- Страна
- Россия
Data аналитик Senior
Оценка ИИПрестижный работодатель (МТС) и работа над инновационными AI-проектами. Однако формат трудоустройства (совместительство 1/1000) и тендерный характер запроса могут подойти не всем кандидатам.
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 техническому стеку (DWH, ETL, статистика) и формату интервью с включенной камерой без использования внешних ресурсов. Требуется подтвержденный опыт в Senior-позиции и готовность к высокой нагрузке.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии не указана заработная плата, однако для позиции Senior Data Analyst в крупном российском телекоме рыночные ожидания составляют от 250 000 до 400 000 рублей. Учитывая формат совместительства, оплата может рассчитываться пропорционально или по фиксированной ставке за проект.
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
ID 3211
Data аналитик
Senior
Прием откликов до 31.07.2026, 17:00 (UTC+3). Тендерный запрос.
ПАО МТС
Устройство на 1/1000 в компанию клиента.
После успешного прохождения интервью кандидату направляется анкета для трудоустройства на совместительство, с предварительной проверкой СБ
Кол-во специалистов
2
Длительность проекта
31.12.2026
Объем участия в проекте
Высокая нагрузка
~160 ч/мес
Формат взаимодействия
Удаленно
Требуемая локация специалиста
Россия
Доступность специалиста
по МСК
Требуемое гражданство специалиста
РФ
Обязательные требования
- Аналитика: SQL (оптимизация, оконные функции, партиции);
- ClickHouse/Vertica/Redshift;
- Python (Pandas, SciPy, Statsmodels);
- A/B-тесты, bootstrap, power analysis, MDE и множественное
тестирование;
- ETL/ELT: проектирование и поддержка пайплайнов;
- Инкрементальные загрузки, идемпотентность, обработка ошибок и контроль зависимостей;
- Airflow и DWH: DAGs, sensors, retries, мониторинг и алертинг;
- DWH-витрины, SCD, скорость обновления и BI self-service;
- Data quality: полнота, актуальность и непротиворечивость данных;
- Freshness/SLA;
- Диагностика источников и витрин;
- Soft skills: автономность; перевод бизнес-вопроса в анализ и обратно; менторство; аргументация выводов;
- MongoDB/Cassandra/Elasticsearch; dbt;
- Выступления/публикации;
- Английский.
Задачи на проекте
- Развивать продуктовую и операционную отчётность, аналитические витрины и data-поддержку AoS.
Этапы отбора
- Рассмотрение КП + резюме
- Сразу готовы проводить интервью, в случае заинтересованности конечного Заказчика.
Описание проекта и команды
Крупная телеком компания.
Команда развивает AI- и data-инициативы Automation of Sales B2B (AoS): Copilot, агентные сценарии, RAG, продуктовую аналитику, отчётность и аналитические витрины.
Обязательные условия выхода на проект
Кандидаты должны присутствовать на протяжении всего интервью с включенной камерой и иметь возможность решать технические задания на ПК без гугления, GPT и помощников.
При отклике на вакансию просьба указывать ФИО и прикладывать прескрининг по требованиям и задачам.
Просьба направлять резюме с указанием:
- Релевантного опыта по обязательным требованиям;
- Доступности и возможной даты выхода;
- Локации и часового пояса.
Писать Откликнуться*⚡️**⚡️**⚡️**⚡️*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- SQL
- ClickHouse
- Vertica
- Redshift
- Python
- Pandas
- SciPy
- statsmodels
- A/B Testing
- ETL
- Airflow
- DWH
- dbt
- MongoDB
- Cassandra
- ElasticSearch
Возможные вопросы на собеседовании
Проверка глубоких знаний SQL и понимания производительности БД.
Расскажите о вашем опыте оптимизации сложных SQL-запросов в ClickHouse или Vertica. Какие техники партиционирования и индексации вы использовали?
Оценка навыков проектирования надежных систем обработки данных.
Как вы обеспечиваете идемпотентность в ETL-пайплайнах при реализации инкрементальной загрузки данных?
Проверка математической базы и опыта в продуктовых экспериментах.
Как вы рассчитываете необходимый размер выборки и MDE перед запуском A/B-теста, и как боретесь с проблемой множественного тестирования?
Оценка опыта работы с современными инструментами трансформации данных.
Какую роль в вашей практике играл dbt при построении DWH-витрин и как вы организовывали контроль качества данных?
Проверка soft skills и умения работать с бизнесом.
Приведите пример, когда вам удалось перевести сложный бизнес-запрос в конкретную аналитическую задачу и как вы аргументировали итоговые выводы руководству?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
