Аналитик данных | Data scientist

Навыки

• A/B-тесты
• AI-инструменты в работе
• BI-инструменты
• XGBoost / LightGBM / CatBoost
• CRM-системы
• Computer Vision
• Дашборды и витрины

Задачи

• Это роль-гибрид: вы будете одновременно AI-лидером (проработка гипотез, работа с подрядчиками) и Data Scientist'ом (модели, данные, ML). 🔬
• Бизнес-гипотезы Взаимодействовать с бизнес-заказчиками (маркетинг, продажи, продукт, HR, логистика), выявлять точки применения AI Формулировать и тестировать гипотезы: «А что, если мы автоматизируем / предскажем / кластеризуем / порекомендуем вот это?» Проводить оценку эффективности гипотез (стоимость разработки vs выгода) 🤖
• Работа с LLM и YandexGPT Развивать текущую интеграцию с LLM (Яндекс) — уже используем её, нужно масштабировать
• Проектировать RAG-решения (Retrieval-Augmented Generation) для ответов по корпоративным данным
• Разрабатывать AI-ассистентов для: Ad-hoc запросов по анализу данных - ответы на типичные вопросы по данным виесто формирования типовых дашбордов, внутренних процессов — поиск по документам, генерация отчётов, интерпретация показателей 📊
• Data Science (модели и данные)
• Разрабатывать ML-модели (классификация, регрессия, кластеризация, прогнозирование временных рядов)
• Собирать и подготавливать данные для моделей из DWH и других корпоративных источников
• Проводить EDA, feature engineering, валидацию, A/B-тесты
• Подтверждать качество моделей — формальная метрика качества (business metrics, а не только ML-метрики)
• Документировать результаты (отчёты, презентации для стейкхолдеров) 🤝
• Работа с подрядчиками и пилотами
• Искать на рынке внешние AI-решения, отвечающие запросам бизнеса
• Формировать ТЗ для подрядчиков, оценивать их компетенции
• Управлять пилотами: сроки, KPI, приёмка результатов
• Готовить фактуру для принятия решения: build (делаем сами) vs buy (покупаем готовое решение vs partner (берём подрядчика)
• Текущий пул: LLM-проекты с Яндексом
• в планах — AI-ассистенты для данных, NLP-решения, Computer Vision (если есть потребность) 🛠️
• Интеграция и внедрение
• Доводить модели до продакшена — встраивать их в существующую DWH-инфраструктуру
• Писать ETL/ELT-пайплайны для ML (совместно с DWH-инженерами)
• Мониторить качество моделей в продуктивном контуре, настраивать автопереобучение
• Интегрировать AI-решения с текущими системами компании (CRM, BI, корпоративный портал)
• Что мы ожидаем: Опыт работы со сложными запросами, оконными функциями, CTE, DWH (PostgreSQL / ClickHouse)

Требования

• Опыт работы с YandexGPT / GPT / Open-source LLM, понимание RAG, промпт-инжиниринг

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.