Data Scientist.
Профессия, зарплаты
и карьерный путь.

Задачи по данным источника (фрагмент): совместно с аналитиками формализовать задачу прогнозирования, целевые показатели, ограничения и критерии качества исследовать доступные данные, оценивать их пригодность и выявлять риски для построения модели разрабатывать базовые и улучшенные варианты модели, выбирать подход на основании измеримого качества и требований продукта. проверять устойчивость модели, отсутствие утечек данных и корректность процедуры проверки качества формировать требования к составу, качеству и обновлению входных данных реализовать подготовку признаков и работу модели как версионируемые программные компоненты, а не как набор несвязанных блокнотов и SQL-скриптов применять объектно-ориентированное проектирование для […]

Наш совет: Разберите прогнозную модель: базовое решение, разделение данных без утечки и передача версионируемого компонента backend-разработчику. Покажите ограничения применения прогноза.

Организация в объявлении: Сбербанк России, ПАО. Разместившая организация: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "РДВ-СОФТ".

Источник: Работа России / ТрудВсем. Статус «активна» у источника подтверждён 21.10.2026.

Публикация у источника: 29.09.2026. Обновлено источником: 29.09.2026. Данные получены: 21.10.2026.

Требования по данным источника: глубокое знание классического ML понимание основных Deep Learning подходов продвинутое знание SQL отличное знание Python понимание и опыт АB-тестирования. Будет плюсом: понимание специфики разработки ML-технологий, начиная с формулировки бизнес-проблемы, заканчивая выведением на регулярную основу в прод опыт решения задач ранжирования или Real Time Bidding опыт работы с Pyspark, Greenplum.

Задачи по данным источника: строить ML модели на основе различных данных: табличные, графовые, NLP, GEO, последовательности событий (кликстрим, транзакции и т.д.) писать production код и выводить его в ПРОМ улучшать процесс построения моделей, разрабатывать собственные прикладные модули командного фреймворка разработки для повышения производительности DS и улучшения качества кода в промышленной среде выдвигать data-driven гипотезы/предложения для запуска новых механик, а также поиск инсайтов в данных.

Наш совет: Выберите реальный или учебный пример проверки ML-гипотезы. Объясните оценку качества и границы вывода; отдельно уточните участие позиции в эксперименте и промышленном запуске.

Организация в объявлении: АО «ЦПЛ». Разместившая организация: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "РДВ-СОФТ".

Источник: Работа России / ТрудВсем. Статус «активна» у источника подтверждён 21.10.2026.

Публикация у источника: 13.10.2026. Обновлено источником: 13.10.2026. Данные получены: 21.10.2026.

Требования по данным источника: иметь 5 лет опыта в Data Science с фокусом на задачи ценообразования, монетизации, промо-оптимизации или смежные задачи; иметь уверенный Python и опыт построения ML-пайплайнов от датасета до прода (sklearn, scipy бустинги, pytorch в зависимости от задачи); иметь опыт продуктивизации моделей: Docker, Git, CI/CD, микросервисная архитектура; умеете работать с большими данными: SQL на уровне сложных аналитических запросов, опыт с Vertica/Trino или аналогами; понимать экономику маркетплейсов: двусторонние эффекты, механика комиссий и промо; уметь объяснять сложные модели и их результаты нетехнической аудитории продактам, бизнесу, стейкхолдерам; самостоятельность: умеете сами ставить задачи, приоритизировать и доводить до результата.

Задачи по данным источника (фрагмент): проектировать и строить ML-системы для ценообразования, промо-аллокации и прогнозирования спроса от постановки до продакшена; декомпозировать бизнес-задачи в ML/оптимизационные постановки. Понимать что именно мы должны оптимизировать и где использовать ML, а где обойтись подходами проще; проектировать и анализировать эксперименты (A/B, switchback, каузальный инференс), валидировать модели на оффлайн- и онлайн-метриках; встраивать модели в продукт: realtime/batch пайплайны, интеграция с сервисами бекенда; обеспечивать зрелость ML-систем: мониторинг, алерты, тесты, документация, воспроизводимость экспериментов; влиять на продуктовые и бизнес-решения через данные объяснять результаты […]

Наш совет: Разберите одну задачу прогноза спроса: базовое решение, метрику и ограничение эксперимента. Для старшей позиции отдельно покажите реальную ответственность за мониторинг модели после выпуска.

Источник: Работа России / ТрудВсем. Статус «активна» у источника подтверждён 21.10.2026.

Публикация у источника: 24.09.2026. Обновлено источником: 24.09.2026. Данные получены: 21.10.2026.