Data Scientist / ML Engineer (Python, ML, A/B-тесты)

Ищем Data Scientist / ML Engineer, который проходит полный цикл разработки ML-решений — от работы с данными до внедрения модели в продакшен. Роль для того, кто уверенно превращает бизнес-задачи в ML-постановки, строит и оптимизирует модели, проектирует A/B-тесты и отвечает за качество моделей в проде.

Задачи:

• Разработка и внедрение ML-моделей для бизнес-задач: регрессия, классификация, рекомендательные системы.
• Полный цикл работы с данными: сбор, очистка, feature engineering, построение pipeline.
• Проектирование и проведение A/B-тестов, анализ результатов экспериментов.
• Выбор и оптимизация метрик качества моделей, настройка гиперпараметров.
• Разработка и поддержка инференса моделей в продакшене (API, скрипты).
• Мониторинг качества моделей, выявление деградации, своевременное переобучение.
• Работа с SQL для извлечения и анализа данных.
• Визуализация результатов анализа и подготовка презентаций для стейкхолдеров.
• Перевод бизнес-требований в технические задачи Data Science.
• Приоритизация бэклога, управление сроками и рисками мини-проектов.
• Документирование кода, моделей и процессов; участие в code review и соблюдение best practices.
• Командная работа с аналитиками, инженерами и продакт-менеджерами.

Обязательные требования:

Образование и опыт:

• Высшее образование (бакалавр/магистр): математика, статистика, Computer Science или инженерные специальности.
• Опыт Data Scientist / ML Engineer от 2 лет в продуктовой компании или консалтинге.
• Опыт участия в полном цикле разработки ML-решений — от данных до внедрения в продакшен.

Технические навыки:

• Уверенное владение Python: NumPy, pandas, scikit-learn.
• Базовые знания PyTorch или TensorFlow.
• Уверенное владение SQL: JOIN, CTE, базовая оптимизация запросов.
• Инструменты визуализации данных: matplotlib, seaborn, plotly.
• Git, написание чистого кода, базовые знания pytest.

ML-компетенции:

• Практический опыт задач регрессии, классификации, кластеризации.
• Feature engineering: работа с пропусками, категориальными признаками, масштабирование.
• Тюнинг гиперпараметров: Grid Search, Random Search, early stopping.
• Понимание A/B-тестирования и статистических тестов (t-test, χ²).
• Опыт разработки рекомендательных систем.

Аналитические навыки:

• Дизайн экспериментов, статистические тесты, power-анализ.
• Работа с продуктовыми метриками: CR, ARPU, LTV, retention.
• Выбор и интерпретация метрик качества моделей: ROC-AUC, PR-AUC, F1, calibration, uplift.

Продакшен и инфраструктура:

• Опыт разворачивания моделей в продакшен: скрипты, API на Flask / FastAPI.
• Навыки логирования и базового мониторинга метрик моделей.

Soft skills:

• Умение переводить бизнес-задачи в ML-постановки.
• Чёткая коммуникация результатов для нетехнических аудиторий, навыки визуального сторителлинга.
• Самостоятельность в ведении задач и мини-проектов, ответственность за сроки и результат.

Будет плюсом:

• Gradient boosting: XGBoost, LightGBM, CatBoost.
• Большие данные: Spark, Dask.
• Deep learning архитектуры: CNN, RNN, трансформеры.
• MLflow, DVC, Docker, Airflow / Prefect.

Что мы предлагаем:

• Работа над проектами, приносящими пользу тысячам людей; профессиональный коллектив.
• Неограниченный профессиональный рост, спонсирование обучения.
• Комфортный офис в центре города.
• Скидки на фитнес и английский язык, подарки на праздники и дни рождения.
• Бонусы и предложения от компаний холдинга.
• Насыщенная корпоративная жизнь: выезды на природу, мероприятия, игры и розыгрыши.