Data Quality Middle+/Senior (Антифрод-платформа)

Мы развиваем продукт DataQuality - систему мониторинга качества данных, которая в реальном времени следит за потоком событий антифрод-платформы: согласованность полей, заполненность расчетов, стабильность скорингов и агрегатов, статистику срабатывания фрод-правил, пропажу типов событий.

Мы ищем аналитика данных, который возьмет на себя две связанные задачи: довести систему алертов до состояния, когда сигналов мало, но каждый по делу, и исследовать связанные с данными обращения пользователей антифрод-платформы, находя в них подсказки о том, что мы еще не умеем мониторить.

Это техническая роль. Поток платформы - тысячи событий в секунду, история в Hadoop - миллиарды строк. Поэтому нужно понимать, как Spark исполняет ваш запрос, и уверенно владеть статистикой: пороги алертов выводятся из распределений, а не подбираются на глаз.

Роль хорошо подойдет тем, кто работал с ML (обучал и оценивал модели, искал аномалии, следил за дрейфом признаков), но не хочет уходить в Data Science или MLOps. У нас статистика и ML-подходы применяются к прикладной задаче с быстрым результатом: настроенная вами проверка уже завтра ловит реальный инцидент на боевом потоке.

* разбирать поток срабатываний проверок качества данных, отличая реальную деградацию от шума и ложных сигналов
* настраивать проверки так, чтобы снижать долю ложных срабатываний: подбирать пороги по уровням severity, окно агрегации и базовый период на основе распределения метрики за исторический период, а не «на глаз»
* копать до первопричины срабатываний: идти в сырые события, поднимать историю, сопоставлять с релизами и инцидентами
* оценивать качество алертов: сколько сигналов были ложными и почему (строгий порог, короткое окно, сезонность, редкий тип события)
* развивать методы детектирования: проверять статистические и ML-подходы к поиску аномалий и дрейфа на временных рядах и распределениях скорингов, оценивать их на истории инцидентов и предлагать, что включать в продукт
* работать с полной историей событий в Hadoop: писать запросы и расчеты на Spark SQL и PySpark так, чтобы они укладывались в ресурсы общего кластера
* исследовать обращения, которые пользователи антифрод-платформы пишут в поддержку, и вытаскивать из них реальную проблему с данными
* соотносить обращения с текущим покрытием мониторинга: понимать, что уже отлавливается проверками, а где инструмента нет
* доводить находку до понятного «полуфабриката»: проблема, подтвержденная на данных, и передавать ее системному аналитику, который оформит из нее требования для команды разработки.

* опыт в аналитике данных или Data Science от трех лет, включая работу с потоковыми или near-real-time данными и с большими объемами в Hadoop / Spark
* Spark SQL и PySpark на больших объемах - ежедневный инструмент: условия проверок в системе пишутся на Spark SQL. Важно понимать, как запрос исполняется. Нужно уметь прочитать план запроса и оценить его стоимость до запуска: кластер общий, и тяжелый запрос по полной истории мешает всем
* SQL уверенно: оконные функции, многошаговые агрегации, джойны с контролем кардинальности, корректная работа с NULL и типами. Понимание, почему запрос деградирует, и чем колоночная СУБД отличается от строчной; опыт с ClickHouse будет плюсом
* Python как основной рабочий инструмент, а не эпизодический. Способность быстро написать скрипт, который поднимет историю срабатываний и покажет, какие пороги дают ложные сигналы
* теория вероятностей и математическая статистика на уровне уверенного применения: доверительные интервалы, проверка гипотез, ошибки первого и второго рода и тд
* прикладная статистика для мониторинга: дрейф распределений (PSI), отклонение среднего и дисперсии от базовой линии, выбросы (z-score / IQR), сезонность; precision / recall применительно к алертам. Меры расхождения распределений и принятые для них пороговые значения, баланс ложноположительных и ложноотрицательных срабатываний
* практический опыт с ML: потребуется понимать метрики качества, как работает переобучение, дрейф признаков