Data Scientist

О нас

Мы — операционный центр одного из крупнейших банков России. Каждый день через нас проходят миллионы задач: от клиентских обращений до внутренних банковских процессов. За этим стоят тысячи сотрудников, сложная логистика распределения нагрузки и ответственность за качество обслуживания на масштабе, который мало кто видел изнутри.

Мы строим систему, которая позволит предвидеть будущее — в буквальном смысле.

Задача, которую вы будете решать

Нам нужно точное почасовое прогнозирование входящего потока задач в горизонте 3 месяцев.

Это:

- Тысячи типов задач с разными паттернами сезонности, аномалиями и зависимостями

- Миллионы событий в обучающей выборке

- Бизнес-критичная точность: ошибка прогноза напрямую влияет на укомплектованность смен и качество обслуживания клиентов

• Проектировать и обучать модели прогнозирования временных рядов на промышленном масштабе (тысячи рядов, миллионы наблюдений)
• Исследовать и применять подходы: от классических (ARIMA, Prophet, ETS) до современных (TFT, N-BEATS, LightGBM с лаговыми признаками, нейросетевые архитектуры)
• Решать задачи иерархического прогнозирования: согласовывать прогнозы по типам задач, подразделениям и временным горизонтам
• Разрабатывать пайплайны feature engineering с учётом календарных эффектов, праздников, внешних факторов
• Строить систему мониторинга качества прогнозов и автоматического переобучения
• Работать в команде из нескольких DS-разработчиков

• Опыт промышленной разработки ML-систем от 3 лет
• Глубокая экспертиза в прогнозировании временных рядов: вы знаете не только как обучить Prophet, но и почему он ошибается
• Уверенное владение Python: pandas, numpy, scikit-learn, одна или несколько из: statsmodels, sktime, darts, NeuralForecast
• Понимание метрик качества прогнозов (MAPE, WAPE, sMAPE, pinball loss) и умение выбирать правильную под задачу
• Опыт работы с большими объёмами данных (десятки миллионов строк и выше)
• Навыки работы с Git, умение писать читаемый, поддерживаемый код

Будет плюсом:

• Опыт иерархического (hierarchical) прогнозирования
• Знакомство с подходами: Temporal Fusion Transformer, N-HiTS или аналоги
• Опыт в финансовой или операционной аналитике
• Понимание задач прогнозирования нагрузки на персонал

• Задачу, которая не даст скучать: масштаб, сложность и прикладной результат — всё в одном месте
• Команду: несколько сильных DS-разработчиков, с которыми можно расти и спорить про архитектуру
• Влияние: ваши модели определяют, как банк планирует нагрузку на тысячи сотрудников
• Конкурентный уровень дохода — обсуждается индивидуально по итогам интервью
• Гибридный формат работы
• ДМС, корпоративное обучение, доступ к внутренним платформам и данным

Процесс отбора

1.     Скрининг резюме

2.     Техническое интервью (разбор подхода к задаче прогнозирования, вопросы по ML и инженерии)

3.     Финальное интервью с командой и руководителем

Если вы давно искали задачу, где временные ряды — это не игрушечный датасет, а живая, сложная и важная система — вы нашли её.

Откликайтесь. Будем рады познакомиться.