Специалист по Data Governance & Data Quality
Описание
👋 Привет, коллега! Ищем Специалиста по Data Governance & Data Quality в сильную команду Мы - компания АНО ЦМИСС. Мы не просто консалтинг, а технологический партнер. Уже длительное время мы являемся доверенным экспертом для одной из крупнейших торгово-логистических компаний России, помогая им выстраивать архитектуру данных "с нуля" и внедрять лучшие практики там, где штатным специалистам не хватает специфической экспертизы. Сейчас мы усиливаем ядро команды для масштабного и долгосрочного проекта. Нам нужен Специалист DG/DQ, который станет "руками" и опорой руководителя направления: будет качественно настраивать инструменты, описывать правила и помогать Владельцам данных разбираться в инцидентах. 🎯 Что важно для нас. Нам нужен надежный исполнитель с аналитическим складом ума, который внимателен к деталям и готов глубоко погружаться в данные. Команда работает в режиме Full stack. Атмосфера - открытая и дружелюбная, но требования к самостоятельности и качеству - максимально высокие. От тебя ждут аккуратной настройки правил, понятного описания объектов в каталоге и быстрой реакции на сигналы об инцидентах. Важно учитывать при отклике. Мы искренне рады каждому резюме, но просим: пожалуйста, соотносите свой опыт с описанием. Мы уважаем твое и своё время и не хотим тратить его на заведомо неподходящие совпадения. Поэтому не стоит откликаться "на удачу": нагрузка и требования к результату здесь серьёзные. 📋 Ключевые задачи Настройка и ведение Каталога данных (Исполнение): Настройка и наполнение карточек объектов в Data Governance EMM: описание атрибутов, связей, владельцев, SLA. Настройка правил DQ: Маппинг правил проверок на объекты модели, настройка порогов, логики агрегации и частоты запуска в инструменте контроля качества, описание правил дедупликации и приоритета источников. Управление DQ-инцидентами (Управление процессом): Организация полного цикла жизни инцидента качества данных: от автоматического алерта до закрытия задачи. Распределение тикетов между Владельцами данных, контроль соблюдения SLA на разбор, проведение RCA (Root Cause Analysis) по критичным инцидентам и контроль внедрения превентивных мер. Поддержка 1-й линии (L1) и Владельцев данных: Оперативное сопровождение Владельцев данных и специалистов 1-й линии при разборе массовых инцидентов. Классификация и приоритизация входящих алертов, проверка корректности первичной маршрутизации, предоставление Владельцам данных недостающего контекста (описание метрик, ссылки на витрины) для самостоятельного устранения проблемы. Сопровождение команд DWH и BI (L2/L3 — Экспертная поддержка): Консультационная поддержка разработчиков DWH и BI-аналитиков при разборе сложных технических инцидентов. Участие в анализе качества входных данных на уровне сырого слоя, верификация корректности логики трансформаций в ETL-процессах и проверка SQL-кода витрин. Помощь в определении точки возникновения ошибки (источник, слой хранения или расчет в BI). BI-поддержка: Помощь в разработке дашбордов (FineBI) в контексте интеграции с сигналами инцидентов. Документирование: Оформление регламентов, инструкций и шаблонов карточек инцидентов в Яндекс.Вики по шаблону руководителя. 💡 Что мы ждем от тебя (Hard skills) Опыт работы в каталогах данных (желательно EMM / Data Sapience, но рассмотрим аналоги). Понимание принципов контроля качества данных (типы проверок, профилирование, дедупликация). Уверенное владение SQL для анализа инцидентов и проверки качества данных в PostgreSQL. Опыт работы с BI-системами (настройка дашбордов, понимание логики визуализаций). Навык четкого и структурированного описания данных (бизнес-глоссарии, карточки объектов). 🤝 Soft skills и стиль работы Исполнительность и внимание к деталям: Ты понимаешь, что ошибка в настройке правила DQ может парализовать работу витрины. Ты проверяешь свою работу дважды. Коммуникабельность (поддержка): Ты умеешь вежливо и терпеливо объяснять Владельцам данных, почему сработал алерт и как его исправить. Стиль работы: Ты умеешь находить баланс между самостоятельностью и субординацией. Принимая задачу от руководителя, ты всегда уточняешь детали и сверяешь свое понимание, чтобы не исказить суть и не упростить сложный подход без необходимости. Ты проявляешь инициативу для улучшения процессов, но твой голос в обсуждениях - это вклад в общее решение команды. Когда архитектурное или методологическое решение утверждено руководителем, ты принимаешь его и внедряешь, даже если изначально предлагал другой путь. Твое кредо - работа на общий результат, где личный успех измеряется вкладом в копилку успеха всей команды. 🛠 Текущий инструментарий Знания и задачи: Яндекс.Вики, Яндекс.Трекер. Каталог данных: Data Governance EMM (Data Sapience). DWH: PostgreSQL. BI: FineBI. 🤝 Как устроено собеседование (всего одно, но в два этапа) Знакомство с проектом. Обсуждение процессов DG/DQ. Практическое задание. Небольшой кейс: мы покажем структуру таблицы и описание бизнес-правила, а тебе нужно будет описать, как ты настроишь эту проверку в каталоге данных и какой SQL-запрос напишешь для ручного контроля. ⚠️ Важные моменты Испытательный срок - это демонстрация аккуратности: насколько быстро и без ошибок ты сможешь наполнить каталог метаданными и настроить первые 20 правил качества. Много рутинной, но критически важной работы по наполнению систем. 📝 Что нужно в письме-отклике (без этого резюме не рассматривается) Твой опыт работы в каталогах данных (какие поля заполнял, какие объекты заводил). Примеры написанных SQL-запросов для проверки качества данных. Опыт настройки простых дашбордов в BI. Твой опыт описания бизнес-глоссариев или инструкций. Конкретный измеримый результат: "завел 200+ объектов в каталог за 3 месяца", "настроил 50+ правил проверки качества". Если ты внимателен к деталям, хочешь развиваться в области управления данными и готов к интенсивной работе в сильной команде - мы очень ждём твой отклик! Спасибо, что относишься к отклику осознанно - мы это очень ценим. 😊 Формат: Офис/гибрид (обсуждаемо), полная занятость. Очень ждем тебя в нашу команду!