Data Scientist в коммерческий департамент Авито (ML Autotasking)

Навыки

• CI/CD
• Холодные звонки
• Анализ данных
• E-commerce
• Go
• LLM
• Machine Learning

О компании и продукте

• Наша команда отвечает за развитие отдела продаж Авито и повышение его эффективности за счёт умной автоматизации: от подбора наиболее релевантных пользователю коммерческих предложений и скидочных механик до разработки LLM-подсказок во время звонков и «догоняющих» коммуникаций в чатах.Наша цель — быстро проверять гипотезы, доводить успешные решения до продакшена и повышать инкрементальную выручку от работы менеджеров по продажам.

Задачи

• проектировать и развивать модели склонности, look-alike- и uplift-модели для подбора наиболее релевантных коммерческих предложений конкретным клиентам с учётом их истории, контекста и предыдущих контактов с менеджерами по продажам
• участвовать в построении end-to-end пайплайна принятия решений: от формирования пула возможных офферов для клиента до ранжирования и отбора шорт-листа предложений для ежедневного обзвона менеджерами по продажам
• разрабатывать и улучшать офлайн-алгоритмы скоринга и ранжирования предложений в условиях ограниченных ресурсов: ограниченного числа звонков, отменённых предложений, конкуренции между офферами
• вместе с аналитиками и продакт-менеджерами участвовать в дизайне и интерпретации экспериментов (A/B, holdout, uplift-валидация), принимать решения о масштабировании моделей на основе инкрементального эффекта
• формировать и поддерживать стандарты разработки моделей и валидации: от постановки задачи и выбора метрик до воспроизводимости экспериментов и стабильности продакшен-решений
• доводить модели до продакшена: участвовать во внедрении, мониторинге качества и итеративном улучшении решений на основе реального поведения клиентов и менеджеров по продажам

Требования

• имеете от 3 лет опыта работы в Data Science / Machine Learning с фокусом на продуктовые ML-решения, доведённые до продакшена
• имеете практический опыт построения моделей склонности, look-alike- или uplift-моделей для продуктовых или коммерческих сценариев
• работали с задачами ранжирования или приоритизации объектов в условиях ограниченных ресурсов, например с лимитами на показы, звонки или бюджеты
• уверенно владеете Python и SQL для анализа данных, обучения моделей и построения ML-пайплайнов
• понимаете принципы офлайн- и онлайн-валидации моделей, участвовали в дизайне и интерпретации экспериментов (A/B, holdout, uplift-оценка) вместе с аналитиками и продуктовыми командами
• имеете опыт вывода моделей в продакшен: участвовали во внедрении, отслеживали качество, работали с деградациями и итеративно улучшали решения
• готовы брать на себя техническую ответственность за ML-решения и взаимодействовать с продуктовой командой, аналитиками и инженерами на всех этапах жизненного цикла модели

Будет плюсом

• имеете опыт работы в рекламе или e-commerce
• имеете опыт работы с бандитами, интерливингом или мультиобъективным ранжированием
• имеете опыт работы с MLOps-инструментами: CI/CD, мониторингом, ML-пайплайнами
• работали с системами оркестрации ML-пайплайнов, например Kubeflow
• готовы разбираться в существующих продакшен-сервисах и при необходимости писать код на Go

Условия

• возможность влиять на бизнес и развитие продукта
• интересные и разнообразные задачи
• много качественных данных, мощная инфраструктура и инструменты, любое необходимое железо — всё готово для продуктивной работы
• талантливая команда, сильная аналитическая культура и сообщество профессионалов
• прозрачная система премий, достойная зарплата — размер обсудим на собеседовании
• личный бюджет на обучение, который можно тратить на книги, курсы и конференции
• забота о здоровье: с первого дня у вас будет ДМС со стоматологией, в офисе принимают терапевт и массажист
• удалёнка или офис в 2 минутах от метро «Белорусская»: панорамный вид на центр города, места для уединённой работы и зоны отдыха

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.