Аналитик эффективности Драйва

Каршеринг Яндекс Драйв — динамично растущий технологичный сервис. Наш автопарк состоит из тысяч машин, на которых совершаются десятки тысяч заказов в день. С помощью алгоритмов мы динамически управляем ценами и распределяем машины по городу так, чтобы рядом с каждым пользователем был автомобиль в пешей доступности. Также мы помогаем оптимизировать размер автопарка и повысить операционную эффективность сервиса. Ищем в команду аналитика, который поможет бизнесу работать более эффективно.

Чем мы занимаемся:

• Экономическим моделированием. Оцениваем спрос и предложение, определяем оптимальную цену, экономически выгодно распределяем автомобили по карте, экспериментируем с ценообразованием и определяем оптимальный размер автопарка.
• Uplift-моделированием. Строим экономические прогнозы и оцениваем эффективность парка
• Повышением операционной эффективности и снижением простоя автомобилей. Оцифровываем операционные процессы, такие как сезонный шиномонтаж, ремонты и ТО, мойки и заправки, ищем способы повысить их эффективность

Анализ данных
Вам предстоит оценивать спрос и предложение, эффективность сервиса и операционных процессов на больших объёмах данных. Строить процессы регулярного подсчёта бизнес-метрик и визуализировать их.

Работа с гипотезами
Формулировать гипотезы и находить эффективные способы их проверки, в том числе через запуск A/B-тестов.

Исследования
Вы будете проводить аналитические исследования и совершенствовать решения в ценообразовании, управлении автопарком и операционными процессами. Ваши идеи и решения будут напрямую влиять на бизнес, делая его более эффективным и экономически устойчивым

• Способны выдвигать гипотезы и проверять их при помощи статистики
• Проводили и анализировали A/B-тесты
• Умеете видеть за числами физический смысл и находить причины явлений
• Нацелены на улучшение финансовых показателей сервиса
• Уверенно владеете SQL и Python
• Владеете классическими алгоритмами и структурами данных
• Уверенно владеете навыками визуализации данных

• Знаете принципы машинного обучения
• Работали с сетевыми эффектами в A/B-тестировании
• Работали с ClickHouse
• Работали с системами распределённых вычислений MapReduce
• Работали с Git
• Имели дело с Unix