Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
CCommerceIQ
Бенгалуру, Индия15 дней назад
Грейд
Middle
Опыт работы
от 3 лет
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
The Company CommerceIQ is building the AI platform that runs commerce for the world's largest brands. We are not selling AI demos. We are shipping AI agents for content, media, and sales into the workflows of the Fortune 100 every week. 2,200+ Customers 10 of Top 12 CPG Companies 900+ Retailers Connected $200M+ Raised Customers include Coca-Cola, Nestlé, Colgate-Palmolive, Mondelez, Samsung, and Kellogg's. Backed by SoftBank, Insight Partners, and Madrona. Headquartered in Mountain View with teams across the US, India, Canada, and the UK. Pre-IPO. Technical Expertise Strong background in machine learning, statistical modeling, predictive analytics, and feature engineering , with hands-on experience developing and deploying classical ML models. Strong proficiency in classical machine learning algorithms including Linear Regression, Logistic Regression, Decision Trees, Random Forest, XGBoost, LightGBM, CatBoost, Support Vector Machines (SVM), Naive Bayes, K-Means, and DBSCAN . Experience with feature engineering, feature selection, dimensionality reduction, hyperparameter optimization, cross-validation, model calibration, and model evaluation . Proficiency in Python, Pandas, NumPy, Scikit-learn , with experience using libraries such as XGBoost, LightGBM, CatBoost, and Statsmodels . Experience working with large datasets and data pipelines , including data preprocessing, data quality checks, transformation, aggregation, and feature generation using tools such as SQL, Spark/PySpark, and cloud data platforms . Strong understanding of statistical methods and model diagnostics , including hypothesis testing, confidence intervals, correlation analysis, distribution analysis, and statistical significance. Experience with model deployment, monitoring, retraining, and productionization of classical machine learning models. Applied Problem-Solving Mandatory skill — Demonstrated experience building and deploying classical machine learning models for real-world business problems such as customer churn, credit risk, fraud detection, demand forecasting, customer segmentation, recommendation systems, pricing, propensity modeling, or sales prediction . Mandatory skill — Strong ability to design, evaluate, and improve ML models using robust validation strategies, cross-validation, hyperparameter tuning, feature engineering, and model comparison. Experience selecting appropriate algorithms based on business objectives, data characteristics, interpretability requirements, and model performance . Strong understanding of model evaluation metrics such as ROC-AUC, PR-AUC, Precision, Recall, F1, Log Loss, RMSE, MAE, MAPE/WMAPE, Gini, KS, R² , and other domain-specific metrics. Experience with model interpretability and explainability , using techniques such as SHAP, Partial Dependence Plots (PDP), feature importance, permutation importance, and coefficient analysis . Experience identifying and addressing data quality issues, class imbalance, overfitting, multicollinearity, feature leakage, model bias, distribution shift, and model drift . Experience applying statistical and machine learning techniques to NLP, time-series forecasting, classification, regression, clustering, recommendation, or optimization problems . Leadership & Collaboration Preferred: Proven ability to mentor junior data scientists or analysts , provide technical guidance, and establish best practices for machine learning development. Strong cross-functional collaboration skills with product, engineering, business, and analytics stakeholders to translate business problems into measurable ML solutions. Ability to communicate model assumptions, methodology, results, limitations, and business impact to both technical and non-technical stakeholders. Ability to translate analytical findings into practical, scalable, and measurable business solutions . Education & Experience 3+ years of hands-on experience in classical machine learning, data science, predictive modeling, or statistical modeling. Master's or Ph.D. in Computer Science, Machine Learning, Data Science, Statistics, Mathematics, Engineering , or a related field, or equivalent practical experience. Strong analytical and problem-solving skills with the ability to work with structured and unstructured datasets . Excellent communication and presentation skills, with the ability to explain complex analytical and statistical concepts clearly. Strong understanding of machine learning fundamentals, statistics, probability, and optimization . Continuous learner with awareness of classical machine learning techniques, statistical modeling methodologies, model interpretability, and emerging best practices in applied data science . We are an equal opportunity employer and value diversity at our company. We do not discriminate on the basis of race, religion, color, national origin, gender, sexual orientation, age, marital status, veteran status, disability status or any other category prohibited by applicable law.
Сравним навыки, грейд, формат работы и зарплату
CommerceIQ создает AI-платформу, которая управляет коммерческой деятельностью крупнейших мировых брендов. Мы не продаем AI-демо. Каждую неделю мы внедряем AI-агентов для контента, медиа и продаж в рабочие процессы компаний из списка Fortune 100. 2 200+ Клиентов 10 из 12 ведущих Компаний-производителей потребительских товаров 900+ Подключенных ритейлеров $200 млн+ Привлечено Среди клиентов — Coca-Cola, Nestlé, Colgate-Palmolive, Mondelez, Samsung и Kellogg's. Поддерживается SoftBank, Insight Partners и Madrona. Штаб-квартира в Маунтин-Вью, команды по всей территории США, Индии, Канады и Великобритании. ПредIPO.
Глубокие знания в области машинного обучения, статистического моделирования, предиктивной аналитики и инжиниринга признаков, с практическим опытом разработки и внедрения классических ML-моделей. Высокий уровень владения классическими алгоритмами машинного обучения, включая линейную регрессию, логистическую регрессию, деревья решений, случайный лес, XGBoost, LightGBM, CatBoost, метод опорных векторов (SVM), наивный байесовский классификатор, K-средних и DBSCAN. Опыт работы с инжинирингом признаков, отбором признаков, снижением размерности, оптимизацией гиперпараметров, перекрестной проверкой, калибровкой моделей и оценкой моделей. Владение Python, Pandas, NumPy, Scikit-learn, с опытом использования библиотек, таких как XGBoost, LightGBM, CatBoost и Statsmodels. Опыт работы с большими наборами данных и конвейерами данных, включая предварительную обработку данных, проверку качества данных, трансформацию, агрегацию и генерацию признаков с использованием таких инструментов, как SQL, Spark/PySpark и облачных платформ данных. Глубокое понимание статистических методов и диагностики моделей, включая проверку гипотез, доверительные интервалы, корреляционный анализ, анализ распределений и статистическую значимость. Опыт развертывания, мониторинга, переобучения и промышленного внедрения классических моделей машинного обучения. Прикладное решение проблем Обязательный навык — продемонстрированный опыт построения и внедрения классических моделей машинного обучения для реальных бизнес-задач, таких как отток клиентов, кредитный риск, обнаружение мошенничества, прогнозирование спроса, сегментация клиентов, рекомендательные системы, ценообразование, моделирование склонности к действию или прогнозирование продаж. Обязательный навык — высокая способность проектировать, оценивать и улучшать ML-модели, используя надежные стратегии валидации, перекрестную проверку, настройку гиперпараметров, инжиниринг признаков и сравнение моделей. Опыт выбора подходящих алгоритмов на основе бизнес-целей, характеристик данных, требований к интерпретируемости и производительности модели. Глубокое понимание метрик оценки моделей, таких как ROC-AUC, PR-AUC, Precision, Recall, F1, Log Loss, RMSE, MAE, MAPE/WMAPE, Gini, KS, R², и других специфичных для предметной области метрик. Опыт работы с интерпретируемостью и объяснимостью моделей, используя такие методы, как SHAP, Partial Dependence Plots (PDP), важность признаков, пермутационная важность и анализ коэффициентов. Опыт выявления и устранения проблем с качеством данных, дисбалансом классов, переобучением, мультиколлинеарностью, утечкой признаков, смещением модели, сдвигом распределения и дрейфом модели. Опыт применения статистических методов и методов машинного обучения для решения задач обработки естественного языка (NLP), прогнозирования временных рядов, классификации, регрессии, кластеризации, рекомендаций или оптимизации. Лидерство и сотрудничество Сильные навыки междисциплинарного сотрудничества с заинтересованными сторонами из отделов продуктов, инжиниринга, бизнеса и аналитики для преобразования бизнес-задач в измеримые ML-решения. Способность доносить предположения модели, методологию, результаты, ограничения и бизнес-влияние как техническим, так и нетехническим заинтересованным сторонам. Способность преобразовывать аналитические выводы в практические, масштабируемые и измеримые бизнес-решения. Образование и опыт Более 3 лет практического опыта в области классического машинного обучения, науки о данных, предиктивного моделирования или статистического моделирования. Магистр или доктор наук в области компьютерных наук, машинного обучения, науки о данных, статистики, математики, инженерии или смежной области, либо эквивалентный практический опыт. Сильные аналитические навыки и навыки решения проблем с возможностью работы со структурированными и неструктурированными наборами данных. Отличные коммуникативные навыки и навыки презентации, с возможностью четко объяснять сложные аналитические и статистические концепции. Глубокое понимание основ машинного обучения, статистики, вероятности и оптимизации. Непрерывный учащийся с осведомленностью о методах классического машинного обучения, методологиях статистического моделирования, интерпретируемости моделей и передовых практиках в прикладной науке о данных.
подтвержденный опыт наставничества младших специалистов по данным или аналитиков, предоставления технического руководства и установления лучших практик для разработки машинного обучения.
Чаще всего от 2 120 000 до 3 680 000
Чаще всего от 2 120 000 до 3 680 000