1. Общие положения

1.1. Назначение документа

Настоящий документ определяет ключевые показатели эффективности (KPI), функциональные обязанности, права и ответственность Специалиста по данным (Data Scientist). Документ регламентирует деятельность по разработке, внедрению и сопровождению моделей машинного обучения, анализу данных и обеспечению бизнес-эффективности.

1.2. Правовая основа

Документ разработан в соответствии с Трудовым кодексом РФ, внутренними организационно-распорядительными документами компании, политиками в области информационной безопасности и защиты персональных данных, а также отраслевыми стандартами в области управления данными и ИТ-системами.

2. Цель и задачи должности

2.1. Миссия Специалиста по данным

Миссия Специалиста по данным заключается в трансформации данных в ценные бизнес-инсайты и прогнозы. Основной фокус — создание и поддержка моделей машинного обучения, которые приносят измеримую бизнес-ценность через оптимизацию процессов, персонализацию и повышение эффективности.

3. Подчинение и взаимодействие

3.1. Иерархия подчинения

Специалист по данным непосредственно подчиняется Руководителю отдела аналитики и данных (Chief Data Officer / Head of Analytics). В своей операционной деятельности взаимодействует с ИТ-отделом, бизнес-подразделениями (маркетинг, продажи, продукт), а также с командой инженеров данных (Data Engineers) и аналитиков.

4. Должностные обязанности

4.1. Разработка моделей машинного обучения

Специалист обязан разрабатывать, обучать и валидировать модели машинного обучения для решения бизнес-задач. Это включает в себя выбор архитектуры, предобработку данных, инжиниринг признаков и подбор гиперпараметров. Критически важно обеспечивать воспроизводимость экспериментов и документировать все этапы работы.

4.2. Мониторинг качества моделей

Осуществлять постоянный мониторинг качества моделей в продуктивной среде с использованием метрик: Accuracy, Precision, Recall, F1-Score, ROC-AUC. При обнаружении деградации модели (дрейфа данных или концепта) организовывать оперативное переобучение и обновление версии модели.

4.3. Оценка бизнес-эффективности

Проводить оценку бизнес-эффективности моделей путем расчета ROI, экономии ресурсов, увеличения выручки, снижения оттока клиентов. Формировать аналитические дашборды для бизнес-лидеров, содержащие ключевые метрики влияния моделей на бизнес-результаты.

4.4. Разработка системы показателей эффективности (KPI)

Проектировать и внедрять системы показателей эффективности для бизнес-подразделений. Это включает в себя разработку методологии расчёта метрик, создание источников данных и реализацию визуализаций. KPI должны быть SMART (Specific, Measurable, Achievable, Relevant, Time-bound).

4.5. Автоматизация и MLOps

Разрабатывать и поддерживать пайплайны автоматической обработки данных, переобучения и развертывания моделей с использованием MLOps-практик (CI/CD для ML). Обеспечивать версионирование данных и моделей.

4.6. Исследования и развитие

Проводить исследовательскую работу по внедрению новых методов машинного обучения и искусственного интеллекта для улучшения текущих бизнес-процессов. Участвовать в внутренних митапах и внешних конференциях для обмена опытом.

5. Права специалиста

5.1. Доступ к информации

Специалист имеет право на доступ к данным, необходимым для выполнения должностных обязанностей: сырые данные, датасеты, внутренние системы отчетности, документация по продуктам. Доступ предоставляется в рамках политик информационной безопасности.

5.2. Принятие решений

Имеет право принимать решения в рамках компетенции: выбор алгоритма и инструментов для решения задачи, определение архитектуры модели, предложения по улучшению процессов сбора и подготовки данных.

5.3. Запрос ресурсов

Вправе запрашивать у руководства необходимые для работы ресурсы (вычислительные мощности, лицензии на ПО, доступ к облачным платформам), аргументируя их необходимость для достижения целей.

6. Ответственность

6.1. Ответственность за качество

Специалист несёт персональную ответственность за качество моделей и достоверность полученных результатов. Недопустимо использование невалидированных моделей или предоставление руководству некорректных прогнозов.

6.2. Ответственность за соблюдение политик

Отвечает за соблюдение политик информационной безопасности, защиты персональных данных (152-ФЗ) и внутренних регламентов при работе с данными и моделями.

6.3. Дисциплинарная ответственность

За неисполнение или ненадлежащее исполнение должностных обязанностей, а также нарушение трудовой дисциплины несет ответственность в соответствии с трудовым законодательством РФ.

7. Квалификационные требования

7.1. Образование

Высшее образование в области компьютерных наук, прикладной математики, статистики, физики или смежных дисциплин. Наличие научной степени (кандидат наук) является преимуществом.

7.2. Опыт работы

Опыт работы в области Data Science или машинного обучения не менее 3-х лет. Опыт успешного внедрения моделей в промышленную эксплуатацию обязателен.

7.4. Сертификации

Желательно наличие сертификаций по машинному обучению (DeepLearning.AI, Google Cloud Professional ML Engineer, AWS Machine Learning Specialty) и/или курсов повышения квалификации.

8. Условия труда

8.1. Режим работы

Стандартный пятидневный график с 9:00 до 18:00 с гибким началом рабочего дня (в пределах установленного диапазона). Возможна удалённая работа.

8.2. Требования к оборудованию

Специалисту предоставляется высокопроизводительная рабочая станция или доступ к облачным вычислительным средам (GPU-инстансы). Также предоставляется лицензионное программное обеспечение.

9. KPI и показатели эффективности

9.1. Метрики качества моделей

Для каждой разработанной модели определяются целевые значения качества моделей: $\text{Accuracy} \geq 0.95$, $\text{F1-Score} \geq 0.90$, $\text{ROC-AUC} \geq 0.85$ (в зависимости от бизнес-задачи).

9.2. Бизнес-эффективность

Измеряется через бизнес-эффективность внедренных моделей: увеличение ROI по проектам не менее 15%, снижение операционных затрат не менее 10%. Проверяется ежеквартально.

9.3. Скорость разработки

Время от постановки задачи до готового продукта (Time-to-Market) для MVP-модели не превышает 4 недель. Для сложных проектов — не более 8 недель.

9.4. Стабильность моделей

Время инцидентов, связанных с деградацией качества модели в продуктивной среде, не должно превышать 2 часа. Норматив — не более 2 инцидентов в квартал.

9.5. Качество документации

Актуальность и полнота документации по моделям и алгоритмам — 100% покрытие всех существенных компонентов. Проверяется ежемесячно.

9.6. Удовлетворенность заказчика

Оценивается по NPS (Net Promoter Score) от бизнес-заказчиков не ниже 75. Проверяется после завершения каждого этапа разработки.

10. Бизнес-процессы и чек-листы

10.2. Чек-лист контроля качества

Перед релизом модели необходимо проверить: отсутствие переобучения, корректность метрик на кастомном валидационном наборе, наличие всех необходимых параметров для inference, документацию по API и схеме данных.

10.3. Процесс мониторинга бизнес-эффективности

Ежемесячный анализ влияния моделей на ключевые бизнес-метрики. При снижении эффективности — срочный анализ причин и внесение корректировок.

11. Заключительные положения

11.1. Изменение документа

Изменения и дополнения в настоящую должностную инструкцию вносятся приказом генерального директора на основании служебной записки руководителя отдела.

11.2. Ознакомление сотрудников

Сотрудник обязательно должен быть ознакомлен с настоящим документом под подпись при приеме на работу или при внесении изменений.