Подбор Data Science Engineer

На 2025 год рынок Data Science специалистов продолжает оставаться перегретым. Несмотря на обилие резюме на карьерных платформах, найти действительно сильного Data Science Engineer с продвинутыми навыками работы с ML-моделями в продакшене и глубоким пониманием бизнес-метрик — задача непростая. Особенно это актуально в финтех-секторе, где от инженера требуется не только знание технологий, но и способность мыслить как продуктолог.

Запрос клиента

К нам обратился финтех-стартап, активно развивающий продукт в сфере микрофинансирования. Команда искала Data Science Engineer уровня middle+/senior с фокусом на:

• Опыт построения и внедрения ML-моделей (в первую очередь — scoring и fraud detection)
• Глубокое знание Python (Pandas, Scikit-learn, FastAPI)
• Опыт работы с Airflow, MLflow, Docker
• Уверенное владение SQL и понимание работы с большими объёмами данных
• Английский — не ниже Upper-Intermediate

Плюсом была работа с системами A/B-тестирования и опыт взаимодействия с командой аналитиков/продукта.

Возникшие трудности

Основные трудности, с которыми мы столкнулись:

• Кандидаты с релевантным опытом чаще ориентированы на роли ML Engineer или Researcher, а не на инженерную продуктовую позицию.
• Многие кандидаты не имели опыта внедрения моделей в продакшен или работали в сильно академических командах.
• Бюджет заказчика не позволял конкурировать с крупными банками и BigTech-компаниями.
• Важным был опыт работы в стартап-среде или на быстро меняющихся проектах — таких кандидатов значительно меньше.

Процесс подбора

Этап 1: Подготовка и уточнение профиля

• Встретились с командой клиента, уточнили специфику продукта, стек и ближайшие задачи для будущего Data Science Engineer.
• Совместно определили must-have и nice-to-have навыки.
• Сделали акцент на: практическом опыте продакшн-моделей, способности брать ответственность за полный ML-пайплайн, опыте работы в условиях быстро меняющегося продукта.
• Составили «портрет идеального кандидата» и адаптировали описание вакансии под несколько каналов (официальное, «человеческое» для сообществ, короткий питч для личных сообщений).

Этап 2: Активный поиск и аутрич

Мы не ограничились стандартными job-платформами и запустили многоканальную воронку:

Каналы поиска:

• LinkedIn: поиск по ключевым скиллам + фильтрация по стартап-опыту.
• Habr Career: отклик и инвайтинг кандидатов с релевантными проектами.
• GitHub: поиск по активным ML-репозиториям и участию в open-source.
• Kaggle: связь с участниками и победителями соревнований.
• Telegram-сообщества: публиковали вакансии в ML/DS-каналах и делали прямой аутрич.
• Альтернативные источники: Alumni-тусовки МФТИ, МГУ, ВШЭ; участники AI-хакатонов.

Охват:

• 200+ кандидатов получили индивидуальные сообщения с питчем позиции.
• Проведено 20 предварительных интервью.
• 5 кандидатов отправлены клиенту на технический этап.

Этап 3: Сопровождение и фасилитация

• Мы вели кандидатов на всех этапах: давали фидбек, помогали с вопросами, координировали интервью.
• С клиентом — оперативная обратная связь, советы по формату интервью, поддержка в выборе финалистов.
• Быстро отрабатывали возражения (зарплата, формат работы, задачи) и адаптировали подачу вакансии.

Результат нашей работы

С момента запуска подбора до принятия оффера прошло ровно 21 день. Ключевым фактором такой скорости стало не только широкое покрытие кандидатов, но и выстроенная коммуникация с клиентом.

Как мы добились быстрого и успешного выхода на оффер:

• Четко донесли EVP (ценностное предложение работодателя) до кандидатов: гибкость в принятии решений, продуктовая автономия, реальное влияние на бизнес через модели, понятный roadmap команды и открытая культура.
• Во время интервью мы вместе с клиентом подчеркивали ключевые «триггеры» для кандидатов: отсутствие бюрократии, работа в связке с продуктом и аналитикой, реальные вызовы (а не "игрушечный ML").
• При общении с финалистом помогли сформировать реалистичные ожидания по росту, задачам на 3–6 месяцев и формату взаимодействия внутри команды.
• Прозрачно обсудили и обосновали уровень компенсации, указав на нематериальные плюсы (влияние, развитие, гибкость, культура).
• Благодаря такой открытой стратегии кандидат принял оффер сразу, без этапа торга — он видел прозрачность условий и чувствовал уверенность в команде и продукте.

Итоговый кандидат:

• Опыт: 4 года в Data Science, 2 года в построении продакшн-ML-систем.
• Проекты: скоринг в микрофинансовой платформе, антифрод на транзакциях, A/B-платформа.
• Стек: Python, Scikit-learn, MLflow, Docker, Airflow, FastAPI, PostgreSQL.
• Софт: быстро встраивается в команду, предлагает решения, ориентирован на продуктовый результат.

Промежуточные итоги кандидата спустя 2 месяца работы:

• Переписал устаревший pipeline под Airflow — ускорил расчёты на 40%.
• Увеличил точность скоринговой модели на 12% за счёт работы с новыми фичами.
• Внедрил трекинг ML-экспериментов через MLflow.
• Запустил первый A/B-тест под свой scoring-модуль вместе с аналитиками.

Клиент остался полностью доволен не только техническим уровнем, но и инициативностью кандидата. После успешного найма мы продолжили сотрудничество с этой компанией — сейчас подбираем ML Product Manager.