Machine Learning Analyst - Data Science

Команда BidSwitch Data Science работает над ML‑системами, лежащими в основе крупной программной торговой платформы — алгоритмами, которые миллиарды раз в день решают, какие запросы на ставки стоит обрабатывать и к каким партнёрам‑поставщикам их направлять. Помимо исследований моделей, команда отвечает за широкий аналитический спектр: обеспечение эффективной и прибыльной работы этих моделей и окружающих их систем. Эта роль посвящена именно этому аналитическому спектру, работая бок о бок с нашими ML‑исследователями.

Вы не будете создавать ML‑модели. Вы будете тем, кто понимает, как они работают в продакшене, находит неэффективности в системе вокруг них и доводит исправления до реализации. Если ваша идея отличной недели — обнаружить скрытую неэффективность в трафике или инфраструктурных расходах на $100 k/год и затем действительно внедрить исправление, а не просто занести его в бэклог — эта роль для вас.

Эффективность и юнит‑экономика

Управление стоимостью аппаратных единиц: пересчёт затрат, финансовые прогнозы и обеспечение прибыльности каждого обработанного запроса.

Проактивный поиск неэффективностей во входящем трафике и настройке системы: управление потоком ставок (спайки QPS, неприбыльные сегменты трафика), оптимизация пути поставки, обработка дублирования/мультиразмера, настройка задержки (t_max).

Переводить каждое обнаружение от выявления к реализованному изменению и измерять полученный $‑влияние.

Запуск и управление A/B‑тестами для валидации изменений: вы отвечаете за эксперимент от дизайна и контроля развертывания до окончательного вердикта — так что каждое улучшение поставляется с измеримым, обоснованным воздействием.

Инсайты по производительности ML

Сотрудничать с Data Scientists в расследованиях производительности моделей: они углубляются в внутренности модели и детали алгоритма, вы работаете с данными — тестируя гипотезы, локализуя неэффективности и превращая выводы в конкретные исследовательские задачи для команды.

Опускаться ниже агрегированных итогов: анализировать производительность на уровне средних и небольших партнёров и сегментов, где неэффективности небольшие по отдельности, но в совокупности приносят реальные деньги.

Анализировать межкомпонентные неэффективности и производительность торговых пар; превращать повторяющиеся ручные проверки в автоматизированные отчёты и инструменты.

Проводить корневой анализ инцидентов, влияющих на производительность или маржу.

Сотрудничество

Работать ежедневно с Data Scientists, R&D, Product, TAM и Client Services; превращать их вопросы в ответы, подкреплённые доказательствами, и в проактивные инсайты.

Чётко коммуницировать выводы как технической, так и нетехнической аудитории, в письменной форме и лично.

• Ориентированность на внедрение: вы получаете удовлетворение от инициатив, которые достигают продакшена и генерируют или экономят деньги — а не от накопления бэклога идей.

• Проактивная ответственность: вы часто будете первым, кто заметит проблему, и вам придётся убеждать других действовать.

• Критическое мышление: вы проверяете, прежде чем доверять — будь то источник данных, предположение стейкхолдера или ответ LLM. В эпоху AI‑поддерживаемых рабочих процессов это важнее, чем когда‑либо.

• Сильные коммуникативные навыки и умение выстраивать отношения: способность ясно объяснить техническое открытие нетехническому читателю и построить рабочие отношения с DS, R&D, Product, TAM и Client Services.

• SQL — уверенное владение оконными функциями, агрегацией по журналам событий TB‑масштаба и написанием запросов с учётом стоимости. Комфортно работать с сырыми данными и неопределённым вопросом.

• Python — pandas, numpy, визуализация; способность превращать разовые анализы в повторяемые отчёты и небольшие конвейеры.

• Твёрдое понимание статистики и основ A/B‑тестирования.

• Рабочее понимание метрик ML и поведения моделей — достаточно, чтобы мониторить, интерпретировать и отлаживать производительность модели. Не требуется разрабатывать алгоритмы.

• Опыт работы с BI и инструментами мониторинга (Grafana, Tableau, Superset или аналогичными внутренними/OLAP‑системами). Мы сильно полагаемся на внутренние инструменты, поэтому мышление, не привязанное к конкретному продукту, важнее любого отдельного продукта.

• 3+ лет практического аналитического опыта с данными продакшн‑масштаба.

• Свободный английский и русский, письменный и устный.

• Сильный плюс (не обязателен)

• Основы программматической/RTB‑системы: жизненный цикл запроса на ставку, механика аукциона, коэффициент выигрыша, QPS, тайм‑ауты, причины отказа от ставки.

• Роли в экосистеме: DSP, SSP, рекламная биржа; анализ цепочки поставок (schain).

• Опыт в юнит‑экономике или управлении инфраструктурными затратами.

• Интерес к инструментам на базе LLM и автоматизации рабочих процессов — команда активно использует агентные AI‑инструменты в ежедневной работе.

🏢 Способы работы — наша гибридная модель сочетает работу из дома и в офисе, создавая пространство для обоих вариантов. 📈 Растите с нами — программы обучения, наставничества и карьерного развития. 💪 Ваше благополучие важно — медицинские льготы, бонусы для здоровья и поддержка психического здоровья. 🤝 Команда, которая заботится — разнообразная, инклюзивная и глобально связанная. 💸 Справедливая оплата и бонусы — привлекательная зарплата, с вознаграждениями, основанными на результатах, и семейными политиками, плюс возможность получения доли в компании в зависимости от роли и уровня.

Дополнительные льготы могут различаться в зависимости от страны, в которой вы работаете, и характера вашего трудоустройства в Criteo.