- Страна
- Казахстан
Middle Data Analyst
Оценка ИИKaspi.kz — топовый работодатель в регионе с огромной базой пользователей, что гарантирует работу с интересными данными. Четкие требования и понятный стек делают вакансию привлекательной для Middle-специалистов.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция требует стандартного набора навыков для аналитика среднего уровня (SQL, статистика, Excel). Основная сложность может заключаться в высоком конкурсе и необходимости владения английским или турецким языком.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Middle Data Analyst в Алматы рыночный диапазон составляет от 600 000 до 1 000 000 тенге (в эквиваленте). Kaspi обычно предлагает конкурентоспособные условия, соответствующие или слегка превышающие средние показатели по Казахстану.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Kaspi Bank уже сейчас
Присоединяйтесь к команде Kaspi.kz и развивайте крупнейшее суперприложение Казахстана!
Описание вакансии
Middle Data Analyst Kaspi Bank
Местоположение: Алматы
Формат работы: Офис
Опубликована: 31.08.2026
Требования:
• Опыт работы от 1,5 лет
• Знание Excel, SQL и статистики
• Базовые знания классического машинного обучения
• Английский или турецкий язык
О компании:
Kaspi.kz – крупнейшая технологическая компания Казахстана, обслуживающая более 14,7 млн пользователей через суперприложение.
Контакт: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- SQL
- Excel
- Statistics
- Machine Learning
Возможные вопросы на собеседовании
Проверка базовых навыков манипуляции данными, критически важных для аналитика.
Расскажите о самом сложном SQL-запросе, который вам приходилось писать. Какие функции (например, оконные) вы использовали?
Вакансия требует знания статистики для корректной интерпретации данных.
Как бы вы объяснили концепцию доверительного интервала человеку, не связанному с математикой?
В требованиях указано знание классического ML.
В каких случаях для бизнес-задачи лучше использовать простую логистическую регрессию вместо сложных моделей машинного обучения?
Проверка умения работать с большими данными и находить аномалии.
Как вы подходите к очистке данных и поиску выбросов перед началом основного анализа?
Оценка продуктового мышления в контексте суперприложения Kaspi.
