Альфа Ойл развивает внутреннюю Data Science-команду. Уже выстроена инфраструктура данных — DWH, витрины и BI-отчётность. Команда небольшая, с высокой автономностью.
Фокус проекта: маркетинг и клиентская аналитика: сегментация, персонализация, рекомендательные модели. Далее — расширение на другие направления бизнеса.
Задачи:
- Переводить бизнес-цели в ML-задачи, определять метрики успеха;
- Проводить EDA, статистический анализ и проверку гипотез;
- Разрабатывать фичи и обучать модели на данных из DWH;
- Создавать и тестировать модели сегментации клиентов и рекомендательные алгоритмы (ALS/BPR, бустинг, похожесть, ранжирование).
- Обеспечивать интерпретируемость решений (FE, SHAP/LIME и т.д.) и подготовку выводов для бизнеса;
- Совместно с DE и BI интегрировать результаты (сегменты, скоринги) в витрины данных, Power BI или иные системы;
- Оценивать эффекты кампаний (uplift, ROI), участвовать в A/B-тестах;Документировать подходы и обеспечивать воспроизводимость решений.
Требования:
- Уверенный Python: pandas/polars, numpy, scikit-learn, xgboost/catboost и другие типовые библиотеки DS;
- Классический ML: регрессия, бустинг, кластеризация, ранжирование;
- SQL на уровне уверенной работы с витринами и аналитическими запросами;
- Понимание метрик качества и бизнес-эффекта (uplift, ROI);
- Опыт работы с транзакционными/клиентскими данными (ритейл, e-commerce, лояльность);
- Умение донести результаты и предложить бизнес-интерпретацию.
Будет плюсом
- Опыт деплоя моделей: batch-скоринг, сохранение в витрины, трекинг экспериментов (MLflow или аналоги);
- Навык настройки простых оркестраций (Airflow или аналоги);
- Опыт A/B-тестов, CUPED/стратификация;
- Знание PyTorch/TensorFlow, NLP/LLM — как направление развития (у компании есть текущие проекты);
- Опыт работы с ClickHouse/Postgres.
Почему стоит
- Проекты с прямым влиянием на выручку и удержание клиентов;
- Большие реальные данные (>500 млн строк), готовая инфраструктура;
- Свобода выбора инструментов и подходов;
- Участие в формировании Data Science-практики компании.