Data Scientist (Pricing)

Чем предстоит заниматься: Участвовать в развитии и оптимизации процессов ценообразования в Lamoda; Улучшать ML-продукт регулярного ценообразования; Разрабатывать и внедрять модели оптимизации цен для офлайн-ритейла с учетом спроса, сезонности, маржинальности и особенностей физических магазинов; Разрабатывать промо-модели для анализа и создания эффективных акций; Создавать аналитические и ML-инструменты для принятия коммерческих решений в офлайн-канале; Реализовывать новые продукты, например, персональное ценообразование; Развивать решения на стыке ценообразования, управления поставками, ассортиментом и остатками магазинов; Проводить эксперименты и оценивать бизнес-эффект внедряемых решений; Инициировать и внедрять data-driven проекты для повышения эффективности бизнеса. Мы ожидаем: Опыт в области анализа данных и машинного обучения от 3 лет; Опыт работы с SQL, Hadoop, Hive, Spark; Владение Python, Linux, методами работы с большими данными; Опыт работы как минимум с 2 ML-библиотеками: Scikit-learn, CatBoost/XGBoost, PyTorch, Spark ML; Знания теории вероятностей и математической статистики; Знания в области машинного обучения, прогнозного моделирования и методов статистического анализа; Умение формулировать и проверять бизнес-гипотезы на основе данных; Будет плюсом опыт решения задач в области ценообразования, прогнозирования спроса, управления ассортиментом, запасами или цепочками поставок; Высшее образование в области прикладной математики, информационных технологий, информатики и т.п.; Английский язык на уровне технического чтения. Как мы работаем: Пишем на Python 3.10+ и PySpark 3.3 ; Для ресерча доступны два сервера (80 cores, 650Gb RAM), на которых развернут JupyterHub и есть доступ к Hadoop-кластеру, а также ресурсы в облаке включая GPU ; Код с логикой ML-пайплайнов упаковываем в Docker и выкатываем, используя CI/CD-инструменты с запуском code style проверок и тестов; Используем Airflow для управления ML-пайплайнами и запуском их по расписанию; В командах есть культура code review как для изменений по части продакшен-пайплайнов, так и для ресерч-задач; Регулярно проводим командные брейнштормы с целью генерации новых идей по развитию наших data-driven продуктов; В компании внедрена культура принятия решений на основании данных и все изменения тестируем через АБ-эксперименты. Стэк технологий: Big Data (Hadoop, PySpark, Hive), Python, CatBoost, Airflow, Docker, SQL, PyTorch. Почему у нас классно: Хорошо выстроенные процессы: квартальное планирование по методологии OKR, двухнедельные спринты, регулярные стендапы и проектные встречи для синхронизации; Сильная команда middle и senior специалистов, развитое DS-сообщество, где есть возможность обмениваться знаниями на внутренних митапах; Зрелый сетап разработки ML-решений полного цикла: современный стек, высокий уровень культуры разработки, десятки ML-моделей в продакшене и поддержка команды MLOps; Проекты не остаются на уровне исследований — большинство инициатив доходят до А/В-тестов и промышленного внедрения; Возможность формировать новое направление ML-продуктов для офлайн-коммерции и напрямую влиять на развитие розничного бизнеса компании; Можно и нужно предлагать собственные идеи и влиять на развитие продуктов и ML-решений компании; Персональные карьерные маршруты и возможности профессионального роста внутри DS-сообщества.