Data Scientist

Привет! Мы в Туту продаём билеты, чтобы отправить в полёт несколько тысяч людей в день. Мы стремимся стать лидером в сегменте продажи авиабилетов в России, а также к тому, чтобы наш клиент имел самые интересные ценовые предложения на рынке. Для этого нужно улучшить подход к ценообразованию билетов и дополнительных услуг, получив гибкую систему, с одной стороны, максимизирующую прибыль и долю рынка компании, а с другой — позволяющую клиенту выгодно приобрести билеты.

Наша самая главная задача в авиации — улучшать ценообразование при помощи моделей машинного обучения: находить такую стоимость билетов и дополнительных услуг, которая устроит и нас, и покупателей. Это большой и длинный путь, и, чтобы реализовать его, мы ищем дата-сайентиста.

Позиция дата-сайентиста в авиации подразумевает много самостоятельности: вам самому нужно будет решать, какие данные лучше подходят для той или иной задачи (fit-predict не работает, потребуется хорошая подготовка данных, много матчинга, feature engineering и воображение).

Вы должны будете разобраться, как устроен рынок продажи авиабилетов (если вы уже знаете, отлично!), и понять, на какие его элементы можно реально повлиять. Вместе с PM вам предстоит выстраивать стратегию на будущее. Нужно будет максимально прагматично относиться к силам и средствам, затрачиваемым на проект, и уметь делать выбор (с грамотным обоснованием), когда можно обойтись аналитикой, когда применять офлайн-модель, а в каких случаях ML-сервис станет лучшим решением.

‍

Техстек‍

Python, SQL, ClickHouse, AirFlow, PyCharm, VS Code.

‍

Основные задачи

— Улучшать ценообразование в авиации при помощи моделей машинного обучения: находить такую стоимость билетов и дополнительных услуг, которая устроит и нас, и покупателей.

— Работать над улучшением качества ранжирования подборок авиабилетов на главной странице и в других блоках сервиса.

— Проводить А/В-тесты, анализировать результаты и грамотно их интерпретировать.

— Вместе с PM выстраивать стратегию на будущее и готовить дизайн А/В-тестирования, искать способы ускорения экспериментов без потери статистической значимости.

— Сопоставлять наш ассортимент и цены с тем, что предлагают конкуренты, а также анализировать путь пользователя в Туту.

‍

От вас нужно

— Опыт в Data Science от 2 лет.

— Опыт в задачах ранжирования (ценообразование, рекомендательные системы, поиск).

— Понимание теории машинного обучения, статистики, теории вероятностей и другой математики.

— Понимание метрики для продуктовых решений, умение говорить числами вместо гуманитарных эпитетов.

— Хорошее знание и опыт проведения А/B-тестов.

‍

Про команду и рабочие процессы

Дата-сайентисты в компании объединены в один отдел.

Сейчас там есть Team Lead и 4 DS. Все работают в разных вертикалях (ж/д, авиа,отели и др.), но объединены контекстом работы с данными, общими инструментами для разработки, схожими задачами и большими целями: улучшать клиентский опыт взаимодействия с продуктами и увеличивать прибыль компании.

Команда собирается на еженедельные синки, где обсуждаются прогресс по задачам, блокеры, планы.

Внутри каждого продукта Туту есть отдельные рабочие группы, в процессы которых встраивается и сам DS. В команде авиа есть Tech Lead и Product Owner, продуктовый и системный аналитики, 3 фронтенд-разработчика, 6 бэкенд-разработчиков (включая техлида), 3 тестировщика, дизайнер. Раз в неделю рабочая группа встречается для планирования.

В рамках позиции предусматривается взаимодействие с DS и аналитиками для обмена опытом, системными аналитиками и PO для того, чтобы посмотреть, что аналогичного уже есть в их продукте или от чего раньше отказались в опытах.

‍

График работы

Работаем 5/2 в гибридном формате, иногда собираемся в офисе. Можно взять место в офисе или работать полностью удалённо, если хочется.

‍

Про компанию

— Компания с хорошим техническим стеком, техруководителями и готовностью одними из первых пробовать новые технологии.
— Хорошая техническая инфраструктура, очень крутая внутренняя база знаний, культура API и так далее.
— Открываются новые направления, где можно делать всё с нуля.

‍