Обязанности:
Ищем старшего BI-аналитика в команду данных. DWH и BI уже есть: витрины, датасеты, дашборды в DataLens. Предстоит развивать существующую систему: укреплять единые датасеты и понятные метрики, развивать повторяемый процесс от требования до отчёта. Отчётность сейчас собирает аналитик сам; self-service для бизнеса пока нет. Домены, с которыми работаем: учебный процесс, финансы, продажи, зачисление, пользовательская аналитика. Команда: 2 дата-инженера, 2 аналитика данных, 2 data scientist, 1 backend-разработчик, 1 продакт. Стек: ClickHouse, DataLens, Python, Airflow. Чем предстоит заниматься: Собирать и формализовать требования к дашбордам и аналитике: какая задача, кто пользователь, какие решения закрывает отчёт, как считаются метрики, откуда данные; Проектировать дашборды до разработки: структура, срезы, фильтры, уровни детализации, сценарии использования. Согласовывать логику со стейкхолдерами. Разрабатывать, дорабатывать и актуализировать дашборды в DataLens. Следить, чтобы отчёты не расходились с витринами и друг с другом. Развивать BI-систему: переиспользуемые датасеты, договорённости по метрикам, структура workbook/collection, права, производительность. Уводить расчёты с чарта на витрину в ClickHouse, где это нужно. Ставить задачи дата-инженерам на автоматизацию отчётности в Airflow: какая витрина, зерно, обновление, проверки качества, SLA. Делать ad-hoc выгрузки и EDA (20-30% времени): ответы бизнесу из ClickHouse, проверка гипотез, разбор аномалий, прототипы расчётов в Python. Что ожидаем: Продвинутый SQL: оконные функции, сложные джойны, CTE, работа с большими таблицами. Умение писать запросы под аналитическую СУБД. Опыт с OLAP базами данных, желательно ClickHouse: понимание, как зерно витрины, сортировка и предагрегации влияют на скорость дашборда. Python для анализа данных: pandas, EDA, проверка метрик, прототипы расчётов. Писать продакшен-ETL не нужно. Продвинутый BI — не только сборка отдельных дашбордов, но и развитие системы: датасеты как переиспользуемый слой; витрины разной гранулярности под разные задачи; тяжёлые расчёты на стороне хранилища, в BI — срезы, формулы, фильтры; навигация, права, единые определения метрик; производительность: селекторы и дефолты, нагрузка на источник, инспектор чартов. DataLens будет плюсом. Если основной опыт в Tableau, Power BI, Superset или Looker — тоже берём: нужен подход «семантический слой + витрины + дашборды» и готовность пересесть на DataLens. Умение вести процесс от запроса «нужен дашборд» до рабочего отчёта: уточнить задачу, зафиксировать метрики, показать черновик, принять работу, сопровождать изменения. Опыт постановки задач смежным командам: понятное ТЗ и критерии готовности. Будет плюсом: Опыт Airflow: читать DAG, понимать расписание и зависимости, уметь собрать и внести правки в типовой DAG; Опыт наведения порядка в уже существующем BI: документация метрик, разбор дублей, миграция хаотичных отчётов на общие датасеты; Понимание качества данных: проверки, расхождения метрик, источник правды; Возможность работать в офисе/гибридно. Что мы предлагаем: Оформление по ТК РФ в первый рабочий день. Офис в 1 минуте от метро “Тверская/Чеховская/Пушкинская”; Формат работы по выбору (офис, гибрид, удаленка), но офис/гибрид - приоритет; ДМС после испытательного срока; 40 часов отгулов после испытательного срока; Открытые дружеские коммуникации в команде; Возможность участвовать в развитии социально значимого EdTech продукта!Похожие вакансии
От 170 000 до 170 000 руб.
Москва. Станции метро: Чеховская, Пушкинская, Тверская
Щербинский лифтостроительный завод
От 170 000 до 170 000 руб.
Москва. Станции метро: Чеховская, Пушкинская, Тверская
Щербинский лифтостроительный завод
Договорная
Москва. Станции метро: Чеховская, Пушкинская, Тверская
Арлайт РУС
Договорная
Москва. Станции метро: Чеховская, Пушкинская, Тверская
СИНЕРГИЯ
Договорная
Москва. Станции метро: Чеховская, Пушкинская, Тверская
СК Сбербанк страхование жизни