- Страна
- Россия
- Зарплата
- 400 000 ₽ – 800 000 ₽
Аналитик / MLE (Middle/Senior/Staff) в команду эффективности
Оценка ИИОтличное предложение с очень высокой рыночной зарплатой, сильной командой и прозрачным влиянием на бизнес. Возможность удаленной работы и отсутствие легаси делают вакансию максимально привлекательной для топовых специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена строгими требованиями к математической базе (ШАД/МФТИ уровень) и необходимостью владения специфическими методами, такими как RL, uplift-моделирование и дискретная оптимизация. Процесс отбора в Т-Банк традиционно включает несколько этапов глубоких технических секций.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая вилка 400k–800k gross значительно выше среднерыночных показателей для Middle/Senior позиций в РФ, фактически достигая потолка для индивидуальных контрибьюторов и Lead-позиций. Нижняя граница соответствует Senior уровню в бигтехе, а верхняя — уровню Staff/Lead в наиболее прибыльных подразделениях.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
tldr: аналитики/MLE, middle/senior/staff в команду эффективности Т-банка, ~400k–800k/мес gross + годовые премии (со звездами условия можем обсудить отдельно), офис/гибрид/удаленка, мск/спб
Сейчас команда активно растет, поэтому ищем заряженных DA / DS / MLE от middle и выше в команду эффективности Нефинансовых сервисов Т-Банка.
Мы создаём и внедряем алгоритмы, которые улучшают экономику экосистемы, делая её выгоднее для клиентов, прибыльнее для бизнеса и эффективнее для партнёров с помощью кешбэка, ценообразования, рекламы и финтеха.
Основные направления:
1. Динамическое Ценообразование и Оптимизация Промо: определять кому, на что и сколько кешбэка / скидок дать, опираясь на цели бизнеса (например чтобы вырастить выручку без просадки маржи). Вам предстоит перейти от простых эвристик к алгоритмам, uplift-моделям и RL, а также выстроить инфраструктуру вокруг этих решений.
2. Рекламные алгоритмы: развивать аукцион и алгоритмы принятия решений внутри него, а также внедрять CPA-модель в партнерских размещениях (рекомендовать ставку и лимиты на кешбэк).
3. Оптимизация маркетингового бюджета: развивать МММ, модели атрибуции и causal-подходы для оценки инкрементальности каналов, понимать реальный вклад маркетинга в рост и перераспределять бюджеты в точки с максимальным ROI.
4. Поиск и создание новых механик роста: генерировать гипотезы на основе продуктовых исследований и A/B-экспериментов, лидировать создание новых фич и механик, доводить лучшие из них до прода.
Что предлагаем:
— Сплоченная команда 30+ человек из ШАД/ФКН/МФТИ/РЭШ
— Задачи с околонулевым легаси на стыке продукта, ML, оптов и разработки
— Прямое влияние на ключевые метрики бизнеса
— Быстрый путь от гипотезы до продакшена
Что ожидаем от кандидата:
— Хорошего знания математики и применения в рабочих задачах математической статистики
— Хорошего знания ML (для аналитики/DS достаточно понимать базовые принципы)
— Базовую инженерную грамотность
— Уверенный SQL и Python
— Для Lead: опыт руководства командой 2-5 человек от года
Будет плюсом:
— Опыт uplift-моделирования
— Знание базовых RL-алгоритмов
— Опыт внедрения ML-моделей в продакшн
— Знакомы с дискретной оптимизацией
— Понимание unit-экономики и PNL
— Опыт работы в командах эффективности / рекламы / рексис
Если интересно или есть вопросы – пишите в Откликнуться, расскажу подробнее
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Machine Learning
- Mathematical Statistics
- Uplift Modeling
- Reinforcement Learning
- Causal Inference
- A/B Testing
- Unit Economics
Возможные вопросы на собеседовании
Проверка понимания ключевой задачи направления — оценки чистого эффекта от маркетинговых воздействий.
Расскажите, как вы будете строить и валидировать uplift-модель для распределения кешбэка?
Важно для направления оптимизации бюджетов и понимания реального вклада каналов.
В чем заключаются основные сложности при внедрении Causal Inference в задачах оценки инкрементальности маркетинговых каналов?
Проверка инженерных навыков и понимания жизненного цикла ML-модели.
Опишите ваш опыт вывода ML-моделей в продакшн: с какими проблемами производительности или мониторинга вы сталкивались?
Актуально для задач динамического ценообразования и рекламных аукционов.
В каких случаях в задачах ценообразования оправдано применение Reinforcement Learning вместо классических регрессионных моделей?
Проверка продуктового мышления и связи аналитики с деньгами.
Как изменится unit-экономика продукта при агрессивном росте кешбэка, и как найти точку оптимума между маржой и выручкой?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
