Data Analyst (Data Science)
Оценка ИИKaspi.kz — лидер рынка Казахстана с мощной инженерной культурой. Вакансия предлагает работу с огромными объемами данных и современным стеком технологий, что гарантирует профессиональный рост.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокому знанию как классического ML (бустинги, статистика), так и Deep Learning (PyTorch/TensorFlow). Также критичен опыт работы со сложными событийными данными и временными рядами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции уровня Senior Data Scientist в Алматы рыночный диапазон составляет от 1 200 000 до 2 000 000 тенге (в эквиваленте RUB). Kaspi обычно предлагает конкурентные условия, соответствующие верхней границе рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Analyst (Data Science) Kaspi.kz
Местоположение: Алматы
Формат работы: Офис
Опубликована: 20.10.2026
Требования:
• Отличное знание Python и ML-стека: pandas, numpy, scikit-learn, бустинги (CatBoost/LightGBM/XGBoost), SHAP
• Хорошее знание deep learning и опыт с PyTorch/TensorFlow
• Сильная прикладная статистика и дизайн валидации, включая временные ряды и контроль утечек
• Опыт feature engineering на событийных данных (JSON, логи, лаги, rolling-агрегаты)
Контакт: Откликнуться, Откликнуться
Откликнуться опубликована в LinkedIn у Aruken Alibek
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Pandas
- NumPy
- Scikit-learn
- CatBoost
- LightGBM
- XGBoost
- SHAP
- Deep Learning
- PyTorch
- TensorFlow
- Statistics
- Feature Engineering
- JSON
Возможные вопросы на собеседовании
Проверка понимания специфики работы с данными, которые меняются во времени, что важно для финтеха.
Как вы организуете кросс-валидацию для временных рядов, чтобы избежать заглядывания в будущее?
Оценка навыков интерпретируемости моделей, упомянутых в стеке (SHAP).
В каких случаях использование SHAP values может быть вводит в заблуждение при анализе важности признаков?
Проверка практического опыта работы с сырыми логами и JSON-структурами.
Расскажите о самом сложном признаке (feature), который вы конструировали на основе событийных логов.
Оценка знаний в области Deep Learning.
В каких задачах анализа данных в Kaspi вы бы предпочли нейронные сети классическим градиентным бустингам?
Проверка фундаментальных знаний статистики.
Как вы определяете минимально детектируемый эффект (MDE) при дизайне экспериментов на исторических данных?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
