Неоконченное высшее образование (находишься на последних курсах университета) по техническому направлению
Имеешь прочный математический фундамент, особенно в теории вероятностей и статистике (понимаешь смысл p-value и доверительного интервала, знаешь характеристики основных распределений)
Умеешь и любишь писать код на python, стараешься его оптимизировать, не боишься разбираться в чужом коде
Владеешь основными библиотеками для анализа данных (базовый минимум - pandas, numpy, sklearn)
Понимаешь, как устроены основные алгоритмы классического ML (линейные и древовидные модели)
Умеешь превратить расплывчатый вопрос в проверяемую гипотезу (например: у этой группы клиентов метрика выше – это эффект коммуникации или они и без неё были активнее?)
Читал про uplift-модели (T-learner, X-learner, DR-learner, IPW, PSM) и пробовал их хотя бы на учебных данных
Имеешь опыт с DoWhy, EconML, causal-learn, Hypex
Знаешь, что такое causal discovery и DAG — понимаешь, почему конфаундер смещает оценку эффекта
Запускал или анализировал A/B-тесты
Работал с большими данными (Spark, Hadoop)
Разрабатывал LLM-агентов
Имеешь опыт решения задач маркетинга, ценообразования или банковской аналитики
Участвовал в соревнованиях по ML