Детали

Грейд

Senior

Опыт работы

от 5 лет

Формат работы

Офис

Тип занятости

Полная занятость

Уровень английского

B2, выше среднего

Сопроводительное письмо к вакансии

Письмо на почту или сообщение рекрутеру в Telegram

О вакансии

Кратко

Вы отвечаете за корпоративные данные GlassDollar как за продукт: что мы собираем, насколько оно качественное, сколько стоит и что мы будем создавать дальше. Вы работаете в продуктовой команде и подчиняетесь нашему менеджеру по продукту.

Наши данные росли быстрее, чем наше понимание их. Каналы работают, но никто не отвечает за то, будут ли они продолжать работать. Большинство записей о взаимоотношениях еще не классифицированы, а у некоторых сигналов, о которых просят пользователи, таких как изменения численности персонала, нет надежного живого источника. Исправление этого — ваша задача.

Кто использует вашу работу

Люди в vclOS Поиск, списки, проекты, отслеживание PoC, рекомендации и еженедельные обновления по компаниям. Наши ИИ-агенты и поиск Четкие определения, происхождение, достоверность и актуальность, измеряемые по нашим бенчмаркам поиска. API и партнеры MCP Стабильные определения и поля для построения. Маркетинг Каталог, рейтинги и отчеты через ежеквартальный выпуск данных. Когда это противоречит друг другу, приоритет у продукта.

Что мы ищем

Не BI или аналитика: никаких дашбордов ради самих дашбордов
Не архитектор платформы данных: инженеры отвечают за инфраструктуру
Не ML-исследования: вы используете модели, а не обучаете их
Не данные рабочей области клиентов (проекты, отделы, экспорт): это остается за продуктовым инжинирингом
Не построение команды с первого дня: вы руководите через объем работ и приоритеты

Задачи

Бэклог точек данных, из которого черпают наши инженеры, ранжированный по ценности, стоимости и достижимому качеству. Вы устанавливаете приоритеты; инженеры отвечают за создание и масштабирование
Словарь данных и схема как источник истины
Сигналы: финансирование, приобретения, закрытия, тематические исследования и численность персонала, с правильными датами событий и оповещениями при остановке канала
Качество данных: охват, точность, актуальность и полнота, измеряемые ежемесячно
Бюджет на данные: поставщики, API, партнеры по скрапингу и разведочные работы. Вы тестируете источники на реальных примерах, прежде чем мы примем решение, затем ведете переговоры
Работа с участием человека (Human-in-the-loop): что собирает наша команда по разведке и как это поступает в базу данных

Вы участвуете в планировании и обзоре спринтов, обрабатываете ошибки в данных, о которых сообщают пользователи и агенты, и самостоятельно создаете прототипы и выпускаете точки данных, прежде чем передавать то, что требует масштабирования.

Что вы будете делать

Ваши первые 90 дней К 90-му дню: данные о взаимоотношениях классифицированы и измерены, у каждого канала есть владелец и оповещение, 3–5 новых точек данных запущены, и наш бенчмарк поиска сдвинулся относительно целевого показателя, который вы установили в первый месяц.

Месяц 1: базовая линия

Словарь данных v1 для топ-25 точек данных, с указанием источника, владельца, пользователя и показателей качества
Каждый конвейер, канал поставщика и задача скрапинга инвентаризированы с указанием владельца, руководства по эксплуатации и оповещения
Быстрый успех: Масштабирование сбора данных о партнерских отношениях
Бюджет на данные на следующий год в виде бизнес-кейса со стоимостью за точку данных

Месяц 2: корпоративные — технологические взаимоотношения

Определение корпораций и типов взаимоотношений: упоминание, партнерство, PoC, внедрение, инвестиции, приобретение
Классификация и очистка существующих записей, отчетность о точности на выборке и классификация новых записей по мере их поступления
Установка базовых показателей полноты и задержки, затем улучшение конвейера взаимоотношений относительно них
Поиск источника данных о приобретениях в реальном времени и исключение приобретенных компаний из рекомендаций

Месяц 3: новые точки данных и агенты

Проведение 6–8 ограниченных по времени экспериментов с точками данных, каждый из которых заканчивается выпуском, отменой или откладыванием. Выпуск 3–5
Добавление происхождения, достоверности и актуальности к топ-25 полям, и обеспечение возможности использования данных клиентов (списки, PoC, заметки) агентами с соответствующими разрешениями
Определение, где мы расширяемся, а где углубляемся, и публикация списка отмененных
Запуск ежемесячного обзора данных с продуктом и внутренними клиентами

Требования

Кто вы Ориентированы на бизнес и достаточно технически подкованы, чтобы работать самостоятельно. Вы предпочтете запустить грубую точку данных на этой неделе, чем идеальную — в следующем квартале.

Обязательно

5+ лет работы с корпоративными, рыночными или B2B данными на продуктовой, аналитической или операционной должности, в идеале в компании, занимающейся данными, маркетплейсе или SaaS
Вы отвечали за результат с бюджетом и компромиссами внутри продуктовой команды
Свободное владение Python: вы пишете собственные скрипты для скрапинга и обогащения (requests или Playwright, pandas)
Уверенное владение SQL на производственной базе данных Postgres
Практический опыт работы с LLM для извлечения и классификации, измеряемый на размеченной выборке
Практическое разрешение сущностей и дедупликация
Рабочее знание GDPR для данных о компаниях и людях
Вы четко объясняете компромиссы в данных нетехническим коллегам и руководству
Проживание в Берлине или готовность к переезду

Будет плюсом

Немецкий на уровне чтения: регистры DACH — большая часть нашего потенциала
Покупка данных у поставщиков, таких как PitchBook, Crunchbase, Dealroom или реестров компаний
Каналы событий или сигналов: обнаружение изменений, датирование событий, оповещения
Знание экосистемы корпоративных инноваций, венчурного капитала или развивающихся технологий

Стек: Postgres, Hasura, Python, PostHog и API LLM.

Условия

Местоположение: Берлин

Диапазон зарплат: базовая зарплата €80–€150 тыс. + акции
Реальная ответственность за ключевую часть нашего продукта, с бюджетом и прямой связью с руководством
Быстрое влияние: ваши данные покажутся корпоративным клиентам, в ответах агентов и в еженедельных обновлениях по компаниям в течение нескольких недель
Небольшая, опытная команда. Полная занятость, офис в Берлине

Location: Berlin

TL;DR

You own GlassDollar's company data as a product: what we collect, how good it is, what it costs and what we build next. You sit in the product team and report to our Product Owner.

Our data has grown faster than our ownership of it. Feeds run, but nobody owns whether they keep running. Most relationship records aren't classified yet, and some signals users ask for, like headcount changes, have no reliable live source. Fixing that is the job.

Who uses your work

People in vclOS Search, lists, projects, PoC tracking, recommendations and weekly company updates. Our AI agents & search Clear definitions, provenance, confidence and freshness, measured on our search benchmark. API and MCP partners Stable definitions and fields to build on. Marketing Directory, rankings and reports through a quarterly data release. When these conflict, the product wins.

What we're looking for

What you own

The datapoint backlog our engineers pull from, ranked by value, cost and achievable quality. You set priorities; engineers own building and running at scale.
The data dictionary and schema as the source of truth.
Signals: funding, acquisitions, shutdowns, case studies and headcount, with correct event dates and alerts when a feed stops.
Data quality: coverage, accuracy, freshness and completeness, measured monthly.
The data budget: vendors, APIs, scraping partners and scouting effort. You test sources on real samples before we commit, then negotiate.
Human-in-the-loop work: what our scouting team collects and how it flows into the database.

You join sprint planning and review, triage data errors reported by users and agents, and prototype and ship datapoints yourself before handing over what needs to scale.

What you'll do

Your first 90 days By day 90: relationship data is classified and measured, every feed has an owner and an alert, 3–5 new datapoints are live, and our search benchmark has moved against a target you set in month 1.

Month 1: baseline

Data dictionary v1 for the top 25 datapoints, with source, owner, user and quality numbers.
Every pipeline, vendor feed and scraping job inventoried with an owner, runbook and alert.
Quick win: Scale partnership data point collection.
Next year's data budget as a business case with a cost per datapoint.

Month 2: corporate–technology relationships

Define corporations and relationship types: mention, partnership, PoC, implementation, investment, acquisition.
Classify and clean existing records, report precision on a sample, and classify new records on arrival.
Set a recall and lag baseline, then improve the relationship pipeline against it.
Find a live acquisition source and keep acquired companies out of recommendations.

Month 3: new datapoints and agents

Run 6–8 time-boxed datapoint experiments, each ending in ship, kill or park. Ship 3–5.
Add provenance, confidence and freshness to the top 25 fields, and make customer data (lists, PoCs, notes) usable by agents with proper permissions.
Decide where we go broad and where we go deep, and publish a kill list.
Start a monthly data review with product and internal customers.

Requirements

Who you are Business-first, and technical enough to ship alone. You'd rather put a rough datapoint live this week than a perfect one next quarter.

Must-haves

5+ years with company, market or B2B data in a product, data or operations role, ideally at a data business, marketplace or SaaS company.
You've owned an outcome with a budget and trade-offs inside a product team.
Fluent Python: you write your own scrapers and enrichment scripts (requests or Playwright, pandas).
Strong SQL on a production Postgres database.
Hands-on with LLMs for extraction and classification, measured on a labelled sample.
Practical entity resolution and deduplication.
Working knowledge of GDPR for company and people data.
You explain data trade-offs clearly to non-technical colleagues and leadership.
Based in Berlin, or willing to relocate.

Nice to have

German at reading level: DACH registers are a big part of our upside.
Buying data from providers such as PitchBook, Crunchbase, Dealroom or company registers.
Event or signal pipelines: change detection, event dating, alerting.
Knowledge of the corporate innovation, VC or emerging technology ecosystem.

Stack: Postgres, Hasura, Python, PostHog and LLM APIs.

What this role is not:

Not BI or analytics: no dashboards for their own sake.
Not a data platform architect: engineers own infrastructure.
Not ML research: you use models, you don't train them.
Not customer workspace data (projects, departments, exports): that stays with product engineering.
Not team-building from day one: you lead through scope and priorities.

How we hire

Intro call (30 min) with our CEO: your background and a data trade-off you owned.
Paid case (about one day). Around 500 companies from our database with their corporate relationship records. Classify the relationships and report precision on a sample, cost per record, and what you'd do with records you can't classify cleanly.
Case review (60 min) with our Product Owner and an engineer: your code, quality checks and trade-offs.
Team conversations (2 × 30 min) with sales and customer success, your internal customers.
Offer.

What we offer

Salary band: €80 – €150k base + equity
Real ownership of a core part of our product, with a budget and a direct line to leadership.
Fast impact: your data shows up for corporate customers, in agent answers and in weekly company updates within weeks.
A small, senior team. Full-time, Berlin office.

Подходит ли тебе эта вакансия?

Сравним навыки, грейд, формат работы и зарплату

Ключевые навыки

Python
SQL
PostgreSQL
Playwright
pandas
Large Language Models
Entity Resolution
Deduplication
GDPR
Hasura
PostHog
Data Scraping

Оценка зарплаты

93 100EURв год

Чаще всего от 77 600 до 107 000