Дата-сайентист (Data Collection Engineer, Web Scraping / Automation)

О проекте
Мы создаём B2B data-платформу для глубокой аналитики компаний. Наш продукт агрегирует данные из сотен открытых источников и преобразует их в ценные бизнес-сигналы: найм ключевых сотрудников, смена технологического стека, инвестиционные раунды, запуск новых продуктов и другие триггеры роста.
Наша цель — предоставлять Sales-командам, инвесторам и аналитикам инструмент для мгновенного выявления перспективных компаний на стадии активного роста.

Чем предстоит заниматься:

• Проектирование и разработка пайплайнов для сбора данных о компаниях.

• Настройка парсинга (web-scraping) сайтов, каталогов и публичных реестров.

• Интеграция данных через внешние API.

• Очистка, нормализация и структурирование необработанных данных.

• Дедупликация компаний и умное объединение записей из множества источников.

• Автоматизация процессов регулярного обновления данных.

• Подготовка структурированных датасетов для аналитики и машинного обучения.

Источники данных
В работе мы используем открытые данные:

• Корпоративные сайты и лендинги

• Страницы вакансий и карьерные порталы

• Бизнес-каталоги и маркетплейсы

• Стартап-базы (Crunchbase, AngelList и др.)

• Технологические данные сайтов (Wappalyzer, BuiltWith)

• Публичные реестры юридических лиц

Ключевые требования:

• Уверенный опыт веб-парсинга (Web Scraping) любой сложности.

• Глубокое знание Python и стека инструментов: requests, Scrapy, Playwright/Selenium.

• Опыт интеграции и работы с REST API / GraphQL.

• Понимание устройства реляционных и NoSQL баз данных.

• Знание принципов построения надежных Data Pipelines (ETL/ELT).

Будет большим плюсом:

• Опыт OSINT / Data Research (поиск и верификация данных).

• Навыки работы с B2B-данными (понимание структуры юрлиц, холдингов, ИНН и т.д.).

• Опыт автоматизации пайплайнов (Apache Airflow, Luigi или аналоги).

Условия работы:

• Полная удаленка (Remote).

• Проектная занятость с возможностью перехода в долгосрочное сотрудничество.

• Гибкий график: мы ориентируемся на результат, а не на часы в кресле.