- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Специалист по науке о данных прогнозирования
Оценка ИИСтабильная сфера ритейла, четкое разделение задач (70/30) и работа с современным стеком (PySpark). Отсутствие вилки зарплаты в тексте немного снижает привлекательность, но удаленный формат по РФ является плюсом.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения стеком Big Data (PySpark) и опыта в прогнозировании временных рядов, что является сложной нишей. Однако акцент на прагматизм и отсутствие требований к научной степени делают порог входа умеренным для опытного Middle-специалиста.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана. На рынке РФ для Middle Data Scientist с навыками PySpark и опытом в ритейле медиана составляет около 250 000 - 300 000 рублей.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Ekleft уже сейчас
Отправьте свое резюме на почту и станьте частью команды, развивающей ML-решения в ритейле!
Описание вакансии
*💚* Вакансия: Специалист по науке о данных прогнозирования
*💚* ID: 2415
*💚* Формат: удаленно, по РФ
*💚* Куда: Ритейл
*💚* Задачи:
– Поддерживать и развивать модели прогнозирования спроса. На данный момент у нас их две: краткосрочная для того чтобы снабжать наши магазины, а так же долгосрочная для пополнения РЦ ( с которых пополняются магазины).
– Примерно 70% времени вы будете заниматься практической ML-разработкой: писать код, проводить исследования и эксперименты. Остальные 30% времени уйдут на общение, подготовку презентаций и работу с требованиями
*💚* Требования:
– Опыт в Data Science / Machine Learning от 2 лет.
– Умение четко оценивать сроки и реалистично подходить к постановке задач.
– Прагматизм: готовность искать рабочие решения, а не идеальные, но нереализуемые модели.
– Ответственность: завершать проекты, а не бросать их на полпути.
– Глубокое знание Python, SQL и PySpark:
– Разработка ETL-процессов для обработки больших данных (чтение, трансформация, агрегация, запись).
– Оптимизация Spark-запросов (партиционирование, кэширование, работа с broadcast-переменными).
– Знание основных ML-фреймворков (Scikit-learn, TensorFlow/PyTorch).
– Опыт работы с данными: обработка, анализ, feature engineering.
– Общительность и неконфликтность – умение работать в команде и эффективно коммуницировать с коллегами.
Будет плюсом:
– Опыт продакшн-разработки (не только исследования).
– Понимание, как устроены процессы в бизнесе, а не только в Jupyter Notebook.
– Умение запускать ML-модели в PySpark:
– Использование Spark MLlib для распределенного обучения.
– Работа с PySpark Pandas UDFs для эффективного применения ML-моделей к большим данным.
*💚*Откликнуться: Откликнуться
#Data Science #ekleft #вакансия #Middle
Мы в ТГ *💬 | [ВК](https://vk.com/EkleftJob) 💙 | [Max](https://max.ru/join/ukA1_SC3JlZ5b7n9oQzxgXdsexI66XUPb9W9VUlUTSc) 💬 | [Ekleft Bot](https://t.me/Ekleft_bot)💚 | [Как зарегистрироваться](https://career.ekleft.ru/faq/kak-zaregistrirovatsya-i-nachat-polzovatsya-ekleft-bot) 🌐*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- PySpark
- ETL
- Scikit-learn
- TensorFlow
- PyTorch
- Machine Learning
- Data Analysis
- Feature Engineering
- Spark MLlib
- Pandas
Возможные вопросы на собеседовании
Вакансия предполагает работу с моделями прогнозирования спроса для магазинов и РЦ.
Какие методы и подходы вы использовали для обработки сезонности и праздничных дней при прогнозировании спроса в ритейле?
В требованиях указана оптимизация Spark-запросов.
В каких случаях вы бы предпочли использовать broadcast-переменные в PySpark и как это влияет на производительность джойнов?
Работа включает 70% разработки и 30% коммуникаций.
Расскажите о случае, когда вам пришлось объяснять бизнесу, почему сложная ML-модель не подходит для текущей задачи, и какое более простое решение вы предложили.
Упоминается работа с ETL и большими данными.
Как вы организуете мониторинг качества данных (data quality) в своих ETL-процессах на PySpark?
В задачах стоит поддержка краткосрочных и долгосрочных моделей.
В чем, по вашему мнению, ключевое различие в выборе признаков (feature engineering) для модели пополнения полок магазина на завтра и модели планирования запасов РЦ на месяц вперед?
Похожие вакансии
Backend / ML Infrastructure / MLOps инженер
Backend / ML Infrastructure / MLOps инженер (ИИ-ассистент)
Middle Data Engineer
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
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!