Junior Business & Data Analyst
Tungkol sa papel na ito
Ang pag-upgrade ay tumutulong sa mga customer na lumipat sa tamang direksyon gamit ang abot-kaya at responsableng mga produktong pinansyal. Mula noong 2017, nakatulong kami sa mahigit 7.5 milyong customer na ma-access ang mahigit $42 bilyon sa consumer credit. Sa walang humpay na pagtutok sa pagpapabuti ng pinansiyal na kagalingan ng aming mga customer, bumubuo kami ng mga produkto na naglalagay ng mas maraming pera sa kanilang bulsa at sumusuporta sa kanilang paglalakbay patungo sa isang mas magandang pinansiyal na hinaharap. Sinusuportahan kami ng ilan sa mga pinakakilalang mamumuhunan sa teknolohiya at pinakahuling nagkakahalaga ng $7.3B. Kami ay patuloy na kinikilala para sa aming collaborative at inclusive na kultura. Pinakahuli, w
Mga kasanayan / kategorya
Tungkol sa mga tungkulin ng data / ml
Ang mga tungkulin ng Data at ML ay nahahati sa tatlong kampo: mga analyst (SQL, mga dashboard, mga tanong sa negosyo), mga inhinyero (pipeline, imprastraktura), at mga siyentipiko (pagmomodelo, eksperimento). Ang titulo ng trabaho ay hindi palaging nagsasabi sa iyo kung alin ang isa — basahin nang mabuti ang paglalarawan.
Mga karaniwang kasanayan: SQL, Python, pandas, pangunahing istatistika; Ang mga tungkulin sa ML ay nagdaragdag ng scikit-learn / PyTorch / TensorFlow; ang mga tungkulin sa engineering ay nagdaragdag ng Airflow / dbt / Spark
Mga insight sa suweldo (US, magaspang)
Ang karaniwang hanay para sa mga tungkulin ng data / ml sa US ay $85,000–$240,000/taon, malawak na nag-iiba sa seniority, yugto ng kumpanya, at lungsod.
Mga pagtatantya lamang. Para sa mga numerong partikular sa kumpanya, tingnan ang levels.fyi (tech), Glassdoor, o magtanong sa panayam.
Paano maghanda para sa panayam
Hati ang mga panayam sa data: mga analyst kumuha ng SQL + case-study na mga tanong, mga inhinyero kumuha ng pipeline-design + coding, mga siyentipiko kumuha ng mga istatistika + ML modeling + minsan ay isang take-home na dataset. Basahin nang mabuti ang JD at maghanda sa aktwal na lasa — huwag mag-aksaya ng oras sa PyTorch para sa isang papel na analyst.
Mga karaniwang tanong sa lahat ng tatlo: "Paano mo susukatin ang tagumpay para sa [feature ng produkto]?", "Gabayan mo ako sa isang proyekto kung saan sinabi sa iyo ng data ang isang bagay na nakakagulat", at Mga function ng SQL window (LAG, ROW_NUMBER, PARTITION BY — partikular na gawin ang mga ito). Para sa mga tungkulin sa ML, asahan ang isang tanong tungkol sa overfitting, bias-variance tradeoff, at kung paano mo ide-debug ang isang modelo na mahusay na gumaganap sa pagsasanay at hindi maganda sa produksyon.
Kung saan karaniwang humahantong ang tungkuling ito
Ang mga landas ng karera sa data/ML ay naging mas magulo habang ang disiplina ay tumanda na. Ang pinakamalinaw na pag-unlad: Junior Analyst → Senior Analyst → Analytics Manager sa panig ng analyst, Junior Data Engineer → Senior → Staff sa panig ng engineering, at Junior DS → Senior DS → Principal DS / ML Lead sa panig ng pagmomodelo. Pinakamataas ang suweldo para sa mga ML engineer + research scientist sa mga big-tech na kumpanya.
Ang mga cross-discipline moves ay karaniwan: ang mga analyst na natututo ng engineering ay madalas na nangunguna sa mga inhinyero na hindi natutunan ang konteksto ng negosyo. Manatiling malapit sa negosyo — ang pinakamahalagang data ng mga tao ay ang dinadala ng mga executive sa mga talakayan ng diskarte, hindi ang mga gumagawa ng mga dashboard nang nag-iisa.
Mga pulang bandila na dapat bantayan
- "Data scientist" na tungkulin na talagang isang SQL analyst. Basahing mabuti ang mga responsibilidad — kung lahat ito ay mga dashboard at ad-hoc na query, isa itong tungkulin ng analyst na may pamagat sa agham.
- Walang binanggit na pakikipagtulungan ng stakeholder. Ang data work in isolation ay karaniwang data work na hindi pinapansin. Ang tungkulin ay kailangang isama sa isang pangkat ng negosyo.
- Nakalista ang "AI / ML" sa lahat ng dako ngunit walang mga detalye. Kung hindi nila mabanggit ang mga aktwal na problemang gusto nilang lutasin sa ML, buzzword-shopping ang kumpanya.
- Humihingi ng "10+ taon ng Python" o imposibleng kumbinasyon. Maaaring ang JD ay isinulat ng HR nang walang input mula sa isang pangkat ng data, o ang kumpanya ay may hindi makatotohanang mga inaasahan.
Mga madalas itanong
Paano ako mag-a-apply sa papel na ito?
I-click ang button na "Mag-apply sa RemoteOK" sa tuktok ng page na ito. Ipapadala ka sa orihinal na pag-post kung saan tumatanggap ang employer ng mga aplikasyon. Ang Wikishopline ay hindi nangongolekta ng mga resume o nagpoproseso ng mga aplikasyon.
Napapanahon ba ang listahang ito?
Pinagsasama-sama ng Wikishopline ang mga trabaho araw-araw mula sa mga mapagkukunan ng kasosyo (remoteok). Pinutol ang mga pag-post na mas matanda sa ~14 na araw, ngunit palaging i-verify na bukas pa rin ang tungkulin sa site ng employer bago ka gumugol ng oras sa isang cover letter.
Sinisingil ba ng Wikishopline ang mga employer o aplikante?
Hindi. Ang pinagsama-samang mga trabaho ay libre para sa magkabilang panig. Tumatanggap din ang Wikishopline ng $5 / 30-araw na bayad na pag-post sa /jobs/submit para sa mga employer na gustong direktang visibility — ngunit ang listahan na iyong tinitingnan ay galing sa isang partner.
Ano ang karaniwang kinasasangkutan ng papel ng data/ml?
Ang mga tungkulin ng Data at ML ay nahahati sa tatlong kampo: mga analyst (SQL, mga dashboard, mga tanong sa negosyo), mga inhinyero (pipeline, imprastraktura), at mga siyentipiko (pagmomodelo, eksperimento). Ang titulo ng trabaho ay hindi palaging nagsasabi sa iyo kung alin ang isa — basahin nang mabuti ang paglalarawan.
Ano ang karaniwang hanay ng suweldo para sa mga tungkulin ng data / ml sa US?
Humigit-kumulang $85,000–$240,000 USD/taon, depende sa seniority, lokasyon, at yugto ng kumpanya. Ito ay isang malawak na hanay sa layunin — i-verify laban sa levels.fyi o Glassdoor para sa partikular na kumpanya.
