مهندس ضمان جودة البيانات

الوصف

عن ClearGrid ClearGrid تُحدث ثورة في صناعة تسوية الديون باستخدام الذكاء الاصطناعي المتطور والتحليلات المتقدمة. نحن نستفيد من البيانات في الوقت الفعلي، والتعلم الآلي، والأتمتة لتحسين استرداد الديون للمؤسسات المالية. بينما نقوم بتوسيع منصتنا التكنولوجية، فإننا نبني أنظمة عالية الأداء ومرنة لدعم مرحلتنا التالية من النمو الفائق. لماذا هذا الدور موجود تدير ClearGrid رحلات التحصيل عبر الصوت المدعوم بالذكاء الاصطناعي، والوكلاء البشريين، والرسائل النصية القصيرة، وواتساب، والبريد الإلكتروني للمقرضين في الإمارات العربية المتحدة والمملكة العربية السعودية. كل قرار — من نتصل به، ومتى نتصل به، وما قيمة الوعد بالدفع، وماذا نفوتر على العميل — يعتمد على بيانات تنتقل من MongoDB ومقدمي خدمات الاتصالات إلى BigQuery، عبر dbt، وتخرج إلى لوحات معلومات Tableau، وتطبيقات Streamlit، وتقارير موجهة للعملاء. عندما تكون هذه البيانات خاطئة، فإن العواقب ليست تجميلية: نتصل بمقترض دفع بالفعل، نخطئ في تحديد معدل استرداد المقرض في تقرير ربع سنوي، أو نفوتر بناءً على نافذة اتصال خاطئة. هذا الدور موجود لمنع حدوث ذلك — واكتشافه بسرعة عند حدوثه. ماذا ستمتلك - تغطية الاختبار في dbt عبر طبقات التجهيز والوسيطة والأساسية — ليس فقط not_null و unique، ولكن اختبارات قواعد العمل التي ترمز إلى كيفية عمل التحصيلات بالفعل (انتقالات فئات DPD، منطق تاريخ PTP، تسلسلات التخلص، فحوصات سلامة العملة والمبلغ). - تسوية المصدر إلى المستودع بين MongoDB وأنظمة الاتصالات وملفات العملاء و BigQuery: عدد الصفوف، عدد المقرضين، عدد المقرضين لكل فئة DPD، واكتشاف الأيتام/الانحراف. - مراقبة الحداثة والحجم وانحراف المخطط على الجداول الهامة، مع ملكية واضحة لما يعنيه "معطل" لكل منها. - ضمان جودة ملفات العملاء الواردة — التحقق من صحة ملفات حسابات المقرضين (الحقول، التنسيقات، أرقام الهواتف، الأسماء، التواريخ، الترميزات) قبل وصولها إلى أي رحلة. - ضمان جودة التقارير ولوحات المعلومات — يتم فحص كل لوحة معلومات Tableau وتقرير عميل قبل شحنها. هل تتطابق الأرقام الرئيسية مع المستودع؟ هل تغير المرشحات ونطاقات التواريخ والمعلمات الأرقام بالطريقة التي ينبغي أن تكون عليها؟ هل تظل الإجماليات صحيحة عند التقطيع حسب المقرض، حسب الحملة، حسب فئة DPD؟ هل يتم إسقاط القيم الفارغة بصمت من المقام؟ هل يتفق نفس المقياس عبر لوحتي معلومات تدعيان عرضه؟ - ضمان جودة ما قبل الإصدار لنماذج dbt الجديدة وتعريفات المقاييس قبل بناء أي شيء تابع لها. - عملية حوادث البيانات — الكشف، الفرز، التواصل مع أصحاب المصلحة، السبب الجذري، والإصلاح الذي يمنع التكرار. ما الذي نبحث عنه متطلبات أساسية: - خبرة سنتين على الأقل في جودة البيانات، هندسة التحليلات، ضمان جودة ذكاء الأعمال، أو دور محلل بيانات بملكية قوية للجودة. - SQL قوي — CTEs، وظائف النافذة، أنماط الزيادة، والوعي بتكلفة الاستعلام. يفضل BigQuery/GoogleSQL؛ أي لهجة مستودع بيانات مقبولة. - Python لبرامج التحقق والأتمتة (pandas أو ما يعادلها). - سير عمل قائم على Git: الفروع، طلبات السحب (PRs)، مراجعة الكود. - مزاج تحقيقي. أنت لا تكتفي بـ "تغيرت الأرقام" — تريد أن تعرف أي سجل، أي ربط، أي منطقة زمنية. - تواصل كتابي واضح. جزء كبير من الوظيفة هو شرح مشكلة بيانات لشخص لا يريد أن يسمع عنها. مزايا إضافية: - معرفة بالمجال المصرفي، الإقراض، أو التكنولوجيا المالية — فئات DPD، معدلات التغير، PTP، معدل الاسترداد، التسوية. - تنسيق Prefect (أو Airflow). - التعامل مع MongoDB والبيانات شبه المهيكلة/JSON. - Streamlit، أو أي أداة ذكاء أعمال (Tableau، Power BI، Looker) — كمستخدم، وليس بالضرورة كباني. - أطر عمل جودة البيانات: dbt-expectations، Elementary، Great Expectations، أو ما شابه ذلك.

ما ستقوم به

• • سيتولى مهندس ضمان جودة البيانات تغطية الاختبار عبر طبقات dbt ويقوم بتسوية المصدر إلى المستودع لضمان سلامة البيانات. وهو مسؤول عن مراقبة حداثة البيانات، والتحقق من صحة ملفات العملاء الواردة، وإجراء ضمان الجودة على لوحات المعلومات والتقارير.

المتطلبات

يجب أن يكون لدى المرشحين خبرة لا تقل عن سنتين في جودة البيانات، هندسة التحليلات، أو دور بيانات ذي صلة بمهارات قوية في SQL و Python. تعد الكفاءة في سير العمل القائم على Git والنهج التحقيقي لاستكشاف أخطاء حوادث البيانات وإصلاحها أمرًا ضروريًا.

الأسئلة الشائعة