Аналитик данных | Data scientist
Известный международный бренд, отличный социальный пакет (ДМС, питание, бонусы) и работа с актуальным стеком технологий (LLM, RAG). Гибридный график и сокращенная пятница делают вакансию очень привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует широкого стека: от классического ML и глубокого знания SQL до работы с LLM и RAG. Высокая ответственность за полный цикл проекта — от сбора требований до внедрения в продакшен.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Указанная позиция предполагает конкурентную зарплату для уровня Senior/Middle+ в Москве. Рыночные вилки для специалистов с опытом в LLM и классическом ML сейчас находятся в диапазоне 250-400 тысяч рублей. Наличие годового бонуса и расширенного соцпакета делает предложение JDE соответствующим верхнему сегменту рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Аналитик данных | Data scientist в JDE
Что предстоит делать:
— 1. Бизнес-гипотезы
— Взаимодействовать с бизнес-заказчиками (маркетинг, продажи, продукт, HR, логистика), выявлять точки применения AI
— Формулировать и тестировать гипотезы: «А что, если мы автоматизируем / предскажем / кластеризуем / порекомендуем вот это?»
— Проводить оценку эффективности гипотез (стоимость разработки vs выгода)
— 2. Работа с LLM и YandexGPT
— Развивать текущую интеграцию с LLM (Яндекс) — уже используем её, нужно масштабировать
— Проектировать RAG-решения (Retrieval-Augmented Generation) для ответов по корпоративным данным
— Разрабатывать AI-ассистентов для: Ad-hoc запросов по анализу данных - ответы на типичные вопросы по данным виесто формирования типовых дашбордов, внутренних процессов — поиск по документам, генерация отчётов, интерпретация показателей
— 3. Data Science (модели и данные)
— Разрабатывать ML-модели (классификация, регрессия, кластеризация, прогнозирование временных рядов)
— Собирать и подготавливать данные для моделей из DWH и других корпоративных источников
— Проводить EDA, feature engineering, валидацию, A/B-тесты
— Подтверждать качество моделей — формальная метрика качества (business metrics, а не только ML-метрики)
— Документировать результаты (отчёты, презентации для стейкхолдеров)
— 4. Работа с подрядчиками и пилотами
— Искать на рынке внешние AI-решения, отвечающие запросам бизнеса
— Формировать ТЗ для подрядчиков, оценивать их компетенции
— Управлять пилотами: сроки, KPI, приёмка результатов
— Готовить фактуру для принятия решения: build (делаем сами) vs buy (покупаем готовое решение vs partner (берём подрядчика)
— Текущий пул: LLM-проекты с Яндексом; в планах — AI-ассистенты для данных, NLP-решения, Computer Vision (если есть потребность)
— 5. Интеграция и внедрение
— Доводить модели до продакшена — встраивать их в существующую DWH-инфраструктуру
— Писать ETL/ELT-пайплайны для ML (совместно с DWH-инженерами)
— Мониторить качество моделей в продуктивном контуре, настраивать автопереобучение
— Интегрировать AI-решения с текущими системами компании (CRM, BI, корпоративный портал)
Кого мы ищем:
— Опыт работы со сложными запросами, оконными функциями, CTE, DWH (PostgreSQL / ClickHouse);
— Опыт работы с YandexGPT / GPT / Open-source LLM, понимание RAG, промпт-инжиниринг;
— Владеете базовыми навыками разработки;
— Имеете опыт ведения проектов от сбора требований, защиты идей перед стейкхолдерами до презентации результатов.
— Pandas, NumPy, Scikit-learn, FastAPI / Flask;
— Градиентный бустинг (CatBoost, XGBoost, LightGBM), линейные модели, кластеризация, метрики, валидация.
Условия сотрудничества:
— Москва, Гибрид
— Работу в одной из крупнейших международных компаний, с брендами, которые действительно любят;
— Конкурентоспособную заработную плату (по результатам собеседования), годовой бонус;
— Официальное трудоустройство, соблюдение Трудового Кодекса РФ;
— Оплачиваемый больничный до 100% оклада;
— Полис ДМС (расширенный со стоматологией), страхование жизни;
— Компенсацию питания;
— Сервис «Понимаю» - бесплатные консультации психологов, юристов, финансистов, специалистов по здоровому образу жизни;
— Пятидневную рабочую неделю (гибридный формат работы), пятница - сокращённый рабочий день (до 15:30);
— Офис в центре Москвы (7 минут от ст. м. Новослободская и Маяковская);
— Кофейные наборы в подарок каждый квартал;
— Лучший кофе в офисе :)
— Расскажите об этой вакансии в соцсетях
— Источник: Официальный сайт JDE .Дата размещения у источника не указана. Дата публикации на Промопоиске: 19.11.2026.
Как откликнуться:
Лучшие вакансии от работодателей мечты на promopoisk.com
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- A/B Testing
- Python
- NumPy
- Pandas
- LLM
- SQL
- PostgreSQL
- RAG
- NLP
- Scikit-learn
- Feature Engineering
- ETL
- XGBoost
- FastAPI
- LightGBM
- Flask
- ClickHouse
- EDA
- CatBoost
Возможные вопросы на собеседовании
Вакансия предполагает активное развитие RAG-решений.
Расскажите о вашем опыте проектирования RAG-систем: какие векторные базы данных вы использовали и как решали проблему релевантности контекста?
Компания использует YandexGPT и планирует масштабирование.
С какими особенностями YandexGPT вы сталкивались при интеграции в корпоративные системы по сравнению с open-source моделями?
Важно уметь оценивать выгоду для бизнеса.
Приведите пример, когда вы оценивали эффективность гипотезы в деньгах (ROI) перед началом разработки ML-модели.
Требуется работа с DWH и сложными запросами.
Опишите случай, когда вам приходилось оптимизировать сложный SQL-запрос с использованием оконных функций для подготовки датасета под ML.
Упоминается работа с временными рядами и бустингом.
Какие подходы к валидации временных рядов вы используете, чтобы избежать утечки данных при обучении CatBoost?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

