Confirmed on the employer's own hiring board on Nov 16, 2026. First seen by Alion on Nov 13, 2026. Viseven scores B on the Alion truth index.
Ваші ключові завдання та цілі:
Перетворення ad-hoc роботи на чіткий, задокументований і вимірюваний процес delivery.
Розвиток професійного рівня команди через чітку систему грейдів, індивідуальні плани розвитку та менторинг.
Забезпечення перевірки кожного результату та його відповідності бізнес-запиту перед передачею стейкхолдерам.
Впровадження інженерних практик відповідно до галузевих стандартів: version control, code review, CI/CD та automated data tests для всіх напрямів роботи з даними.
Забезпечення безпечного та системного використання AI у щоденній роботі команди.
Розвиток архітектури data platform та самостійне вирішення найскладніших технічних завдань.
Основні обов'язки:
Проведення аудиту команди, її процесів і data platform; виявлення вузьких місць та визначення напрямів для вдосконалення.
Формування roadmap змін із визначенням того, що необхідно протестувати, впровадити або припинити використовувати. Визначення швидких покращень (quick wins) і вимірюваних цілей, узгодження плану з керівництвом та його регулярний перегляд.
Визначення та документування стандартів роботи: життєвий цикл аналітичного запиту (intake → requirements → delivery → acceptance), Definition of Done, шаблони вимог і звітів, правила versioning та documentation.
Оптимізація процесів intake, пріоритизації та оцінки завдань; створення каталогу типових запитів зі стандартизованими рішеннями.
Контроль виконання завдань через регулярні review та моніторинг процесних метрик (lead time, rework rate, defects); своєчасне коригування процесів за необхідності.
Створення або актуалізація матриці компетенцій і грейдів (Junior → Middle → Senior → Lead) із чіткими критеріями переходу на наступний рівень.
Розробка індивідуальних планів розвитку (IDP) для кожного учасника команди та їх регулярний перегляд.
Проведення 1:1 зустрічей, надання регулярного структурованого зворотного зв'язку, участь у performance reviews спільно з resource manager; робота з випадками недостатньої ефективності (underperformance).
Запуск менторських програм та ініціатив із обміну знаннями: внутрішні демонстрації (demos), спільна робота над завданнями (pair work), використання review як інструменту навчання.
Участь у процесі найму: формування профілів посад, проведення співбесід та організація onboarding.
Впровадження обов'язкового peer / lead review аналітичних результатів перед їх передачею стейкхолдерам.
Перевірка того, що результати аналізу відповідають поставленому бізнес-запиту, а не обмежуються лише розрахунками показників.
Виявлення неефективних процесів (ручні рутинні операції, дублювання роботи, повторювані запити) та їх усунення за допомогою автоматизації й стандартизації.
Відповідальність за цільову архітектуру data lake та reporting; впровадження багаторівневої моделі даних (raw → cleansed → business-ready) з єдиними правилами найменування, документування та визначення відповідальних за дані.
Забезпечення зберігання всього коду під version control із використанням code review; побудова CI/CD, впровадження automated data tests та Infrastructure as Code.
Вибір і впровадження сучасних інструментів, якщо результати оцінки підтверджують їхню практичну цінність (наприклад, dbt, orchestration, data quality tools).
Оптимізація продуктивності та вартості виконання queries і data pipelines.
Самостійне виконання найскладніших технічних завдань у напрямах analysis, data engineering та visualization.
Відстеження тенденцій у сфері analytics: AI assistants, LLMs для аналізу та генерації insights, self-service BI, augmented analytics, data storytelling.
Проведення пілотного тестування AI-інструментів, оцінка їхнього впливу (економія часу, якість, ризики) та масштабування ефективних рішень.
Визначення правил безпечного використання AI: конфіденційність даних, валідація результатів, згенерованих AI, та відповідальність за сформульовані висновки.
Підвищення рівня AI literacy команди через навчання, внутрішні інструкції, бібліотеки промптів і best practices; співпраця з відповідальним за AI Adoption у компанії.
Презентація змін керівництву та стейкхолдерам, обґрунтування інвестицій у нові інструменти.
Участь у pre-sales активностях: discovery, solution design, оцінка обсягу робіт (estimates) та підготовка PoCs для можливостей у сфері data та analytics.
Оцінка та дорожня карта змін:
Управління процесами та контроль їх виконання:
Розвиток команди:
Валідація рішень та контроль якості:
Архітектура та інженерні практики:
AI та тенденції ринку:
Нові можливості та клієнти:
Вимоги:
Від 5 років досвіду у сферах data analytics, data engineering або BI з практичним досвідом у всіх трьох напрямах: analysis, data pipelines та visualization.
Від 2 років досвіду управління командою від 4 осіб, включно з проведенням 1:1, наданням feedback, управлінням performance та участю в hiring.
Практичний досвід побудови або трансформації командних процесів із конкретними прикладами результатів у форматі «до → після».
Практичні приклади професійного розвитку спеціалістів: кого, з якого рівня та за який період вдалося розвинути, і завдяки яким діям.
Експертний рівень володіння SQL та впевнені знання Python для роботи з даними.
Практичний досвід роботи з AWS data services (S3, Athena, Glue, Lambda) або їхніми аналогами в інших cloud-платформах.
Глибокі знання data modeling: dimensional modeling, layered data architecture.
Практичний досвід використання version control, code review та CI/CD у роботі з даними.
Впевнене володіння щонайменше одним BI-інструментом (перевагою буде Power BI).
Розвинене критичне мислення: здатність аналізувати чужі рішення та виявляти логічні й методологічні помилки.
Практичний особистий досвід використання AI в аналітичній роботі (не лише загальне розуміння технології), а також приклади впровадження нових інструментів або підходів у команді, зокрема подолання опору змінам.
Досвід взаємодії з різними стейкхолдерами, включно з топменеджментом.
Англійська мова - B2+ (для комунікації з клієнтами).
Досвід використання dbt або іншого transformation framework у production-середовищі.
Знання Infrastructure as Code (Terraform, AWS CDK); orchestration (Airflow, Step Functions).
Досвід роботи з data quality frameworks (dbt tests, Great Expectations, Soda).
Досвід інтеграції LLM APIs у data pipelines (наприклад, Amazon Bedrock); знання text-to-SQL та semantic layer.
Досвід роботи у сферах life sciences / pharma або marketing / omnichannel analytics.
Наявність AWS certifications; досвід роботи у pre-sales або консалтингу.
Проактивність, відповідальність за результат (ownership), структурне мислення та впевнена комунікація.
Здатність керувати командою та впливати на її роботу без формальних управлінських повноважень.
Орієнтація на coaching-підхід; здатність надавати складний зворотний зв'язок і працювати з випадками недостатньої ефективності.
Високий рівень емоційного інтелекту; здатність підтримувати мотивацію та довіру в команді.
Збалансований підхід до AI: зацікавленість у технології та розуміння її обмежень і ризиків.
Орієнтація на безперервне навчання: участь у професійних спільнотах, конференціях, курсах та експериментах із новими підходами й інструментами.
Обов'язкові вимоги:
Бажані вимоги:
Особисті якості:

