О роли
Мы нанимаем нашего первого специализированного Analytics Engineer в InvestEngine. Это фундаментальная позиция: вы будете находиться на стыке data engineering, analytics engineering и бизнес‑партнёрства — превращая сырые, разрозненные данные в управляемые, надёжные модели, на основе которых компания принимает решения.
Вы будете писать модели dbt не в изоляции. Вы будете работать напрямую со стейкхолдерами из разных подразделений — Product, Engineering, Risk, Finance, Investment, Marketing — чтобы понять реальные задачи, которые они решают, а затем разрабатывать и внедрять конвейеры, модели и семантический слой, решающие эти задачи. Вы также поможете сформировать, как мы будем использовать инструменты с поддержкой ИИ, чтобы ускорить всю функцию аналитики, и как мы будем структурировать данные, чтобы инструменты ИИ могли надёжно отвечать на вопросы о них.
Мы активно модернизируем наш стек данных, и хотим, чтобы человек на этой позиции формировал его. Часть уже реализована, часть перестраивается, а некоторые решения ещё не приняты. Если у вас есть обоснованные мнения по оркестрации, загрузке, тестированию, семантическим слоям или BI — мы хотим их услышать.
Что вы будете делать
Analytics engineering & семантический слой
- Проектировать, строить и поддерживать модели dbt Core, преобразующие сырые данные в чистые, хорошо протестированные и задокументированные наборы данных
- Владеть и развивать наш семантический слой — согласованные определения метрик, бизнес‑логика и наименования, которым может доверять вся компания и использовать их в запросах
- Устанавливать и поддерживать стандарты моделирования данных, практики тестирования и документацию по мере масштабирования функции
- Оценивать и помогать внедрять современные инструменты BI — опыт работы с Lightdash, Omni, Looker или Metabase будет полезен — чтобы метрики действительно стали самообслуживаемыми для нетехнических стейкхолдеров
Создание AI‑контекстного слоя
- Структурировать наши модели, определения метрик, документацию и lineage так, чтобы они были машинно‑читаемыми, а не только человеко‑читаемыми — потому что наш семантический слой является основой для ИИ‑инструментов
- Делать AI‑аналитику надёжной: если два человека (или два агента) задают один и тот же бизнес‑вопрос, они должны получить одинаковый ответ, поскольку определение хранится в едином управляемом месте
- Рассматривать наименования, документацию и определения метрик как полноценные инженерные артефакты, а не как после‑думы, поскольку они напрямую определяют надёжность нашего BI с поддержкой ИИ
- Использовать Claude для ускорения разработки — скелетонирование моделей, ревью кода, документацию, QA и отладку конвейеров — и Notion AI для поддержания актуальности и полезности документации и runbook‑ов
- Предлагать точку зрения о том, где ИИ может ответственно ускорить analytics engineering, и помогать команде правильно его внедрять
Data engineering & платформа
- Строить и поддерживать конвейеры загрузки и трансформации данных по всему нашему стеку. Мы используем современный стек данных, такой как AWS, Redshift и Airflow
- Писать production‑grade Python для задач извлечения, трансформации и автоматизации, выходящих за рамки dbt
- Помогать нам модернизировать: мы активно развиваем этот стек и ожидаем, что вы будете бросать вызов и улучшать его, а не просто эксплуатировать
Стоимость и производительность хранилища
- Владеть производительностью и стоимостью нашего Redshift‑хранилища — вы должны уметь читать план запроса, выбирать разумные sort‑ и distribution‑ключи и проектировать инкрементальные модели без указаний
- Выявлять и действовать по возможностям снижения сложности и стоимости наших моделей и конвейеров, а не позволять расходам и техническому долгу тихо накапливаться
- Делать осознанные компромиссы между актуальностью, стоимостью и сложностью — и объяснять эти компромиссы бизнесу на понятных им терминах
Качество и наблюдаемость данных
- Продвигать лучшие практики analytics engineering по всей компании: тестирование, контроль версий, ревью кода, CI и документацию, применяемые к данным так же, как к программному обеспечению
- Строить и владеть мониторингом качества, актуальности и конвейеров, чтобы проблемы обнаруживались нами до того, как их заметит стейкхолдер, просматривающий дашборд
- Устанавливать стандарт того, что означает «надёжные данные», и поддерживать его по мере роста объёма моделей и запросов
Влияние на upstream
- Работать с нашими инженерными командами, чтобы обеспечить, что дизайн приложений и событий учитывает требования отчётности и аналитики до того, как данные попадают в хранилище — хорошая аналитика начинается у источника, а не в слое трансформации
- Влиять на дизайн payload‑ов и схем для новых сервисов и функций продукта, чтобы не приходилось постоянно reverse‑engineer бизнес‑значения из операционных таблиц
- Поддерживать аналитиков и бизнес‑пользователей в автоматизации, инструментах и экспертизе data engineering, а также предоставлять обучение и рекомендации по эффективному использованию наших данных
Бизнес‑партнёрство
- Работать напрямую со стейкхолдерами, чтобы понять их проблемы, а не только их запрошенные выводы — переводить неоднозначные бизнес‑вопросы в требования к конвейерам и моделям
- Выступать в роли надёжного советника о том, что возможно с нашими данными, и конструктивно возражать, когда запрос не решает базовую проблему
- Поддерживать финансовую, операционную и регуляторную отчётность, соответствующую требованиям регулируемой инвестиционной платформы
Управление
- Применять нашу модель классификации данных и доступа при подключении источников: идентифицировать PII (включая в полях свободного текста), решать, что должно находиться в очищенном аналитическом слое, а что — в ограниченном наборе данных, и документировать результат
- Реализовывать принцип наименьших привилегий доступа к наборам данных, отчётам и дашбордам