Senior Data Engineer
Оценка ИИОтличная вакансия в известном финтехе с современным стеком (Databricks, MLOps). Гибридный формат в Белграде и высокий уровень ответственности делают позицию привлекательной для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием полной автономности (end-to-end владение продуктом) и глубоких знаний Databricks и MLOps. От кандидата ожидают не только технического совершенства, но и сильных навыков управления стейкхолдерами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата не указана, но для Senior Data Engineer в Белграде рыночный диапазон составляет от 4500 до 6500 евро чистыми. Paysend обычно предлагает конкурентоспособные условия, соответствующие верхнему сегменту рынка Сербии.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
**Senior Data Engineer
Paysend, Belgrade (hybrid)**
We’re looking for a highly autonomous Senior Data & ML Engineer who wants to be the true owner of how data works for the teams they support, delivering solutions completely end-to-end, from initial scoping and design through to delivery, implementation, and full business adoption.
What you’ll be doing:
*🌸*Design, build, and maintain data pipelines and transformations on Databricks using Python, PySpark, and SQL.
*🌸*Deploy, operationalize, and monitor machine learning models (MLOps) in production environments.
*🌸*Build and maintain data marts as the primary source of truth for key business domains.
*🌸*Apply data modelling practices (e.g., dimensional modelling, medallion architecture) to maintain data consistency and reusability.
*🌸*Act as the primary data partner for specific business areas, understanding their processes, goals, and pain points.
*🌸*Deliver end-to-end solutions, managing scoping, discovery, design, delivery, user adoption, and iteration.
*🌸*Gather and translate business requirements into technical solutions.
What you’ll need to be successful:
*💦*5+ years of experience as a Data/ML Engineer, with a track record of independently owning data/ML solutions from scoping to adoption.
*💦*Proficiency in Python, SQL, and PySpark/Spark.
*💦*Experience with modern data platforms, such as Databricks (Delta Lake, Unity Catalog, MLflow, workflows).
*💦*Stakeholder management skills, with the ability to navigate commercial and engineering discussions, manage expectations, and drive cross-functional decisions.
*💦*Data modelling skills and experience designing data marts for analytics and reporting.
*💦*Experience building production pipelines with orchestration, testing, monitoring, and version control.
*💦*Experience with BI tools (e.g., Preset, Tableau, Metabase, Power BI) and data usability principles.
*💦*Demonstrated accountability for project outcomes and commercial impact.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PySpark
- SQL
- Databricks
- MLOps
- Delta Lake
- Unity Catalog
- MLflow
- Tableau
- Power BI
- Metabase
- Preset
- Data Modeling
Возможные вопросы на собеседовании
Проверка опыта работы с ключевым инструментом стека и понимания архитектурных паттернов.
Расскажите о вашем опыте внедрения Medallion Architecture в Databricks. С какими сложностями вы сталкивались при управлении Unity Catalog?
Вакансия подразумевает роль ML Engineer, поэтому важно понимать опыт вывода моделей в прод.
Как вы организуете процесс MLOps? Опишите ваш опыт работы с MLflow для мониторинга и версионирования моделей в продакшене.
Роль требует высокой автономности и взаимодействия с бизнесом.
Приведите пример, когда вам приходилось самостоятельно собирать требования у бизнес-заказчиков и превращать их в техническое решение. Как вы измеряли успех этого проекта?
Проверка навыков оптимизации обработки больших данных.
Какие методы оптимизации PySpark заданий вы используете, когда сталкиваетесь с проблемами производительности или перекосом данных (data skew)?
Проверка фундаментальных знаний проектирования хранилищ.
В чем разница между подходами Кимбалла и Инмона при проектировании витрин данных, и какой из них вы считаете более подходящим для динамичного финтеха?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
