Data Scientist – Dynamic Pricing & Offer Optimization

О позиции

Вы будете частью команды Data Science одного из наших ключевых клиентов, занимаясь разработкой и внедрением продвинутых моделей машинного обучения в области динамического ценообразования и персонализации предложений. Роль требует глубоких знаний в applied machine learning, статистическом моделировании и эконометрике, а также опыта работы с высокотрафиковыми системами. Проект ориентирован на решение бизнес-задач с прямым влиянием на revenue, retention и customer experience в телекоммуникационной отрасли.

Чем заниматься

• Разработка и deployment моделей price elasticity, conversion prediction, churn propensity и retention uplift
• Проектирование и проведение A/B тестов и uplift modeling для оценки эффективности кампаний
• Создание сегментационных моделей: clustering, KNN, similarity search
• Построение рекомендательных систем и scoring models для rank-based предложения продуктов
• Разработка simulation engines for pricing what-if analysis и scenario testing
• Создание автоматизированных пайплайнов для training, scoring и retraining моделей
• Внедрение feedback loops на основе real-time events (purchase, rejection, expiry)
• Работа с feature store совместно с Data Engineers
• Трансляция insights из моделей в business rules и thresholds для Decisioning команды

Что ждут

• 5–8 лет опыта в Applied Machine Learning, Statistical Modeling и Data Science для large-scale systems
• Глубокие знания ML, Statistics и Econometrics
• Продвинутое владение Python: pandas, scikit-learn, numpy, statsmodels, xgboost, lightGBM
• Опыт model lifecycle management и MLOps практик
• Понимание телеком KPIs: ARPU, recharge frequency, wallet size, churn rate
• Профессиональный опыт design feature engineering pipelines и проведения A/B testing
• Экспертиза в data visualization и storytelling для non-technical stakeholders

Будет плюсом

• Опыт работы с Telecom Offer & Recharge Modeling или Dynamic Pricing Systems
• Знание Pricefx PriceAI, Adobe Target Recommendations или Reinforcement Learning frameworks
• Понимание Elasticity Curves, Customer Lifetime Value (CLV) и Offer Fatigue Modeling
• Опыт интеграции ML outputs в бизнес decision engines или rule systems

Условия

• Участие в стратегически важном проекте с прямым бизнес-влиянием
• Работа с большими данными и сложными production-системами
• Международное окружение и возможность профессионального роста
• Полностью удалённый формат работы
• Сотрудничество с опытной командой Data Engineering и Business Intelligence

Навыки

• Python
• Pandas
• Scikit-Learn
• NumPy
• StatsModels
• XGBoost
• LightGBM
• Machine Learning
• Statistical Modeling
• Econometrics
• MLOps
• A/B Testing
• Feature Engineering
• Clustering
• SQL
• Data Visualization

Могут спросить на собеседовании

1. Как бы вы подходили к построению модели ценовой эластичности для телеком-услуг? Какие метрики вы бы использовали для её валидации?
2. Опишите вашу практику проведения A/B тестов: как вы определяете sample size, длительность теста, и что делаете, если видите эффект Хоторна или другие артефакты?
3. Какие подходы к handle class imbalance вы используете при разработке churn prediction моделей? Приведите пример практического применения.
4. Расскажите о вашем опыте внедрения MLOps: какие инструменты вы использовали для model tracking, CI/CD для ML, monitoring model drift?
5. Как вы обеспечиваете alignment между ML моделями и бизнес-правилами? Приведите пример успешной трансформации insight в actionable recommendation.