Data Engineer

Цели проекта: участие в развитии сбора, обработки, трансформации и представления данных.

Чем предстоит заниматься:

• проектированием и разработкой слоев данных (Raw, Clean, Enriched/Presentation) с учетом лучших практик моделирования (Data Vault 2.0 / 3NF для хранилища, Star Schema для витрин);
• разработкой и внедрением кастомных алгоритмов дедупликации и Entity Resolution (Fuzzy Matching) на Python;
• формализацией бизнес-правил качества данных в код, настройкой уровней доверия к источникам и правил выживания (survivorship rules);
• внедрением Data Contracts и механизмов карантина (quarantine) для некачественных данных с возможностью их последующего разбора;
• настройкой автоматизированного тестирования данных (Data Quality checks) в пайплайнах.

Чего мы ждем от тебя:

• SQL и трансформации: продвинутый уровень SQL и опыт работы с dbt (или аналогами) для построения слоев данных;
• Python для данных: уверенное владение PySpark и/или pandas для обработки больших объемов данных и реализации логики матчинга;
• Fuzzy Matching: практический опыт применения библиотек нечёткого поиска и связывания записей (например, Splink, recordlinkage, dedupe, theFuzz);
• алгоритмы: понимание принципов работы алгоритмов сравнения строк (Левенштейн, Джаро-Винклер, косинусное сходство на TF-IDF/эмбеддингах);
• моделирование данных: глубокое понимание 2-3NF, Data Vault 2.0 и различий между слоями сырых, очищенных и обогащенных данных;
• Data Quality: Опыт внедрения инструментов тестирования данных (Great Expectations, Soda, dbt tests, deequ или аналоги);
• оркестрация и DevOps: опыт работы с оркестраторами (Airflow, Dagster или Prefect), уверенное использование Git и базовые навыки CI/CD для дата-пайплайнов.

Будет существенным преимуществом:

• опыт обучения простых ML-моделей (Logistic Regression, XGBoost) или использование Active Learning для классификации дублей;
• понимание принципов вероятностного связывания записей (Probabilistic Record Linkage, модель Фелледжи-Сантера);
• опыт работы с графовыми базами данных или графовыми алгоритмами (Connected Components) для разрешения сущностей;
• знание специфики работы с Greenplum и stream lakehouse.