- Страна
- Россия
- Зарплата
- от 150 000 ₽
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.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
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.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
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 ₽.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
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?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
