- Страна
- Россия
Data analyst
Оценка ИИКомпания Konnektu является заметным игроком на рынке MarTech, предлагая современный и востребованный технологический стек. Удаленный формат работы и фокус на автоматизации делают вакансию привлекательной для аналитиков, желающих развиваться в продуктовой среде.
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 ИИПозиция требует уверенного владения современным стеком данных (Airflow, ClickHouse, Superset). Сложность заключается в необходимости интеграции различных инструментов для автоматизации маркетинга, но отсутствие жестких требований к Senior-опыту делает её доступной для крепких Middle-специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ объявлении не указан уровень заработной платы. На российском рынке для Data Analyst с подобным стеком (ClickHouse, Airflow, Superset) медианная зарплата составляет около 180,000 - 220,000 рублей.
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
Data analyst
Стек: Apache Superset, S3, Airflow, Python, PostgreSQL, ClickHouse, Git, SQL
Konnektu российская ИТ компания, разработчик, один из лидеров в создании IT решений по автоматизации маркетинга.
Откликнуться через Runello-бот ↓
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Apache Superset
- S3
- Airflow
- Python
- PostgreSQL
- ClickHouse
- Git
- SQL
Возможные вопросы на собеседовании
Проверка навыков работы с основным инструментом визуализации в компании.
Расскажите о вашем опыте работы с Apache Superset: какие типы чартов вы использовали и как настраивали интеграцию с источниками данных?
ClickHouse часто используется для аналитики больших данных, важно понимать умение оптимизировать запросы.
Как бы вы оптимизировали тяжелый SQL-запрос в ClickHouse для ускорения отдачи данных в дашборд?
Airflow является ключевым инструментом для ETL-процессов в данном стеке.
Опишите структуру типичного DAG в Airflow, который вы проектировали: как вы обрабатывали ошибки и повторные запуски задач?
Проверка навыков работы с облачными хранилищами и форматами данных.
Был ли у вас опыт работы с S3 в связке с Python? Какие библиотеки вы использовали для чтения и записи данных?
Важно понимать, как аналитик взаимодействует с кодом в команде.
Как в вашей практике организован процесс CI/CD для аналитических скриптов и SQL-запросов с использованием Git?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
