Senior Data Scientist

Softeq; Województwo mazowieckie; Vor Ort; PLN 140.000 - 230.000; Vollzeit

Zusammenfassung

Softeq poszukuje Data Scientist do pracy nad projektami analitycznymi dla danych operacyjnych i finansowych. Będziesz testować hipotezy, budować modele predykcyjne dotyczące opóźnień, kosztów i odchyleń, a także inżynierować cechy na warstwach curated.

Praca dla specjalisty, który radzi sobie z nieczystymi danymi ze źródeł i potrafi bronić wyników przed interesariuszami. Wymagana jest praktyczna znajomość Pandas, PySpark, Databricks, wizualizacji i komunikacji wyników zespołowi.

Qualifikationen

• Analiza danych operacyjnych i finansowych oraz tworzenie modeli predykcyjnych.

Aufgaben

• Testowanie hipotez i budowanie modeli predykcyjnych dla opóźnień, kosztów i odchyleń.
• Inżynieria cech na warstwach curated oraz zapewnienie spójności metryk z warstwą semantyczną.
• Praca z surowymi danymi z systemów źródłowych i prezentacja wyników interesariuszom.

Kenntnisse

Python

Pandas

Scikit-learn

Visualization

Spark SQL

PySpark

Time Series

Experiment Design

Data Wrangling

Statistical Methods

Tools

Databricks

Jobbeschreibung

Rola w Softeq przy projektach analitycznych dla danych operacyjnych i finansowych — będziesz testować hipotezy, budować modele predykcyjne (opóźnienia, koszty, odchylenia plan-vs-actual), inżynierować cechy na warstwach curated i dbać o spójność definicji metryk z warstwą semantyczną. To oferta dla Data Scientista, który lubi pracę z 'brudnymi' danymi z systemów źródłowych i potrafi obronić wynik przed nietechnicznym interesariuszem. Szczera uwaga: firma wprost pisze, że dopiero oczekuje rozszerzenia zespołu i nowych projektów w ciągu 1–2 miesięcy — rekrutacja prowadzona jest 'na zapas', więc oferta może nie być jeszcze w pełni realna.

• analityczny Python: pandas, scikit-learn, biblioteki statystyczne, czytelna wizualizacja
• Spark SQL i PySpark — pewna praca na dużych tabelach, funkcje okna, rozumienie wykonania rozproszonego
• Databricks jako środowisko pracy: notebooki, jobs, experiment tracking, uprawnienia, time travel
• rozumienie modelu medallion i wyboru właściwej warstwy źródłowej do analizy
• statystyka i metody szeregów czasowych, poprawny projekt eksperymentu, baseline'y i uczciwe metryki
• doświadczenie z surowymi danymi z systemów źródłowych (luki, duplikaty, korekty wsteczne)