Откликайтесь
на вакансии с ИИ
Data Scientist
Оценка ИИИнтересные задачи на стыке маркетинга и продукта в крупной геймдев-компании. Полная удаленка и работа с современным стеком (MLflow, Airflow) делают вакансию очень привлекательной для опытных DS.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения ML-стеком и опыта доведения моделей до продакшена (end-to-end). Особое внимание уделяется специфическим задачам геймдева: LTV-прогнозированию и MMM.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для Data Scientist с опытом от 2 лет в российском геймдеве на удаленке рыночные предложения обычно находятся в диапазоне 200 000 – 350 000 рублей. Azur Games — крупный игрок, поэтому можно ожидать конкурентоспособный оффер.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Azur Games уже сейчас
Присоединяйтесь к команде Azur Games и создавайте ML-решения, которые напрямую влияют на успех топовых мобильных игр!
Описание вакансии
Data Scientist
Локация: Удаленно
Компания: Azur Games
ЗП: обсуждается на собеседовании
Занятость: Полная
О команде:
В Data-команде сейчас 3 Data Scientist’а, плюс data-инженеры и аналитики. Работаем в связке с маркетингом, продуктом и BI. Модели не остаются в ноутбуках: доводим их до прода и смотрим, как они влияют на метрики.
Чем предстоит заниматься:
- Прогнозировать LTV пользователей. IAP LTV, Sub LTV и Ad LTV. Ранние прогнозы на коротких окнах, переоценка кампаний и каналов, поддержка решений по UA-бюджету
- Развивать Marketing Mix Modeling (MMM). Строить и улучшать MMM-подход, чтобы понимать вклад каналов и факторов в маркетинговый результат и принимать на этом решения
- Разрабатывать и поддерживать рекомендательные системы. Подбор офферов, контента и событий внутри игр. От прототипа до прода с регулярным ретрейном и мониторингом
- Доводить модели до продакшена. Выстраивать пайплайны в Airflow, регистрировать модели в MLflow, настраивать мониторинг качества
- Участвовать в ревью и развитии практик команды
Мы ждём, что вы:
- Имеете 2+ года опыта в Data Science / ML на продуктовых задачах и делали их end-to-end: от постановки до прода
- Уверенно работаете с Python и обычным ML-стеком: pandas, numpy, scikit-learn, бустинги (XGBoost, LightGBM или CatBoost), PyTorch или TensorFlow
- Хорошо пишете SQL, спокойно работаете с большими данными. Опыт с ClickHouse будет плюсом
- Понимаете статистику и теорвер на уровне, достаточном для прогнозных моделей и корректного дизайна экспериментов
- Думаете в первую очередь о бизнес-эффекте, а не о F1. Умеете объяснить результат не-DS-аудитории
Будет плюсом:
- Опыт в геймдеве
- Опыт с MMP (Мы используем AppsFlyer)
- Опыт построения рекомендательных систем (ranking, embeddings, контекстные модели)
- Опыт LTV-моделей или MMM в продакшене
- Опыт с Airflow и MLflow
- Понимание, где имеет смысл применять LLM/GenAI в продукте и маркетинге
*🌐 Резюме отправлять:* Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай *📚* Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Pandas
- NumPy
- Scikit-learn
- XGBoost
- LightGBM
- CatBoost
- PyTorch
- TensorFlow
- SQL
- ClickHouse
- Airflow
- MLflow
- Marketing Mix Modeling
- LTV Modeling
- Recommender Systems
- Statistics
Возможные вопросы на собеседовании
Прогнозирование LTV — ключевая задача вакансии. Важно понимать, как кандидат справляется с дисперсией и выбросами в данных о платежах.
Как бы вы подошли к задаче прогнозирования LTV на 180 дней, имея данные только за первые 3 дня жизни пользователя? Какие признаки были бы наиболее значимыми?
Вакансия предполагает работу с MMM для оценки вклада каналов.
В чем основные сложности построения Marketing Mix Modeling (MMM) по сравнению с атрибуцией на основе кликов, и как вы учитываете эффект насыщения каналов?
Работа включает создание рекомендательных систем.
Расскажите о вашем опыте построения рекомендательных систем: как вы выбирали метрики офлайн-оценки и как проводили A/B тестирование в продакшене?
В описании указано использование Airflow и MLflow.
Опишите ваш типичный пайплайн деплоя модели: как вы организуете мониторинг качества модели в продакшене и когда принимаете решение о ретрейне?
Компания ценит бизнес-ориентированность.
Приведите пример ситуации, когда высокая точность модели (например, ROC-AUC) не привела к улучшению бизнес-метрик. Как вы адаптировали решение?
Похожие вакансии
Senior Data Engineer
ML-инженер
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
Middle+ Data инженер
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!