracle;
- Опыт применения сложных SQL-запросов (оконные функции, джоины);
- Умение оптимизировать запросы для highload-среды;
- Опыт проектирования интеграций Apache-стека с Kafka и BI-системами;
- Опыт настройки потоковой обработки данных;
- Опыт работы с Hadoop и Hive (знание версий, источников данных);
- Опыт работы с PostgreSQL, Greenplum, Clickhouse;
- Опыт работы с Grafana/Prometheus для отслеживания ETL-процессов;
- Опыт работы с биллингом;
- Опыт автоматической валидации и контроля качества данных после миграции (сравнение результатов, метрики);
Обязанности:
- Миграция ETL-процессов с Informatica PowerCenter на целевой стек: NiFi + Airflow + Greenplum + SQL/хранимые процедуры.
- Подготовка документации AS IS и TO BE;
- Написание SQL кода;
- Отслеживание метрик.
Задачи:
– Разработка и оптимизация ETL-процессов с использованием Python и SQL.
– Разработка и внедрение масштабируемых конвейеров обработки данных для обработки различных источников данных.
– Работа с реляционными базами данных (например, PostgreSQL, Oracle) для обеспечения эффективного хранения и извлечения данных.
– Оптимизация SQL-запросов и скриптов Python для повышения производительности и удобства сопровождения.
– Внедрение надежной обработки ошибок, ведение журналов и мониторинг для конвейеров обработки данных.
– Взаимодействие с межфункциональными командами для интеграции и управления источниками данных.
Требования:
– Более 5 лет опыта в области проектирования данных.
– Навыки работы с Python и SQL на экспертном уровне – умение писать эффективный, масштабируемый и поддерживаемый код.
– Обширный опыт в проектировании ETL-процессов и работе с большими массивами данных.
– Глубокое понимание оптимизации производительности баз данных и оптимизации запросов.
– Опыт работы с моделированием данных и проектированием схем.
– Знание решений для облачного хранения данных (Azure, AWS или GCP).
– Высокие навыки решения проблем и способность работать самостоятельно.
– Желательно: опыт работы с PySpark, оркестраторами и знание CI/CD для автоматизации процесса развертывания.
Условия:
– Полностью удаленная позиция с гибкими условиями работы.
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)
— опыт работы в ритейле, финтехе, marketplace-сегменте или сфере услуг с высокой конкуренцией
— умение переводить бизнес-задачи на язык данных и обратно
— знание основ юнит-экономики и финансового моделирования
— опыт разработки или интеграции решений с применением GenAI.
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.