Краткое описание

• Мы ищем Lead Data Engineer'а, который возглавит дата-инженерную команду в направлении товарной аналитики.

Обязанности

• Управление командой дата-инженеров: найм, увольнение, 1 на 1, перфоманс ревью, коучинг и развитие.

• Проектирование дата-архитектур на проектах, оценка трудозатрат на задачи, общение с бизнес-руководителями и проектными менеджерами.

• Разработка и поддержка пайплайнов обработки данных и машинного обучения на Python и Spark;

• Работа c системами хранения такими как Clickhouse и PostgreSQL;

• Поддержка существующих и написание новых Airflow Pipelines;

• Переработка существующих пайплайнов “from scratch”;

• Решение ad-hoc задач от аналитиков и датасаентистов;

• Рефакторинг легаси кода;

• Ревью кода других дата-инженеров;

• Оптимизация сложных SQL-запросов;

• Участие в реализации CI/CD;

• Решение инфраструктурных проблем в зоне ответственности DE.

Требования

• Опыт руководства людьми от 1 года;

• Опыт промышленной разработки на Python от 4х лет;

• Экспертное знание Python;

• Сильные софт скиллы и умение коммуницировать между командами;

• Опыт работы с Apache Spark;

• Опыт работы с Airflow;

• Экспертное знание SQL;

• Уверенная работа с командной строкой Linux/MacOS;

• Опыт с CI/CD.

На что ещё смотрим:

• Опыт работы с различными cloud-сервисами: Yandex, Google, AWS и прочие;

• Умение писать pytest и понимание TDD методологии разработки;

• Опыт работы с k8s.

Условия

• Работа в одной из самых сильных ML-команд;

• Участие в росте компании, работающей на перспективном AI рынке;

• Гибкий график работы;

• Гибкий формат работы: удаленка.

• Поддержка в профессиональном и карьерном росте, оплата профильного обучения, конференций и книг.

• Совместная работа с опытными разработчиками, аналитиками данных, менеджерами, продуктологами;

Контактная информация

• Мы ищем Lead Data Engineer'а, который возглавит дата-инженерную команду в направлении товарной аналитики. В рамках этого направления разрабатываются и внедряются системы поддержки принятия решений, с применением алгоритмов машинного обучения, для производителей товаров повседневного спроса и ритейл компаний. Примеры решаемых задач направления: прогноз спроса, оптимизация складских запасов, оптимизация промо плана и регулярных цен.