Аналитик данных (Middle+/Senior)
Привлекательная вакансия с четко очерченным кругом задач и достойной заработной платой для Middle+/Senior уровня. Удаленный формат работы и использование современного стека (Airflow, Spark, Kafka) делают предложение конкурентоспособным на рынке РФ.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует редкого сочетания навыков классического дата-инженера (ETL, DWH) и бизнес-аналитика в области планирования спроса (Demand Planning). Кандидату необходимо не только владеть сложным SQL и Python, но и разбираться в статистических метриках прогнозирования.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата в 240 000 руб. на руки соответствует рыночному медианному значению для специалистов уровня Middle+ в России. Для уровня Senior это предложение находится в нижней части диапазона, однако полностью удаленный формат и работа по ИП могут компенсировать это.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Dd#вакансия +
Позиция: Аналитик данных (Middle+/Senior)
Вилка: 240 000 на руки
Занятость: полная, с 9:00 до 18:00 по московскому времени
Формат работы: Удаленный
Локация: РФ
Оформление: ИП
Компания: MobileUp
Ищем инженера данных на стыке DWH-инженерии и планирования спроса. Вы будете строить аналитические витрины и ETL-процессы под Demand Planning, обеспечивать качество данных и мастер-данных, участвовать в прогнозировании и внедрении MDM.
Задачи:
- Анализ источников: наличие и полнота данных и полей.
- Маппинг полей между источниками и целевыми таблицами по потокам Open Orders, Primary Orders, Offtakes.
- Контроль качества данных, поиск аномалий, подготовка выгрузок для внешних вендоров.
- Процессный анализ (Offtake): причины проблем, узкие места и риски обновления данных в источнике.
- Контроль Master Data и консистентность в DP и SNP.
- Data Stewardship в Data Lake IBP (стандарты, порядок, актуальность).
- Участие во внедрении MDM.
Пожелания к кандидату:
- DWH: проектирование Data Marts; реляционные модели (связи, иерархии, справочники, детализация).
- ETL: Apache Airflow, Kafka, Spark.
- SQL: продвинутый (сложные JOIN, оконные функции, оптимизация).
- Python: обработка данных и аналитика.
- Data Quality: проверка целостности, выявление расхождений.
- Demand Planning: исторические данные, статпрогнозы; методы — регрессия, ансамбли, скользящие средние; метрики — MAE, RMSE, MAPE, WAPE, bias; анализ отклонений факт/прогноз.
Для откликов Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Demand Planning
- Python
- SQL
- Apache Spark
- ETL
- Apache Airflow
- Apache Kafka
- Data Quality
- Regression Analysis
- Master Data Management
- DWH
- Data Marts
Возможные вопросы на собеседовании
Проверка навыков проектирования архитектуры данных для конкретной бизнес-задачи.
Как бы вы спроектировали витрину данных для анализа Offtakes, учитывая необходимость отслеживания истории изменений в Master Data?
Оценка опыта работы с инструментами оркестрации и обработки больших данных.
Опишите ваш опыт оптимизации ETL-процессов в Apache Airflow при работе с большими объемами данных из Kafka.
Проверка понимания специфики Demand Planning и работы с ошибками прогнозов.
Какие метрики (MAPE, WAPE, Bias) вы считаете наиболее критичными при анализе отклонений факт/прогноз в ритейле или производстве, и почему?
Оценка навыков обеспечения качества данных (Data Quality).
Расскажите о случае, когда вы обнаружили критическую аномалию в данных. Какие методы проверки целостности вы использовали для её локализации?
Проверка владения продвинутым SQL.
В каких случаях вы предпочтете использование оконных функций вместо группировок при подготовке данных для статистических моделей?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

