Director, CX Data and Customer Analytics

О позиции

Вы станете основным партнёром по данным и аналитике для руководящего состава в области клиентского опыта. Ваша задача — помогать лидерам CX формулировать стратегические вопросы, определять метрики клиентского опыта и обеспечивать принятие решений на основе данных. Роль требует глубокого понимания бизнес-модели компании, способности количественно оценивать ценность в удержании клиентов, выручке, операционных рисках, а также опыта сотрудничества с командами Data Engineering, Data Science и AI для создания масштабируемых аналитических продуктов. ЭтоHands-on лидерская позиция: вы не только управляете работой команды, но и остаётесь технически подкованным, чтобы советовать аналитикам по SQL, Python, Databricks и оптимизации производительности запросов.

Чем заниматься

• Являться основным аналитическим партнёром для руководства CX, помогая определить стратегические вопросы и ключевые метрики
• Создавать глубокое понимание бизнес-модели HealthEquity и как опыт клиентов влияет на удержание, рост и эффективность
• Количественно оценивать ценность на кону: удержание, выручка, стоимость обслуживания, операционные риски и влияние клиентского опыта
• Разрабатывать масштабируемую аналитику, дашборды, скоринг-карты и корпоративную отчётность для мониторинга эффективности
• Партнёрить с Data Engineering и Technology для проектирования семантических моделей и gold-layer данных в Databricks
• Взаимодействовать с Data Governance для улучшения определений метрик, качества данных и доверия к отчётности
• Применять флюэнтность в data science для паттерн-распознавания, сегментации, предиктивного моделирования и прогнозирования
• Партнёрить с Data Science и AI для идентификации и внедрения advanced analytics и AI-enabled use cases
• Управлять, развивать и обучать высокопроизводительную команду аналитики и отчётности
• Обеспечивать hands-on руководство аналитикам по SQL, Python, ноутбукам Databricks, логике дашбордов и performance optimization

Что ждут

• Глубокий бизнес-акумен и понимание того, как клиентский опыт влияет на retention, growth, LTV и cost to serve
• Навыки написания SQL, Python и работы с Databricks notebooks достаточно хорошо для guide analysts и review logic
• Глубокое понимание concepts аналитического инжиниринга: semantic model design, dimensional modeling, metric definition
• Опыт работы с CX платформами (Qualtrics или аналогичными), Voice of Customer инструментами
• Знание Databricks, lakehouse architecture, gold-layer data assets, BI platforms, governed metrics
• Понимание data science: predictive modeling, classification, forecasting, segmentation, anomaly detection
• Опыт в partnership с engineering командами по требованиям к data models, performance considerations, data quality
• Демонстрированная способность влиять на старших лидеров и стейкхолдеров без прямой власти

Будет плюсом

• Опыт в healthcare industry
• Знание agentic AI, AI assistants и AI-enabled analytics patterns
• Опыт управления большими данными и масштабированием аналитики
• Сертификаты по AWS/Databricks или подобные технические сертификаты

Условия

• Конкурентоспособная годовая зарплата $137,500–$182,000
• Работа в миссионерской компании с фокусом на сохранение и улучшение жизней пациентов
• Возможность строить и руководить высокой аналитической командой
• Взаимодействие с передовыми технологиями: Databricks, lakehouse, agentic AI
• Стратегическая роль с прямым влиянием на бизнес-результаты
• Hands-on позиция с технической глубиной и бизнес-воздействием

Навыки

• SQL
• Python
• Databricks
• Data Warehouse
• Data Modeling
• Dimensional Modeling
• Semantic Models
• Data Governance
• Business Intelligence
• Dashboard Design
• Customer Experience Analytics
• CSAT
• NPS
• Predictive Modeling
• Forecasting
• Segmentation
• Agentic AI
• Azure Cloud
• Lakehouse Architecture

Могут спросить на собеседовании

1. Как вы строите отношения со стейкхолдерами без прямой власти, чтобы добиться внедрения ваших рекомендаций?
2. Опишите пример, когда вы перевели сложную аналитику в простой бизнес-нарратив для executive аудитории. Как вы измеряли успех?
3. Как вы балансируете между ad hoc analysis и созданием scalable data products? На чём основываются ваши приоритеты?
4. Приведите пример сложной проблемы с качеством данных или метрик, которую вам пришлось решать с Data Governance.
5. Как вы оцениваете эффективность своей аналитической команды и лично вашего влияния на бизнес-результаты?