- Страна
- Россия
- Зарплата
- от 150 000 ₽
Откликайтесь
на вакансии с ИИ
Data/BI analyst
Оценка ИИПривлекательная вакансия для опытных аналитиков с прозрачными требованиями и возможностью удаленной работы. Компания использует современный стек технологий (ClickHouse, Airflow, dbt), что способствует профессиональному росту.
Сложность вакансии
Оценка ИИВакансия требует серьезного технического бэкграунда: от глубокого знания SQL и Python до понимания архитектуры DWH (Kimball, SCD) и инструментов ETL (Airflow). Высокий порог входа обусловлен необходимостью автономной работы и менторства.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 150 000 ₽ является рыночной для уровня Middle, однако для специалистов уровня Senior с таким широким стеком (Airflow, DWH modeling, Stats) верхняя граница рынка в России может достигать 250 000 - 350 000 ₽.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Loyalty Labs уже сейчас
Присоединяйтесь к Loyalty Labs и создавайте продвинутую аналитику для сложных бизнес-задач!
Описание вакансии
*💼 Data/BI analyst*
от 150 000 ₽
Удалёнка Loyalty Labs — это команда энтузиастов, которые любят решать сложные задачи.
Требования:
– Опыт работы на позиции Data/BI analyst от 3-х лет.
– Уверенное знание SQL: реляционные базы данных, первичный и внешний ключ, DDL/DML, типы объектов БД, все виды JOIN, группировки, фильтрация по агрегатам, вложенные запросы, оконные функции, оптимизация запросов, партиции.
– Опыт работы с аналитическими БД и хранилищами: ClickHouse, Vertica, Redshift; знание PostgreSQL / MySQL / MS SQL / Greenplum / Hive / Trino будет плюсом.
– Знание Python для аналитики: Pandas, SciPy, Statsmodels; базовый опыт работы с NumPy, SQLAlchemy, psycopg2, requests будет преимуществом.
– Понимание статистики и продуктовой аналитики: A/B-тесты, bootstrap, power analysis, MDE, множественное тестирование, интерпретация результатов экспериментов.
– Понимание хранилищ данных: назначение DWH, задачи, которые оно решает, принципы построения витрин, скорость обновления данных, BI self-service.
– Знание методологии Kimball, понимание SCD и принципов моделирования витрин.
– Опыт проектирования и поддержки ETL/ELT-процессов: инкрементальные загрузки, идемпотентность, обработка ошибок, контроль зависимостей.
– Опыт работы с Airflow: DAG, sensors, retries, мониторинг, алертинг.
– Понимание принципов data quality: полнота, актуальность, непротиворечивость данных, freshness, SLA, диагностика источников и витрин.
– Умение автономно работать с бизнес-задачами, переводить бизнес-вопрос в анализ и обратно, аргументировать выводы, менторить коллег.
– Будет плюсом знание MongoDB, Cassandra, Elasticsearch, dbt, опыт выступлений и публикаций, английский язык.
*➡️*Откликнуться
*📍 Навигация:[База знаний](https://t.me/pyproglib) • [Задачи](https://t.me/py_problems_lib) •* Собеседования
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- SQL
- Python
- Pandas
- SciPy
- statsmodels
- NumPy
- SQLAlchemy
- ClickHouse
- Vertica
- Amazon Redshift
- PostgreSQL
- MySQL
- Microsoft SQL Server
- Greenplum
- Apache Hive
- Trino
- Airflow
- ETL
- ELT
- Data Quality
- A/B Testing
- DWH
- dbt
- MongoDB
- Cassandra
- ElasticSearch
Возможные вопросы на собеседовании
Проверка понимания архитектуры хранилищ данных и методологии Кимбалла.
Расскажите о вашем опыте проектирования витрин данных по методологии Кимбалла. Какие типы SCD вы использовали и в каких случаях?
Оценка навыков работы с ETL-процессами и обеспечения их надежности.
Что такое идемпотентность в контексте ETL-процессов и почему она критически важна при проектировании DAG в Airflow?
Проверка знаний в области продуктовой аналитики и статистики.
Как вы рассчитываете MDE (Minimum Detectable Effect) перед запуском A/B-теста и что будете делать, если результаты эксперимента статистически незначимы?
Оценка навыков оптимизации запросов в аналитических БД.
В чем заключаются основные отличия в оптимизации SQL-запросов для ClickHouse по сравнению с классическими реляционными БД вроде PostgreSQL?
Проверка подходов к обеспечению качества данных.
Какие метрики Data Quality вы считаете наиболее приоритетными для BI-отчетности и как вы настраиваете мониторинг freshness данных?
Похожие вакансии
Head of Analytics (iGaming Tier 1)
Аналитик DWH
DWH аналитик
Аналитик DWH (Senior)
Игровой (продуктовый) аналитик
Data аналитик Senior
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!