- Страна
- Россия
- Зарплата
- 400 000 ₽ – 800 000 ₽
Откликайтесь
на вакансии с ИИ
Аналитик/MLE в команду эффективности
Оценка ИИСильный бренд, конкурентная зарплата выше рынка и работа с передовыми технологиями (RL, Uplift). Возможность удаленной работы и отсутствие легаси делают вакансию крайне привлекательной для опытных специалистов.
Сложность вакансии
Оценка ИИВысокая планка ожиданий по математике и ML, а также работа в высоконагруженной экосистеме требуют серьезной подготовки и опыта. Дополнительную сложность создают задачи на стыке оптимизации и продуктовых исследований.
Анализ зарплаты
Оценка ИИПредлагаемая вилка 400k–800k gross является очень конкурентной для российского рынка. Верхняя граница соответствует уровню Staff/Lead в топовых финтех-компаниях, в то время как медиана рынка для Senior DS обычно находится в районе 450k–550k gross.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Т-Банк уже сейчас
Присоединяйтесь к команде эффективности Т-Банка и внедряйте ML-алгоритмы, напрямую влияющие на экономику экосистемы!
Описание вакансии
*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 – пишите в Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- A/B Testing
- Python
- Machine Learning
- SQL
- Causal Inference
- Reinforcement Learning
- Unit Economics
- Uplift Modeling
- Mathematical Statistics
Возможные вопросы на собеседовании
Вакансия предполагает работу над ценообразованием и промо.
Как бы вы подошли к задаче оценки инкрементального эффекта (uplift) от предоставления кешбэка конкретному пользователю?
Упоминается развитие аукциона и CPA-моделей.
Какие основные метрики эффективности рекламного аукциона вы бы отслеживали и как оптимизировали бы ставку для максимизации ROI?
В требованиях указано знание математической статистики.
Расскажите, как вы проверяете гипотезы в условиях высокой дисперсии данных, характерной для транзакционных сервисов?
Для Senior/Staff позиций важна инженерная грамотность.
Опишите ваш опыт вывода ML-моделей в продакшн: с какими проблемами производительности или мониторинга вы сталкивались?
Работа связана с экономикой экосистемы.
Как изменение логики распределения маркетингового бюджета между каналами может повлиять на общую маржинальность бизнеса в долгосрочной перспективе?
Похожие вакансии
Аналитик / MLE (Middle/Senior/Staff) в команду эффективности
Data Scientist
Data Engineer / DataOps Engineer
Data Scientist Middle
Data инженер (Middle+)
ML разработчик
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!