Старший консультант по Data Science / Аналитической инженерии

Что предстоит делать

<p><strong>Тип роли:</strong> Контракт / Консалтинговое взаимодействие с фиксированным объемом работ<br><strong>Длительность:</strong> <nobr>2–3</nobr> месяца <nobr>(10–12 недель)</nobr><br><strong>Загрузка:</strong> Полная или почти полная занятость <nobr>(предпочтительно 4–5 дней в неделю</nobr>)<br><strong>Локация:</strong> Удаленно (необходимо пересечение по времени с Испанией / CET ± 6 часов)<br><strong>Требуемые языки:</strong> Испанский (C1+) и английский (B2+)</p><p><strong>Возможность</strong></p><p>Мы ищем практикующего <strong>старшего консультанта по Data Science / аналитическому инжинирингу</strong> для аудита, редизайна и перестройки наших ключевых моделей <strong>оценки чарджбэков</strong> и <strong>оценки выручки</strong>.</p><p>Это критически важный сквозной проект. Вы превратите существующие прототипы в production-ready пайплайны в рамках нашего современного стека данных (<strong>dbt на Databricks и Python</strong>). Кроме того, вы спроектируете и создадите легковесный инструмент для сценарного анализа, ориентированный на бизнес-пользователей, который позволит заинтересованным сторонам из финансового и операционного отделов запускать симуляции выручки по принципу «что, если».</p><p><strong>Наша техническая философия: Парсимония вместо черных ящиков</strong></p><p>Мы сознательно отдаем предпочтение простым, легко интерпретируемым параметрическим подходам. Если вашей первой реакцией на задачу прогнозирования будет применение ансамбля XGBoost, модели глубокого обучения или LLM, <strong>этот проект не для вас</strong>.</p><p>Мы строим модели, где каждый параметр несет явный бизнес-смысл, который можно объяснить нетехническим заинтересованным сторонам простым языком (например, <em>«Если цена вырастет на 10%, конверсия упадет на X%, потому что наша расчетная ценовая эластичность равна −1,3»</em>).</p><p><strong>Объем работ и результаты</strong></p><ul><li><strong>Этап 1: Discovery и аудит (недели <nobr>1–2):</nobr></strong> Проверка текущих моделей оценки (допущения, lineage dbt, методы валидации). Сверка исторических результатов моделей с фактическими бухгалтерскими данными за последние <nobr>12–24</nobr> месяца для количественной оценки смещения и ошибки. Предоставление письменного отчета с выводами.</li><li><strong>Этап 2: Редизайн (недели <nobr>3–4):</nobr></strong> Предложение целевой параметрической методологии для каждой модели (гранулярность, периодичность обновления, количественная оценка неопределенности) и получение одобрения заинтересованных сторон.</li><li><strong>Этап 3: Перестройка (недели <nobr>5–9):</nobr></strong> Перевод новых моделей в продуктивную среду с использованием dbt, Databricks и Python. Применение формулировок на основе кривых с подогнанными историческими параметрами и четкими доверительными интервалами. Внедрение строгого unit/dbt-тестирования и отслеживания MLflow.</li><li><strong>Этап 4: Инструмент для сценариев (недели <nobr>9–10):</nobr></strong> Создание легковесного бизнес-интерфейса (например, Streamlit на Databricks или параметризованной панели управления Databricks SQL). Пользователи должны иметь возможность вводить гипотезы (цена ±X%, объем ±Y%, изменения в миксе) и мгновенно видеть прогнозируемое чистое влияние с диапазонами неопределенности.</li><li><strong>Этап 5: Передача (недели <nobr>11–12):</nobr></strong> Проведение сессий по передаче знаний, предоставление runbook/карточек моделей и обеспечение <nobr>2-недельного</nobr> окна поддержки по исправлению ошибок после передачи.</li></ul><p><strong>Ваш профиль</strong></p><ul><li><strong>Опыт:</strong> <nobr>5–8+</nobr> лет в Data Science, количественном анализе или старшем аналитическом инжиниринге.</li><li><strong>Владение продуктивной средой:</strong> Подтвержденный опыт полного цикла владения моделями финансовой оценки или прогнозирования в продуктивной среде.</li><li><strong>Мышление в духе «парсимонии»:</strong> Демонстрируемая экспертиза в параметрическом/криволинейном моделировании (ценовая эластичность, кривые выживаемости когорт, кривые спроса, GLM) в противовес ML «черным ящикам».</li><li><strong>Инструментарий для заинтересованных сторон:</strong> Опыт создания понятных инструментов типа «что, если» или интерфейсов финансового планирования для руководства бизнеса.</li><li><strong>Стек:</strong> Продвинутый Python (<code>pandas</code>, <code>numpy</code>, <code>scikit-learn</code>, <code>statsmodels</code> и/или <code>scipy.optimize</code>), production <code>dbt</code> (инкрементальные модели, снимки, тесты) и <code>Databricks</code> (<code>PySpark</code>, <code>Delta</code>, workflows).</li><li><strong>Знание предметной области:</strong> Непосредственный опыт в области платежных рисков, чарджбэков, моделирования возвратов/споров, прогнозирования выручки, LTV когорт или аналитики ценообразования.</li><li><strong>Коммуникация:</strong> Исключительная способность сверять результаты Data Science со строгими данными финансового учета.</li><li><strong>Языки:</strong> <strong>Испанский (C1+)</strong> обязателен для ежедневной синхронизации с местными финансовыми/операционными командами; <strong>английский (B2+)</strong> требуется для технической документации.</li></ul><p><strong>Будет плюсом</strong></p><ul><li>Опыт работы в FinTech, с подписочными моделями, платежами или высокообъемной электронной коммерцией.</li><li>Глубокое знание Unity Catalog, Databricks Workflows или Airflow.</li><li>Подтвержденный опыт успешных независимых консалтинговых проектов (потребуются рекомендации).</li></ul> <div> <a href="https://jobs.dou.ua/companies/anadea/vacancies/361023/#reply-btn-id">Откликнуться на вакансию</a> </div>