- Страна
- Россия
- Зарплата
- 270 000 ₽ – 350 000 ₽
Откликайтесь
на вакансии с ИИ
Data Scientist в команду Внепродуктовой аналитики
Оценка ИИСильный бренд X5, возможность удаленной работы и работа с продвинутыми методами (Causal Inference) делают вакансию очень привлекательной. Зарплатная вилка соответствует рыночным ожиданиям для уровня Senior.
Сложность вакансии
Оценка ИИТребуется редкое сочетание навыков: глубокая экспертиза в Causal Inference и эконометрике вместе с пониманием финансового моделирования (NPV, IRR). Опыт от 3 лет и работа с панельными данными делают вакансию сложной для обычного ML-инженера.
Анализ зарплаты
Оценка ИИУказанный диапазон 270 000 – 350 000 ₽ полностью соответствует текущим рыночным ставкам для Senior Data Scientist в крупном российском ритейле и финтехе. Верхняя граница в 350к является стандартом для специалистов с узкой экспертизой в эконометрике.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в X5 Group уже сейчас
Присоединяйтесь к команде X5 и применяйте Causal Inference для решения масштабных бизнес-задач ритейла!
Описание вакансии
Data Scientist в команду Внепродуктовой аналитики X5
*💰*По итогам собеседования (ср. рын. зп 270 000 ₽ – 350 000 ₽)
*📌*Условия и бонусы:
Фултайм, удаленно.
*📌*Наши ожидания:
– Опыт работы в DS-сфере от 3 лет.
– Бэкграунд в Causal Inference / эконометрике (наука, учеба, работа).
– Владение базовым финансовым аппаратом (EBITDA, IRR, NPV, ТЭО) и понимание логики построения финансовых моделей инвестиционных проектов.
– Знакомство с современными подходами к анализу кросс-секционных и панельных данных.
– Умение писать чистый и структурированный код на Python.
– Знание SQL.
– A/B тесты, генерация и проверка гипотез.
*✍🏼*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Financial Modeling
- A/B Testing
- Python
- SQL
- Causal Inference
- Econometrics
- NPV
- IRR
- EBITDA
Возможные вопросы на собеседовании
Вакансия требует бэкграунда в эконометрике и Causal Inference.
Расскажите о наиболее сложном кейсе применения Causal Inference в вашей практике: как вы боролись с эндогенностью и смещением выбора?
В описании указано владение финансовым аппаратом.
Как бы вы интегрировали результаты вашей ML-модели в расчет NPV инвестиционного проекта?
Упоминается работа с панельными данными.
В каких случаях при анализе панельных данных вы предпочтете модель с фиксированными эффектами (Fixed Effects) модели со случайными эффектами (Random Effects)?
Требуется умение проводить A/B тесты.
Как вы будете оценивать эффект от внедрения, если классический A/B тест невозможен по техническим или бизнес-причинам?
Необходим навык написания чистого кода.
