Job description
Мы — операционный центр одного из крупнейших банков России. Каждый день через нас проходят миллионы задач: от клиентских обращений до внутренних банковских процессов. За этим стоят тысячи сотрудников, сложная логистика распределения нагрузки и ответственность за качество обслуживания на масштабе, который мало кто видел изнутри.
Мы строим систему, которая позволит предвидеть будущее — в буквальном смысле.
Задача, которую вы будете решать
Нам нужно точное почасовое прогнозирование входящего потока задач на горизонт 90 дней.
Это:
- Тысячи типов задач с разными паттернами сезонности, аномалиями и зависимостями
- Миллионы событий в обучающей выборке
- Бизнес-критичная точность: ошибка прогноза напрямую влияет на укомплектованность смен и качество обслуживания клиентов
-
Проектировать и обучать модели прогнозирования временных рядов на промышленном масштабе (тысячи рядов, миллионы наблюдений)
-
Исследовать и применять подходы: от классических (ARIMA, Prophet, ETS) до современных (TFT, N-BEATS, LightGBM с лаговыми признаками, нейросетевые архитектуры)
-
Решать задачи иерархического прогнозирования: согласовывать прогнозы по типам задач, подразделениям и временным горизонтам
-
Разрабатывать пайплайны feature engineering с учётом календарных эффектов, праздников, внешних факторов
-
Строить систему мониторинга качества прогнозов и автоматического переобучения
-
Работать в команде из нескольких DS-разработчиков
-
Опыт промышленной разработки ML-систем от 3 лет
-
Глубокая экспертиза в прогнозировании временных рядов: вы знаете не только как обучить Prophet, но и почему он ошибается
-
Уверенное владение Python: pandas, numpy, scikit-learn, одна или несколько из: statsmodels, sktime, darts, NeuralForecast
-
Понимание метрик качества прогнозов (MAPE, WAPE, sMAPE, pinball loss) и умение выбирать правильную под задачу
-
Опыт работы с большими объёмами данных (десятки миллионов строк и выше)
-
Навыки работы с Git, умение писать читаемый, поддерживаемый код
Что мы предлагаем
· Задачу, которая не даст скучать: масштаб, сложность и прикладной результат — всё в одном месте
· Команду: несколько сильных DS-разработчиков, с которыми можно расти и спорить про архитектуру
· Влияние: ваши модели определяют, как банк планирует нагрузку на тысячи сотрудников
· Конкурентный уровень дохода — обсуждается индивидуально по итогам интервью
· Гибридный формат работы
· ДМС, корпоративное обучение, доступ к внутренним платформам и данным
Процесс отбора
1. Скрининг резюме
2. Техническое интервью (разбор подхода к задаче прогнозирования, вопросы по ML и инженерии)
3. Финальное интервью с командой и руководителем
Если вы давно искали задачу, где временные ряды — это не игрушечный датасет, а живая, сложная и важная система — вы нашли её.
Откликайтесь. Будем рады познакомиться.