Data Engineer

Описание

Чем предстоит заниматься: проектированием и разработкой слоев данных (Raw, Clean, Enriched/Presentation) с учетом лучших практик моделирования (Data Vault 2.0 / 3NF для хранилища, Star Schema для витрин); разработкой и внедрением кастомных алгоритмов дедупликации и Entity Resolution (Fuzzy Matching) на Python; формализацией бизнес-правил качества данных в код, настройкой уровней доверия к источникам и правил выживания (survivorship rules); внедрением Data Contracts и механизмов карантина (quarantine) для некачественных данных с возможностью их последующего разбора; настройкой автоматизированного тестирования данных (Data Quality checks) в пайплайнах. Чего мы ждем от тебя: SQL и трансформации: Продвинутый уровень SQL и опыт работы с dbt (или аналогами) для построения слоев данных; Python для данных: Уверенное владение PySpark и/или pandas для обработки больших объемов данных и реализации логики матчинга; Fuzzy Matching: Практический опыт применения библиотек нечёткого поиска и связывания записей (например, Splink, recordlinkage, dedupe, theFuzz); Алгоритмы: Понимание принципов работы алгоритмов сравнения строк (Левенштейн, Джаро-Винклер, косинусное сходство на TF-IDF/эмбеддингах); Моделирование данных: Глубокое понимание 2-3NF, Data Vault 2.0 и различий между слоями сырых, очищенных и обогащенных данных; Data Quality: Опыт внедрения инструментов тестирования данных (Great Expectations, Soda, dbt tests, deequ или аналоги); Оркестрация и DevOps: Опыт работы с оркестраторами (Airflow, Dagster или Prefect), уверенное использование Git и базовые навыки CI/CD для дата-пайплайнов.