Привет! Мы — Dodo Brands, международная компания, развивающая 2 бренда: Dodo Pizza, Drinkit. Мы разрабатываем мобильное приложение и сайт для заказа пиццы. Кроме того — собственную информационную систему Dodo IS, которая помогает пиццамейкерам приготовить заказ, курьерам привозить горячую пиццу, а менеджерам на смене и управляющим видеть, насколько эффективны процессы в пиццериях и кофейнях.
Исторически наши ML-задачи были сфокусированы на CVM и разработке отдельных моделей под конкретные продуктовые фичи. Сейчас мы переходим к построению системы «динамического маркетинга».
В ее основе — общие фундаментальные модели, которые прогнозируют ключевые операционные показатели: нагрузку пиццерий, стоимость и время доставки. Предсказания этих моделей становятся богатыми фичами для CVM-слоя. Это позволит нам принимать более комплексные решения: например, предлагать скидку, учитывая не только жизненную ценность клиента (LTV), но и текущую загрузку кухни.
Именно для построения этого фундаментального слоя операционных моделей, которые станут «сердцем» для будущих CVM-инициатив, мы и ищем сильного специалиста.
Тебе предстоит
- Принимать участие в построении моделей принятия решений в рамках прикладных задач, таких как: динамическое ценообразование. Не просто прогноз спроса, а поиск оптимальной маржинальной цены с учётом прогноза, эластичности, юнит-костов и конкурентного окружения.
- Оптимизация логистических процессов. Комплексное решение, включающее не только прогноз времени доставки, но и определение оптимального буфера/диапазона времени (promice) для баланса между конверсией в заказ и операционной эффективностью.
- Динамическая стоимость доставки. Разработка моделей для персонализации, скоринга и поиска оптимального размера минимального заказа, обеспечивающего безубыточность и максимальный LTV.
Мы ожидаем
- Глубокое понимание юнит-экономики и способность связывать технические метрики моделей (MAPE, RMSE, Precision/Recall) с итоговыми финансовыми показателями (выручка, прибыль, себестоимость доставки). Умение понимать, как ML-модели влияют на ключевые операционные рычаги (стоимость доставки, утилизация мощностей, labor cost).
- Уверенное владение Python, SQL и PySpark для работы с большими распределенными наборами данных и построения производственных ML-пайплайнов.
- Умение выбирать и обосновывать оптимальные ML-алгоритмы, фокусируясь на достижении максимальной пользы для бизнеса при минимальных операционных издержках.
- Глубокие знания в области A/B-тестирования для моделей принятия решений: от дизайна эксперимента, выбора корректных метрик и оценки влияния на ключевые бизнес-показатели до масштабирования.
