⚠️⚠️⚠️ Вакансии для аналитиков!

➡️ Product Analyst в Поиск
middle/гибрид

Ищем аналитика с сильной экспертизой в A/B-тестировании и работе с большими данными. От кандидата ждем умение не только провести сложный эксперимент, но и построить под него надежную инфраструктуру для анализа. Ключевые задачи — глубокая статистическая проверка гипотез, обработка больших объемов данных и создание понятных дашбордов для стейкхолдеров.

👀 Откликнуться

➡️ Product Analyst в Портал продавцов
junior/удаленно

Вам предстоит самостоятельно проектировать эксперименты, извлекать и обрабатывать данные, а также находить статистически значимые инсайты для продуктовых решений. Мы ценим умение не только писать сложный SQL и чистый Python-код, но и глубоко понимать логику экспериментов.

👀 Откликнуться

➡️ Продуктовый аналитик в Рекомендации
middle/гибрид

Ищем аналитика данных с глубокой экспертизой в проведении A/B-тестов, владением Python (Pandas, NumPy, Scikit-learn, StatsModels) для статистического анализа и SQL для работы со сложными запросами и большими данными (ClickHouse, Spark, Airflow, Trino). Опыт визуализации данных в Redash или Apache Superset будет ключевым для успешной работы в нашей команде.

👀 Откликнуться

⭐️⭐️ Как мы сжали эмбеддинги в 8 раз и сохранили 95% качества

Рекламные баннеры в поиске должны быть релевантными. Но как подобрать баннер онлайн, если он содержит новые товары (обычно там сразу целый набор)

Илья Бадекин, Data Scientist в команде товарных рекомендаций Wildberries, рассказал, как решили эту задачу:

— Использовали текстовый энкодер E5 для представления товаров через контент;
— Применили метод Matryoshka Representation Learning для сжатия эмбеддингов с 1024 до 128 размерности;
— Сохранили 95-96% качества при сжатии в 8 раз.

В статье — разбор дорожной карты поиска решения: от PCA и SVD до автоэнкодеров и «матрёшек», с графиками и примерами из продакшена.

➡️ Читать на Хабре