- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist (ML)
Оценка ИИИнтересная позиция в известной сети фитнес-клубов с понятными бизнес-задачами и прямым влиянием на продукт. Удаленный формат работы и фокус на современных ML-методах делают вакансию привлекательной для опытных специалистов.
Сложность вакансии
Оценка ИИРоль требует не только сильных технических навыков в ML и SQL, но и глубокого понимания бизнес-процессов: оттока, LTV и маркетинговых метрик. Необходимо уметь самостоятельно доводить модели до продакшена и интерпретировать результаты для нетехнических заказчиков.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиции Data Scientist уровня Middle/Senior в российском ритейле и сфере услуг рыночные предложения обычно находятся в диапазоне 250 000 – 400 000 рублей. Окончательная сумма будет сильно зависеть от подтвержденного опыта работы с клиентскими данными и навыков деплоя моделей.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в DDX Fitness уже сейчас
Присоединяйтесь к команде DDX Fitness и внедряйте ML-решения, которые напрямую влияют на развитие крупнейшей сети фитнес-клубов!
Описание вакансии
**Data Scientist (ML)
Локация:** Удалённо
Компания: DDX Fitness
ЗП: обсуждается на собеседовании
Занятость: Полная
Мы развиваем направление клиентской ML-аналитики в сети фитнес-клубов DDX Fitness. Вы будете строить модели на данных о клиентах и подписках, которые напрямую влияют на удержание, монетизацию и эффективность маркетинга.
Чем предстоит заниматься:
Строить и развивать модели клиентской аналитики: отток (churn/retention), propensity, uplift, CLTV, скоринг, Next Best Action.
Готовить витрины признаков и ставить регулярный scoring на поток.
Доводить модели до регулярного использования бизнесом: пайплайны, выкатка в прод, базовый мониторинг качества.
Проектировать и оценивать A/B-тесты и CRM-кампании, считать реальный бизнес-эффект.
Самостоятельно формулировать гипотезы и предлагать новые ML-кейсы на стыке аналитики, продукта и маркетинга.
Обязательные требования:
Уверенное знание Python для анализа данных и ML.
Уверенное знание SQL.
Практический опыт построения ML-моделей на табличных данных: supervised learning — classification, regression, ranking.
Опыт хотя бы в одной из задач клиентской аналитики, доведённой до результата на реальных данных: отток, propensity, скоринг, uplift или близкие.
Опыт работы с большими клиентскими данными: транзакции, события, подписки, поведение пользователей.
Опыт подготовки витрин данных, признаков и регулярного scoring.
Опыт построения и поддержки регулярных ML-пайплайнов и базового мониторинга моделей в проде.
Осознанный выбор метрик под бизнес-задачу и понимание, почему в конкретном случае выбрана именно эта метрика (ROC-AUC, PR-AUC, precision/recall, lift, recall@topN, калибровка, и др.).
Понимание A/B-тестов и контрольных групп, оценка бизнес-эффекта, базовое понимание причинности.
Умение интерпретировать модели и объяснять результаты бизнесу простым языком.
Умение работать на стыке аналитики, ML, продукта, маркетинга и бизнеса.
*🌐 Резюме отправлять:* Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай *📚* Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- A/B Testing
- Python
- Machine Learning
- SQL
- Feature Engineering
- Regression
- Uplift Modeling
- Ranking
- Retention
- Classification
- Supervised Learning
- Churn Prediction
- ML Pipelines
- CLTV
Возможные вопросы на собеседовании
Проверка практического опыта в ключевой задаче вакансии.
Расскажите о вашем самом успешном кейсе по прогнозированию оттока: какие признаки были наиболее значимыми и как бизнес использовал результаты?
Важно понять, как кандидат связывает технические метрики с бизнес-целями.
В каких случаях вы предпочтете PR-AUC вместо ROC-AUC при оценке модели склонности к покупке (propensity model)?
Вакансия предполагает работу с пайплайнами и выкаткой в прод.
Как вы организуете мониторинг качества модели после ее деплоя в продакшен, чтобы вовремя заметить деградацию?
Проверка навыков работы с данными и проектирования экспериментов.
Как вы будете оценивать инкрементальный эффект (uplift) от маркетинговой кампании, если у нас есть ограничения по контрольной группе?
Оценка умения работать с признаками на основе поведения пользователей.
Какие подходы к генерации признаков из транзакционных данных и истории подписок вы считаете наиболее эффективными для задач скоринга?
Похожие вакансии
Middle+ Data инженер
Backend / ML Infrastructure / MLOps инженер
Junior Applied ML Engineer / Data Scientist
Senior Data Scientist
Data Engineer (AI / ML)
Data Scientist (Junior+)
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!