Middle Data Analyst

Ориентир по рынку≈ 140 000 – 300 000 ₽наш грубый ориентир по 200 вакансиям этого грейда на рынке, без учёта специальности: у работодателя вилка не указана

🌍 УдалённоMiddleПолная занятость

≈ 140 000 – 300 000 ₽наша приблизительная оценка

Хорошие условия

За такой навык на рынке платят больше, работа расписана подробно. Но вилки нет, про деньги придётся договариваться с нуля.

Нажмите на сигнал, чтобы увидеть, на чём он основан

Чем предстоит заниматься

Проводить продуктовые исследования пользовательского поведения, игровых метрик и жизненного цикла пользователей — от первого контакта до монетизации и удержания

Искать закономерности в данных, находить точки роста и формировать гипотезы, способные повлиять на продукт

Проектировать и проводить исследования для проверки продуктовых и бизнес-гипотез

Анализировать результаты A/B-тестов, продуктовые воронки, когорты и пользовательские сегменты

Разрабатывать аналитические алгоритмы и сервисы: сегментации, скоринги, правила персонализации, рекомендательные механики и другие data-driven решения

Прототипировать новые подходы на Python и данных, оценивать их потенциальный эффект и вместе с командой доводить успешные решения до использования в продукте

Работать с большими объемами данных: писать SQL-запросы (ClickHouse, MySQL), использовать Python для анализа, автоматизации и визуализации

Представлять результаты исследований в понятном для бизнеса виде: формулировать выводы, рекомендации и следующие шаги

Поддерживать продуктовые и маркетинговые команды в сложных ad-hoc исследованиях и аналитических задачах

Наши требования

Опыт работы Data Analyst / Product Analyst от 1 года или сопоставимый практический опыт

Уверенное владение SQL

Знание Python для анализа данных (pandas, NumPy, matplotlib/seaborn и др.)

Понимание основ статистики, теории вероятностей и A/B-тестирования

Понимание продуктовых метрик: Retention, Conversion, LTV, ARPU и др.

Умение самостоятельно сформулировать исследовательский вопрос, подобрать подход к анализу и интерпретировать полученный результат

Умение видеть за изменением метрик пользовательское поведение и причинно-следственные связи

Системное мышление, любознательность и внимательность к деталям

Опыт построения пользовательских сегментов, скорингов, кластеризации или классификации поведения

Опыт разработки рекомендательных алгоритмов, персонализации или других алгоритмических решений

Опыт проведения или автоматизации A/B-тестов

Базовое понимание ML и опыт применения простых ML-моделей для решения аналитических задач

Опыт использования LLM и AI-инструментов в аналитической работе — для исследования данных, написания и проверки SQL/Python-кода, поиска гипотез и автоматизации рутинных задач