Ритейл-аналитик

Мы ищем сильного аналитика, который умеет работать с большими и неоднородными данными в ритейле, формировать бизнес-инсайты, строить дашборды, проверять гипотезы и активно использовать AI-инструменты в работе: ChatGPT, Claude, Cursor, Copilot и аналоги.

Позиция больше про аналитику, но с расширенным функционалом: часть задач, которые обычно требуют Data Scientist / Data Engineer, кандидат сможет прототипировать и ускорять с помощью нейросетей. В исходных материалах отдельно выделены задачи аналитика по ритейл-данным, feature engineering, A/B-тестам и BI, а также data engineering-задачи по пайплайнам, качеству данных и интеграциям.

Задачи:

- Анализировать данные из разных источников: кассовые данные, остатки, промо, транзакции, IoT-датчики, данные по полкам, магазинам и категориям.

- Нормализовать и структурировать неоднородные данные от разных клиентов.

- Строить аналитические отчёты, дашборды и презентации для внутренних команд и клиентов.

- Формулировать и проверять бизнес-гипотезы, участвовать в A/B-тестах.

- Искать инсайты по продажам, выкладке, полочному пространству, промо и поведению покупателей.

- Готовить feature-таблицы и аналитические витрины для ML-моделей.

- Работать с качеством данных: пропуски, выбросы, дубликаты, аномалии.

- Использовать AI-инструменты для генерации SQL-запросов, Python-скриптов, прототипов ETL/ELT-логики, аналитических выводов и автоматизации повторяющихся задач.

Что ждём от кандидата:

- Уверенный SQL: сложные запросы, join’ы, CTE, оконные функции, агрегации.

- Python для аналитики: pandas, numpy, визуализация данных.

- Опыт работы с большими массивами данных.

- Опыт построения дашбордов в Power BI, Tableau, Superset, Redash или аналогах.

- Базовое понимание статистики: A/B-тесты, корреляции, проверка гипотез.

- Опыт в ритейле, FMCG, e-commerce, маркетплейсах или смежных направлениях.

- Умение работать с грязными, неполными и нестандартизированными данными.

- Практический опыт использования AI-инструментов в рабочих задачах.

Будет плюсом!

- ClickHouse, PostgreSQL или другие аналитические БД.

- PySpark / Spark SQL на базовом уровне.

Понимание dbt, Airflow, Prefect или других инструментов для пайплайнов.

- Понимание feature engineering и подготовки данных для ML.

- Опыт с IoT-данными, видеоаналитикой или данными полочного пространства.

- Понимание unit-экономики, LTV, churn, MRR, ARPU.

Кого мы ищем:

Нам не нужен классический Data Engineer или ML Engineer. Мы ищем аналитика, который умеет быстро разбираться в данных, находить бизнес-смысл, общаться с командой и клиентами, а технические задачи может ускорять и частично закрывать с помощью AI-инструментов.

Личные качества:

Системное мышление.

Проактивность.

Умение работать в условиях неопределённости.

Внимательность к качеству данных.

Готовность быстро учиться.

Умение объяснять сложные вещи простым языком.