Ожидания
- 2+ года коммерческого опыта в Data Science с фокусом на решении операционных задач: построение моделей прогнозирования спроса (временные ряды) и динамического ценообразования.
- Уверенное владение Python, SQL и PySpark для работы с большими наборами данных.
- Глубокое понимание основ ML и опыт работы с большими наборами данных.
- Глубокие знания в области A/B-тестирования: от дизайна и корректного запуска до интерпретации результатов и оценки влияния на бизнес-метрики.
- Понимание юнит-экономики: способность понимать, как ML-модели влияют на ключевые рычаги юнит-экономики (стоимость доставки, утилизация мощностей, labor cost), и умение связать технические метрики моделей (MAPE, RMSE) с итоговыми финансовыми показателями (выручка, прибыль).
- Умение выбирать оптимальные алгоритмы для решения конкретных задач для достижения максимальной пользы с минимальными усилиями.
- Будет преимуществом: опыт разработки рекомендательных систем или других моделей персонализации (CVM).
Задачи
- Работать над полным циклом ML-моделей, которые лежат в основе экономики и клиентского опыта Додо.
- Разрабатывать и внедрять модели прогнозирования спроса для систем динамического ценообразования (Surge Pricing) и оптимизации стоимости доставки.
- Строить модели для предсказания операционной нагрузки пиццерий и точного времени доставки заказа (ETA).
- Активно участвовать в развитии MLOps-культуры: выстраивать production-ready пайплайны и полный цикл жизни моделей, используя такие инструменты, как MLflow.
- Создавать и поддерживать инфраструктуру для Feature Store, который станет единым источником данных как для операционных, так и для CVM-моделей.
- Разрабатывать и внедрять рекомендательные системы (персональное меню, акции, апселл).
- Проводить A/B-тесты для проверки гипотез и оценивать экономический эффект от внедрения всех моделей — как операционных, так и рекомендательных.