yandex
ГибридПолная занятость

Аналитик данных | Data scientist

ИИОценка ИИ

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.


Вакансия из открытого источника
Пожаловаться

Сложность вакансии

ЛегкоСложно
ИИОценка ИИ

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

Медиана320 000 ₽
Рынок220 000 ₽ – 450 000 ₽
ИИОценка ИИ

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.

Сопроводительное письмо

Составьте сопроводительное письмо под эту вакансию с вашим резюме

Иллюстрация сопроводительного письмаИллюстрация сопроводительного письма

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:

— Откликнуться

Лучшие вакансии от работодателей мечты на promopoisk.com

👉Разместить вакансию

Больше похожих вакансий + автоотклики с ИИ

Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Больше похожих вакансий + автоотклики с ИИ

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.

Похожие вакансии

J
JDE
Россия
более 1000 офферов получено
4.9

1000+ офферов получено

Устали искать работу? Мы найдём её за вас

Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!