Компания Pleo ищет Staff Analytics Engineer в команду Data Services & Governance. Это индивидуальный контрибьюторский уровень: вы будете владеть семантическим слоем и стандартами аналитики для всей компании, задавая стандарты качества для всех доменов.
Вы будете разрабатывать, улучшать и поддерживать стандарты моделирования и практики AI-ускоренной разработки, которыми пользуются все аналитические инженеры. Семантический слой, который вы спроектируете и будете поддерживать, станет единым источником истины для AI-агентов, BI-инструментов и аналитиков. Слой находится на ранней стадии, выбор инструментов ещё идёт, и у вас будет решающий голос. BI-стек также в переходном состоянии — вам предстоит определить, каким он должен быть, и построить его.
Текущий технологический стек: GCP, BigQuery, dbt Core, Airflow, SQL, Python, Claude Code, GitHub Copilot.
Вы будете подчиняться менеджеру по инженерии данных, который руководит командами Data Infra & MLOps и Data Services & Governance. Основное взаимодействие — с аналитическими инженерами в функции Intelligence, которые будут обращаться к вам за архитектурными рекомендациями и решениями по семантическому слою. Также вы будете работать со Staff Data Engineer над стандартами инженерии данных и практиками пайплайнов, с другими коллегами — над self-serve аналитикой и управлением BI-инструментами, с командой Data Serving — над определениями сущностей, с платформенной командой GenAI — над тем, как должны выглядеть AI-ready данные.
Задачи:
- Владеть семантическим слоем: определять, что такое метрика, как она структурирована, где хранится и как обеспечивается её соблюдение. Цель — единое каноническое определение MRR, оттока, транзакции и клиента, используемое аналитиками, BI- и AI-инструментами без расхождений.
- Задавать стандарты моделирования данных для функции: как выглядит чистая, слоистая, хорошо протестированная dbt-архитектура во всех доменах и на всех уровнях сложности.
- Создать и вести сообщество практики Analytics Engineering: код-ревью, общие паттерны, документация, онбординг. Цель — социальная инфраструктура, которая делает стандарты устойчивыми.
- Владеть практикой AI-нативной разработки: использовать AI-инструменты кодирования как естественную часть рабочего процесса написания, ревью и миграции моделей данных. Оценивать, что работает в управляемом контексте инженерии данных, что создаёт риски, и формировать, как сообщество их внедряет.
- Вести ответственную AI-ускоренную миграцию: использовать AI-инструменты для ускорения моделирования и миграций в аналитическом хранилище и операционной платформе данных.
- Проектировать модели данных и определения метрик в документированном и структурированном виде, обеспечивающем надёжное потребление AI-сервисами без участия человека.
- Взаимодействовать с бэкенд- и продуктовыми инженерами для внедрения дисциплины контрактов данных и владения схемами на上游, а не управления несогласованностью на下游.
- Участвовать в развитии Data & AI-продуктов для внешней клиентской аналитики, где растут паттерны моделирования и потребности в разговорной аналитике.
Требования:
- Глубокий подтверждённый опыт в области моделирования данных и аналитической инженерии.
