Data Scientist

Ориентир по рынку≈ 335 000 – 549 000 ₽наша приблизительная оценка по 25 вакансиям этой роли, у работодателя вилка не указана

🏢 ОфисJuniorПолная занятость

≈ 335 000 – 549 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги». Объявление живое, и что за работа, понятно из текста.

3 из 4 в норме

Вилку не назвали: какую сумму назвать вам и ниже какой не соглашаться

Наша компания

Kaspi.kz – это место, где необыкновенные люди собираются вместе, чтобы проявить свои лучшие качества, как в работе, так и в жизни, потому что Kaspi – это не просто финансовое учреждение, а большая семья, которая объединила под своим крылом более 10 тысяч человек по всему Казахстану. Мы всегда ценим людей, которые стремятся к знаниям и великим победам, именно поэтому работа у нас – это шанс реализовать свой потенциал. Работа полностью из офиса в городе Алматы, удалённого и гибридного формата нет.

Чем предстоит заниматься

Вести задачу от постановки до прода: выбирать таргет, схему валидации и метрики, обучать и выводить модели на табличных и событийных данных (основной стек — градиентные бустинги: CatBoost / LightGBM / XGBoost)

Извлекать признаки из неструктурированных и событийных данных (JSON, логи, временные ряды)

Проектировать признаки: агрегаты, лаги, rolling-метрики, стековые фичи; отслеживать их влияние на модель и утечки

Проводить исследовательский анализ и проверять гипотезы о поведении объектов как часть цикла разработки модели

Строить воспроизводимые пайплайны обучения и инференса: версионирование данных, экспериментов и артефактов

Отвечать за модель после релиза: мониторинг качества, дрейф данных, переобучение

Развивать внутреннюю инфраструктуру и общие библиотеки для фичей, метрик и моделей

Наши требования

Уверенный Python для ML: pandas, numpy, scikit-learn, бустинги (CatBoost / LightGBM / XGBoost) с подбором гиперпараметров и интерпретацией (SHAP / feature importance)

Сильная прикладная статистика: смещения, конфаундеры, оценка неопределённости

Дизайн валидации: схема проверки строится до модели, утечки ловятся заранее; понимание специфики временных рядов

SQL на уровне сложных запросов

Опыт извлечения и трансформации данных из вложенных структур (JSON) и проектирования признаков

Linux, Git, контейнеры - базовая самостоятельность без платформенной команды

Умение объяснить результат неспециалистам, не выбрасывая оговорки

Хорошее знание Excel

Управление данными: ETL, оркестрация, слои данных

Колоночное хранение: Parquet, партиции, ClickHouse / StarRocks

Трансформация больших данных с Spark / Polars / DuckDB

MLOps: MLflow, CI/CD

Английский на уровне чтения документации и статей