Lead Data Scientist (навчання аналітиків, ML Delivery)

Запрошуємо приєднатися до нашої команди Lead Data Scientist

Роль:

• Побудувати процеси аналітики так, щоб дані були стабільні, відтворювані й контрольовані;
• запустити навчання аналітиків та забезпечити delivery рішень ML від постановки задачі до продакшну.

Обов’язки:

• Дата інжиніринг & пайплайни: налаштування Dagster + dbt; тести даних, алерти, контроль витоків (leakage).
• Аналітичні вітрини: проєктування узгоджених marts (клієнт/чек/товар/магазин/промо/канал) з правильним grain та історичністю.
• ML для табличних даних: побудова та валідація моделей (LightGBM/XGBoost/CatBoost), регуляризація, CV, робота з дисбалансом класів, інтерпретація (SHAP).
• Оцінка якості моделей: ROC-AUC/PR-AUC, F1, calibration та інші.; підготовка метрик та звітів для бізнесу.
• Повний ML/DS цикл: постановка задач — підготовка датасетів — моделювання — інтерпретація — продакшн (batch/API), Docker.
• Навчання/менторинг: системне апскілл-навчання аналітиків (Excel-рівень і вище), регулярні заняття та рев’ю задач.
• Стандарти команди: Git, code review, шаблони ноутбуків/звітів, документація; впровадження «Data Platform Playbook».
• Data mining: пошук патернів і гіпотез на реальних даних, спільна робота з бізнесом.
• Додатково — Архітектура та платформа даних: участь у розгортанні MinIO + Apache Iceberg + Catalog + Trino; забезпечення якості та керованості даних.

Вимоги (технічні):

1. Python + SQL (strong): pandas/numpy, scikit-learn; CTE, window functions, оптимізація запитів.

2. Математична база (практична):

• ймовірність і статистика: розподіли, маточікування/дисперсія, довірчі інтервали, p-value;
• перевірка гіпотез, A/B-тести, статистична потужність;
• лінійна алгебра: матриці/вектори, базове розуміння градієнтів.

3. ML для табличних даних: LightGBM/XGBoost/CatBoost, регуляризація, bias-variance, cross-validation, контроль leakage.

4. Оцінка моделей: ROC-AUC/PR-AUC, F1, calibration; робота з дисбалансом; інтерпретація (SHAP).

5. End-to-end DS: від постановки задачі до продакшну (batch/API), Docker.

6.Навчання/менторинг: робота з аналітиками рівня Excel; системні заняття + рев’ю.

7.Апскілл-програма: вміння проектувати план на 3−6 міс (практика/домашки/skills matrix).

8.Командні стандарти: Git, code review, шаблони, документація.

Буде плюсом: досвід з Lakehouse, Trino performance tuning, продакшн-ML рішень у Retail/FMCG, досвід CI/CD для DS.

Задачі на пілот (перші 6 місяців):

1. Долучитися до проєкту розгортання «фабрики даних» (MinIO + Iceberg + Catalog + Trino) — забезпечити стабільність, відтворюваність, контроль.
2. Побудувати базові вітрини даних під клієнтську аналітику (клієнт/чек/товар/магазин/промо/канал) з узгодженим grain та історичністю.
3. Налаштувати автоматичні пайплайни (Dagster + dbt), тести даних і алерти.
4. Вибудувати процеси обробки та аналізу даних, data mining.

Внутрішні навчання (обов'язково):

5. Провести SQL Bootcamp для пілотної групи (3−4 людини): SELECT/JOIN/GROUP BY, віконні функції, логіка grain, правила «як не зламати метрики».

6. Створити «Data Platform Playbook»: як підключатися, де які таблиці, що таке «джерело правди», як просити нові поля/таблиці (процес заявок).

7. Запустити office hours 2 рази/тиждень: розбір реальних задач аналітиків на реальних даних.

Компанія пропонує:

• дистанційний або гібридний формат роботи;
• працевлаштування на умовах гіг-контракту або в штат (є можливість бронювання);
• оплачувану щорічну відпустку 24 календарних дня, оплачуваний лікарняний;
• регулярну виплату заробітної плати без затримок та в обумовлених обсягах, регулярний перегляд заробітної плати;
• можливість професійного та кар'єрного росту;
• курси підвищення кваліфікації.

Контактна особа: Катерина, тел.0984567857Показати телефон (t.me/KaterynaB_HR)