Senior Analytics Engineer

О позиции

Вы присоединитесь к команде инженеров аналитики, которая отвечает за создание надёжных и масштабируемых продуктов данных. Наша цель — обеспечить бизнес и команды качественной, проверяемой информацией через единую версию истины. В роли вы будете проектировать и поддерживать модели данных в хранилище, развивать семантический слой для BI и AI-инструментов, а также сотрудничать с кросс-функциональными командами для реализации их аналитических потребностей. У нас поддерживающая культура, инвестирование в развитие сотрудников и баланс между работой и личной жизнью.

Будет плюсом

• Большой опыт размерного моделирования, включая построение fact и dimension таблиц на больших объёмах данных по паттернам Kimball. Опыт построения или поддержки семантического или метрического слоя, либо проектирование данных для AI и анализа с естественным языком. Опыт работы с приватностью и управлением данными в регулируемой или медицинской сфере. Практический опыт конвейеров данных и аналитики на скриптовом языке, предпочтительно Python. Опыт работы с веб-продуктами B2C, особенно в здравоохранении или маркетинговой аналитике. Опыта руководства agile или технической роли в организации, основанной на данных. Знакомство со stream event аналитикой и инструментами трекинга событий (Snowplow, Mixpanel, Amplitude).

Условия

• Работа удалённо с регулярными офлайн-мероприятиями спонсируемыми компанией. Конкурентоспособная компенсация. Комплексная программа льгот включая бесплатную терапию, wellness программы для сотрудников. Отличное медицинское, стоматологическое и зрительное страхование. План 401k с взносами работодателя. Возможности строить продукты, которые меняют жизни. Любое оборудование или ПО для максимальной продуктивности. Отличное сообщество коллег.

Навыки

• SQL
• dbt
• Snowflake
• Looker
• Dimensional Modeling
• Data Warehousing
• Git
• Airflow
• Python
• Data Governance
• Data Privacy
• ETL
• Data Testing
• Semantic Layer

Могут спросить на собеседовании

1. Как вы подходите к проектированию семантического слоя для обеспечения консистентности метрик между разными командами?
2. Опишите случай, когда вы оптимизировали производительность сложного SQL запроса при больших объёмах данных. Какие техники использовали?
3. Как вы обеспечиваете качество данных и какие практики тестирования применяете в своей работе?
4. Как вы балансируете между гибкостью модели данных и её производительностью при росте объёмов?
5. Приведите пример, как вы перевели бизнес-потребности в техническую модель данных