Lead Product Analyst, B2C Financial Services

ЛИАН — системный интегратор с фокусом в аналитике и управлении данными.

Мы работаем в трех направлениях:

1. Автоматизация управленческой отчетности (BI) в малом и среднем бизнесе. Строим хранилища данных, настраиваем сбор и интеграцию, разрабатываем отчеты и дэшборды. Наш стек в BI включает все современные инструменты, в том числе open-source ПО.

2. Заказная разработка аналитических систем. Когда у нашего клиента есть специфичный запрос, мы разрабатываем аналитические системы с нуля. Часто применяем подходы BigData, Data Science, актуальные подходы к программному анализу данных и прогнозированию.

3. Запуск и ресурсное обеспечение команд разработки в комплексных проектах цифровой трансформации. Мы усиливаем команды наших партнеров и клиентов собственными сотрудниками и обеспечиваем максимально быстрый старт новых проектов. Среди наших заказчиков - крупные системные интеграторы, банки, нефтегазовые, химические производства, логистические компании, стартапы.

Сейчас мы приглашаем аналитика данных на проектную деятельность!

• Полное сопровождение аналитики триггерных кампаний, пилотов и A/B-тестов

• Настройка кампаний и пилотов в CRM (корректная логика исключений, контрольные группы, A/B-тесты) и контроль их работы

• Разработка и согласование методологии оценки эффективности кампаний и пилотов

• Оценка эффективности триггерных кампаний и пилотов с учётом воронки коммуникаций (кликабельность, доставляемость, результаты A/B-тестов, выделение и сравнение контрольных групп), влияния на продажи и маржу, выявление точек роста

• Формирование гипотез и рекомендаций по изменению кампаний, механик, креативов и пилотов по итогам тестов и анализа

• План-факт и ad-hoc аналитика, кратко- и среднесрочное прогнозирование

• Автоматизация отчётности по триггерным кампаниям и пилотам

• Подготовка требований на доработки для запуска пилотов, проведения A/B-тестов и развития CRM-системы

• Релевантный опыт в CRM-аналитике от 2 лет в ритейле или e-commerce

• Уверенное владение Python, продвинутый уровень SQL

• Практика работы с Яндекс Метрикой, AppsFlyer, App Metrica

• Опыт с базами данных PostgreSQL, Greenplum, ClickHouse

• Понимание принципов аналитики CRM-коммуникаций и промо-кампаний

• Понимание подходов к анализу временных рядов, сравнению периодов (pre / promo / post), работе с контрольными группами

• Опыт проведения A/B-тестов

• Аналитический склад ума, интерес к новому, готовность решать нестандартные задачи, умение выстраивать коммуникацию, внимательность

• Высшее образование (математическое или техническое) будет плюсом

• Форма трудоустройства на ваш выбор: договору оказания услуг с ИП или самозанятым
• Участие в интересных масштабных проектах с Заказчиками федерального и международного уровня
• Работа с передовыми технологиями
• Возможности профессионального и карьерного роста
• Гибридный график офис г. Москва
• Регулярная и достойная оплата труда

В нашей команде работают профессионалы с разносторонним опытом. Здесь ты найдешь профессиональные задачи и новые вызовы, сможешь реализовать свой потенциал.
Хочешь стать частью нашей команды? Мы ждем твоего отклика и свяжемся с тобой !

Чем предстоит заниматься:

• Мониторить и анализировать ключевые риск-метрики портфеля МСБ, существующие портфельные тренды и воронку продаж; выявлять аномалии и анализировать причины отклонения показателей от целевых значений

• Разрабатывать отчеты, дашборды и презентации по результатам проведенного анализа

• Оценивать эффекты от изменений риск-стратегии и проведения пилотов в рамках разработки и оптимизации стратегии принятия решений

• Проводить аналитические исследования, формировать предложения и выносить их на рассмотрение портфельным менеджерам

• Подготавливать требования по разработке промышленных витрин для целей автоматизации отчетности (воронка, мониторинг просрочки, расчет прогнозных потерь, мониторинг динамики риска по сегментам и пр.)

• Актуализировать базу знаний по результатам аналитики (скрипты, методология расчета, источники данных)

Наши пожелания к кандидату:

• Опыт работы с Python; уверенное владение SQL, Excel, PowerPoint

• Опыт работы в сфере рисков от 2 лет

• Опыт проведения винтажного и факторного анализа

• Знание ключевых портфельных риск-метрик

• Умение работать с большими объемами данных

• Способность работать в режиме многозадачности

Что мы предлагаем

• Стабильный прозрачный доход: заработная плата по итогам собеседования, премия по результатам работы
• График с 9:00 до 18:00, по пятницам сокращённый день
• Уютные офисы и коворкинги рядом с метро в Москве, Санкт-Петербурге и Екатеринбурге; сезонный коворкинг в Сочи и Красной Поляне
• Забота о здоровье: ДМС со стоматологией и телемедициной, льготное страхование для близких, полис путешественника
• Бесплатный фитнес-зал A-Sport в офисах, сетка групповых занятий, турниры по киберспорту, теннису, футболу, волейболу, шахматам, корпоративные слоты на забегах
• Безлимитные онлайн-консультации психолога, фитнес-тренера, юриста, нутрициолога и других специалистов
• Карьерная траектория, менторство, курсы по ИИ, менеджменту, продукту и дизайну, доступ к внешнему обучению и конференциям
• Доступ к ИИ-платформе AlfaGen, нейросетям «в кармане сотрудника» — сервису Alfa AI, конструктору ИИ-агентов
• Мерч за вовлечённость, программа Приведи друга с выплатами без ограничений
• 60+ сообществ по интересам, проект Non-Random Coffee, премия Alfa Award лучшим сотрудникам и проектам
• Доступ к онлайн-библиотеке Alpina Digital, онлайн-курсам Синхронизация по искусству, кино, музыке и психологии

Мы развиваем продукт DataQuality - систему мониторинга качества данных, которая в реальном времени следит за потоком событий антифрод-платформы: согласованность полей, заполненность расчетов, стабильность скорингов и агрегатов, статистику срабатывания фрод-правил, пропажу типов событий.

Мы ищем аналитика данных, который возьмет на себя две связанные задачи: довести систему алертов до состояния, когда сигналов мало, но каждый по делу, и исследовать связанные с данными обращения пользователей антифрод-платформы, находя в них подсказки о том, что мы еще не умеем мониторить.

Это техническая роль. Поток платформы - тысячи событий в секунду, история в Hadoop - миллиарды строк. Поэтому нужно понимать, как Spark исполняет ваш запрос, и уверенно владеть статистикой: пороги алертов выводятся из распределений, а не подбираются на глаз.

Роль хорошо подойдет тем, кто работал с ML (обучал и оценивал модели, искал аномалии, следил за дрейфом признаков), но не хочет уходить в Data Science или MLOps. У нас статистика и ML-подходы применяются к прикладной задаче с быстрым результатом: настроенная вами проверка уже завтра ловит реальный инцидент на боевом потоке.

• разбирать поток срабатываний проверок качества данных, отличая реальную деградацию от шума и ложных сигналов

• настраивать проверки так, чтобы снижать долю ложных срабатываний: подбирать пороги по уровням severity, окно агрегации и базовый период на основе распределения метрики за исторический период, а не «на глаз»

• копать до первопричины срабатываний: идти в сырые события, поднимать историю, сопоставлять с релизами и инцидентами

• оценивать качество алертов: сколько сигналов были ложными и почему (строгий порог, короткое окно, сезонность, редкий тип события)

• развивать методы детектирования: проверять статистические и ML-подходы к поиску аномалий и дрейфа на временных рядах и распределениях скорингов, оценивать их на истории инцидентов и предлагать, что включать в продукт

• работать с полной историей событий в Hadoop: писать запросы и расчеты на Spark SQL и PySpark так, чтобы они укладывались в ресурсы общего кластера

• исследовать обращения, которые пользователи антифрод-платформы пишут в поддержку, и вытаскивать из них реальную проблему с данными

• соотносить обращения с текущим покрытием мониторинга: понимать, что уже отлавливается проверками, а где инструмента нет

• доводить находку до понятного «полуфабриката»: проблема, подтвержденная на данных, и передавать ее системному аналитику, который оформит из нее требования для команды разработки.

• опыт в аналитике данных или Data Science от трех лет, включая работу с потоковыми или near-real-time данными и с большими объемами в Hadoop / Spark

• Spark SQL и PySpark на больших объемах - ежедневный инструмент: условия проверок в системе пишутся на Spark SQL. Важно понимать, как запрос исполняется. Нужно уметь прочитать план запроса и оценить его стоимость до запуска: кластер общий, и тяжелый запрос по полной истории мешает всем

• SQL уверенно: оконные функции, многошаговые агрегации, джойны с контролем кардинальности, корректная работа с NULL и типами. Понимание, почему запрос деградирует, и чем колоночная СУБД отличается от строчной; опыт с ClickHouse будет плюсом

• Python как основной рабочий инструмент, а не эпизодический. Способность быстро написать скрипт, который поднимет историю срабатываний и покажет, какие пороги дают ложные сигналы

• теория вероятностей и математическая статистика на уровне уверенного применения: доверительные интервалы, проверка гипотез, ошибки первого и второго рода и тд

• прикладная статистика для мониторинга: дрейф распределений (PSI), отклонение среднего и дисперсии от базовой линии, выбросы (z-score / IQR), сезонность; precision / recall применительно к алертам. Меры расхождения распределений и принятые для них пороговые значения, баланс ложноположительных и ложноотрицательных срабатываний

• практический опыт с ML: потребуется понимать метрики качества, как работает переобучение, дрейф признаков и то, как качество данных влияет на модель. Выводить модели в продакшен не потребуется

• понимание принципов мониторинга качества данных: типы проверок, уровни severity и то, что за ними стоят разные действия от информирования до инцидента

• системный взгляд и исследовательская жилка: видеть картину целиком, не лечить симптом порогом, если корень в источнике данных, и копать до истины

Будет плюсом:

• понимание работы фрод-правил и скорингов

• опыт оптимизации расчетов на Spark

• опыт ML-детектирования аномалий и дрейфа данных в промышленном мониторинге (это направление у нас в развитии)

• опыт работы в поддержке / эксплуатации: разбор инцидентов, приоритизация обращений

• опыт с инструментами контроля качества данных: Great Expectations, Soda, Evidently, Monte Carlo. Отдельно ценим понимание, где их настройки по умолчанию перестают работать на больших объемах

• опыт с каталогами данных и lineage: Atlas, DataHub, OpenLineage

• опыт работы с ИИ-ассистентами при разборе кода.

• комфортный современный офис в Москве, Кутузовский, 32

• график работы – офис

• ежегодный пересмотр зарплаты, квартальная и годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

• программа адаптации и помощь руководителя на старте (для Junior позиций)

• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ

• подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбер