yandex
SeniorУдалённоПолная занятость

Аналитик данных (Middle+/Senior)

ИИОценка ИИ

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.


Вакансия из открытого источника
Пожаловаться

Сложность вакансии

ЛегкоСложно
ИИОценка ИИ

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

Медиана250 000 ₽
Рынок200 000 ₽ – 350 000 ₽
ИИОценка ИИ

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.

Сопроводительное письмо

Составьте сопроводительное письмо под эту вакансию с вашим резюме

Иллюстрация сопроводительного письмаИллюстрация сопроводительного письма

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

Больше похожих вакансий + автоотклики с ИИ

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

Больше похожих вакансий + автоотклики с ИИ

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.

Похожие вакансии

M
MobileUp
Россияот 240 000 ₽
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!