Кольцевая линия метро Парк культуры
Мы ищем сильного аналитика, который умеет работать с большими и неоднородными данными в ритейле, формировать бизнес-инсайты, строить дашборды, проверять гипотезы и активно использовать AI-инструменты в работе: ChatGPT, Claude, Cursor, Copilot и аналоги.
Позиция больше про аналитику, но с расширенным функционалом: часть задач, которые обычно требуют Data Scientist / Data Engineer, кандидат сможет прототипировать и ускорять с помощью нейросетей. В исходных материалах отдельно выделены задачи аналитика по ритейл-данным, feature engineering, A/B-тестам и BI, а также data engineering-задачи по пайплайнам, качеству данных и интеграциям.
Задачи:
- Анализировать данные из разных источников: кассовые данные, остатки, промо, транзакции, IoT-датчики, данные по полкам, магазинам и категориям.
- Нормализовать и структурировать неоднородные данные от разных клиентов.
- Строить аналитические отчёты, дашборды и презентации для внутренних команд и клиентов.
- Формулировать и проверять бизнес-гипотезы, участвовать в A/B-тестах.
- Искать инсайты по продажам, выкладке, полочному пространству, промо и поведению покупателей.
- Готовить feature-таблицы и аналитические витрины для ML-моделей.
- Работать с качеством данных: пропуски, выбросы, дубликаты, аномалии.
- Использовать AI-инструменты для генерации SQL-запросов, Python-скриптов, прототипов ETL/ELT-логики, аналитических выводов и автоматизации повторяющихся задач.
Что ждём от кандидата:
- Уверенный SQL: сложные запросы, join’ы, CTE, оконные функции, агрегации.
- Python для аналитики: pandas, numpy, визуализация данных.
- Опыт работы с большими массивами данных.
- Опыт построения дашбордов в Power BI, Tableau, Superset, Redash или аналогах.
- Базовое понимание статистики: A/B-тесты, корреляции, проверка гипотез.
- Опыт в ритейле, FMCG, e-commerce, маркетплейсах или смежных направлениях.
- Умение работать с грязными, неполными и нестандартизированными данными.
- Практический опыт использования AI-инструментов в рабочих задачах.
Будет плюсом!
- ClickHouse, PostgreSQL или другие аналитические БД.
- PySpark / Spark SQL на базовом уровне.
Понимание dbt, Airflow, Prefect или других инструментов для пайплайнов.
- Понимание feature engineering и подготовки данных для ML.
- Опыт с IoT-данными, видеоаналитикой или данными полочного пространства.
- Понимание unit-экономики, LTV, churn, MRR, ARPU.
Кого мы ищем:
Нам не нужен классический Data Engineer или ML Engineer. Мы ищем аналитика, который умеет быстро разбираться в данных, находить бизнес-смысл, общаться с командой и клиентами, а технические задачи может ускорять и частично закрывать с помощью AI-инструментов.
Личные качества:
Системное мышление.
Проактивность.
Умение работать в условиях неопределённости.
Внимательность к качеству данных.
Готовность быстро учиться.
Умение объяснять сложные вещи простым языком.
