Речь пойдет о внутреннем аудите, где должности относятся к обычному

речь пойдет о внутреннем аудите, где должности относятся к обычному не-IT-аккредитованному Сберу, поэтому высоких зарплат, гибких процессов разработки, удалёнки и т.п. ждать не стоит. На hh такие вакансии можно найти как "эксперт/специалист по цифровым технологиям аудита", а иногда и "data engineer/analyst/scientist/дата аналитик" кому подойдёт: можно рассматривать данный вариант, если ты студент или вкатун из не-IT-специальности, который желает попасть в DE/DS/DA и не против достаточно сильно погрузиться в банковские процессы. Погружение может оказаться довольно сложным и глубоким, но в свою очередь открывает путь в финтех, бигтех по дата-направлениям. Если же ты планируешь сразу попасть в полноценные DE/DS с рыночной зп и готов немного поработать над собой, то рекомендую обходить данные вакансии стороной суть работы: все зависит от направления, куда тебя возьмут. Есть аудит корпоративного бизнеса, розничного, аудит моделей, некредитных операций, IT-процессов, кибербезы и пр. В каждом отделе своя специфика, но глобально суть одна — тебе, как "айтишнику", нужно сопровождать аудиторские проверки. "Аналитики" придумывают, какие процессы проверять, где и какой фрод искать, а ты будешь заниматься поиском и сбором фактуры: собирать отчёты на sql/pyspark, выверять данные в системе и в витринах, парсить внешние источники. Если повезёт, то можно попасть на проекты с computer vision, speech-to-text, ml-разработкой и пр. Иногда приходится пилить какие-нибудь внутренние инструменты и даже чат-боты (а Сбер сейчас помешался на всякого рода ИИ) звучит интересно? на первый взгляд так и есть. Но по факту будь готов разочароваться: интересных проектов мало, а система постановки задач крайне ущербная: дать тебе задачу могут и аналитики (твои коллеги), и менеджеры (что-то вроде PM), и начальник отдела, и вышестоящие руководители, и все это независимо друг от друга + с дедлайном "нужно было ещё вчера". Приоритезации задач практически нет: обычно приходится заниматься несколькими задачами одновременно, потому что здесь горят сроки, здесь кому-то пообещали помочь, здесь надо засветиться перед Москвой и т.п. Ресурсов на работу выделено крайне мало, поэтому приходится долго висеть в очередях, открывать несколько спарк-сессий на разных кластерах и работать. Параллельно штудируешь конфлюенс в поисках описания витрин, изучаешь архитектуру систем, терпишь набеги коллег с очередными просьбами (выгрузи мне это, почини мне компьютер, ты же айтишник). Вечером после окончания рабочего дня тебя может ждать очень срочная встреча с директором, а дома занимаешься парсингом, потому что из-за ограничений безопасности с рабочего компа этим заниматься нельзя, а сроки горят что по зп: получать ты будешь небольшой оклад (полагаю, что вилки для 8-10 грейдов сейчас колеблются в диапазоне 55-70 на руки) + один оклад в квартал в виде премии + 2.5 оклада, если доработал до нового года. Если ты весь год был нормис, твой среднемесячный доход с учётом всех премий скорее всего будет в диапазоне 90-110к. Премирование работает максимально странно: твои старания и заслуги могут вообще никак не учитываться, потому что "а вот в другом отделе человек сделал больше и оценку решили повысить ему" или "вы с ним получили одинаковое количество баллов, но мы выбрали его, потому что он ниже грейдом". Оценки выставляются директором, а не руководителем, а тот в свою очередь о вашем существовании может и вовсе узнать только на этапе оценивания. есть ли плюсы: относительно лёгкий вкат в IT (достаточно на базовом уровне уметь в python/sql и заявить, что слышал про spark/hadoop и минимально умеешь в ML - последние 2 пункта все равно никто проверять не будет), возможность поковыряться в DWH банка, жёстко натренировать навыки по sql на реальных данных, научиться работать с hdfs, вникнуть в работу hadoop и postgre, поиграться в ML и при этом получать не самую днищенскую зп Это субъективное мнение, оно может отличаться от истины. Источник: https://t.me/nazarov_interviews/180

Речь пойдет о внутреннем аудите, где должности относятся к обычному

Data Science