为什么选择Ballpoint
Ballpoint是一家快速扩展、以策略为导向的创意和营销科学机构，专为希望快速且正确成长的消费品牌而建立。我们结合创意、数据和实验，帮助酷炫品牌击败竞争对手。
我们的团队由在各自领域顶尖的人组成，拥有卓越的经验和出色的业绩记录。
Ballpoint的成立是因为我们亲身了解雄心勃勃的品牌真正需要从代理机构获得什么：不是大承诺和客户经理，而是像对待自己的业务一样对待客户业务的操作者。我们曾经是所有问题的接受者，所以我们成为了解决方案。如今，每位Ballpoint策略师都是前内部资深人才。这里负责客户增长的人是那些曾经雇佣代理机构的人，而不是在你的预算上学习的职业客户经理。
我们的客户反映了我们的特质：早期创新者、快速成长的初创公司和进入下一个增长阶段的知名品牌。每个客户都为我们带来了新的挑战，让我们在创意、策略和营销科学上突破。
为什么选择你
在Ballpoint茁壮成长的人是自我激励的，真正拥有自己的工作。他们具有商业头脑，能够自信地做出决策，擅长快速解决问题而不失清晰。
无论他们的专业是什么，他们都对自己的技艺充满热情，并且天生好奇。我们希望找到那些不断学习、不断分享、不断提高标准的人。他们能够舒适地挑战他人并接受挑战，并且知道如何激励客户和团队成员的信心。如果这听起来像你，你会很合适！
我们正在快速扩展，我们希望最优秀的人与我们一起踏上旅程。
关于这个职位
你将成为我们内部数据引擎的架构师。你不仅仅是在运行报告；你是在构建使报告成为可能的基础设施。你将带领我们从脆弱的电子表格和手动导出转向稳健的、以代码为先的现代数据栈。
你将构建我们客户增长计划背后的基础设施，涵盖归因、预测和实验，同时确保我们的数据管道是自动化、经过测试和可扩展的。
我们目前有一个强大的分散设置，但我们正在朝着一个全职的内部功能发展。
你将继承坚实的基础和顺利的交接，然后在我们扩展时掌控整个栈。
我们的数据栈
我们相信使用最适合工作的工具。你将掌控一个基于以下工具的栈：
• 数据摄取：Weld
• 数据仓库和机器学习：BigQuery和Vertex AI
• 转换：dbt
• 编排：Airflow
• 商业智能：Looker Studio
这个角色涉及什么
这是一个全栈分析工程角色。你将掌控从API源到最终仪表板的数据生命周期。
1. 数据集成和编排（ELT）
• 管道架构：你将掌控摄取层，使用Weld从Meta、Google Ads、Shopify、GA4和其他来源将数据拉入BigQuery。
• 编排：你将使用Airflow管理我们的数据工作流的调度、依赖关系和监控，确保数据按时并按正确顺序到达。
• 自定义摄取：你将编写自定义Python脚本/提取器，以在现成连接器失败或不可用时获取数据。
2. 转换、质量和可观察性（dbt）
• 语义层：你将构建和维护我们的dbt项目。你将编写模块化、版本控制的SQL，并在YAML文件中记录。
• 数据质量和测试：你将数据视为软件。你将实施强大的dbt测试（模式测试、自定义数据测试），以在数据到达客户之前捕捉空值、重复和异常。
• 可观察性：你将掌控数据的“健康”。你将设置新鲜度和质量失败的警报，确保我们在客户之前知道管道中断。
3. 高级分析和营销科学
• 统计建模：你将使用Vertex AI和R/Python超越基本聚合，支持团队进行营销组合建模（MMM）、增量测试和客户生命周期价值（LTV）预测。
• 商业智能：你将把干净的dbt模型连接到我们的BI工具（Looker Studio、Tableau或Lightdash），创建自助仪表板，让策略团队能够自行回答问题。
4. 协作和赋能
• 交接：在交接期间直接与我们的分散数据分析师合作，吸收背景。
• 赋能：为更广泛的团队提供他们做出最佳决策所需的工具、清晰度和洞察力。
• 方法：以冷静、系统化、商业头脑的方法处理数据。
技能和经验
你应该具备：
• 3-5年以上分析工程、数据工程或技术数据分析角色的经验。
• dbt精通：从头开始构建dbt项目的丰富经验。你知道如何使用Jinja宏、管理dbt运行周期，并为扩展构建项目结构。
• Python和R：在Python（用于数据管道/自动化）和R（用于统计分析/营销科学）方面的强大能力。
• 编排和集成：管理Weld和使用Airflow编排工作流的经验。
• GCP生态系统：拥有BigQuery和Vertex AI的实际操作经验。
• 数据质量关注：在实施自动化测试（dbt测试）和可观察性方面有良好的记录。你不信任数据，直到你测试过它。
• Git/版本控制：你熟悉命令行、分支策略和拉取请求。
• 商业背景：对付费媒体（Meta/Google）、Shopify/DTC/SaaS模型和归因的实际熟悉。
理想条件：
• 使用Looker（或类似工具）作为可视化层的经验。
• 构建营销组合模型（MMM）的经验。
• 数据CI/CD管道的知识（GitHub Actions/GitLab CI）。
成功的标准是什么
30天：审计、稳定和快速胜利
• 交接：你已经完全吸收了我们分散分析师的背景，并掌控了所有管理/权限（GCP、Weld、GitHub）。
• 审计：你已经绘制了我们的数据谱系，并准确识别了业务逻辑隐藏的位置（例如，隐藏在Looker Studio计算字段中）与它应该在的位置（dbt）。
• 修复：你已经在我们最关键的表上设置了dbt测试。我们不再因为客户发邮件而发现数据中断；你首先捕捉到它们。
• 胜利：你已经发布了一项高影响力的修复或自动化，为策略团队节省了5小时以上的手动工作。
60天：迁移和标准化
• 逻辑迁移：你已经积极重构了我们的遗留报告。你已经将复杂的逻辑从Looker Studio/电子表格中移出，并转移到版本控制的dbt模型中。
• 编排：Airflow运行顺畅。你已经优化了我们的DAG，以便数据在团队登录之前到达，而不是在他们的早晨咖啡期间。
• 自定义摄取：你已经为一个现成Weld连接器无法处理的数据源（例如，小众影响者平台或TikTok API）部署了自定义Python提取器。
• 信任：策略团队已经停止“再次检查”仪表板数字与广告平台。
90天：价值、科学和规模
• 高级建模：你正在利用Vertex AI或R/Python部署我们的第一个“营销科学”计划，无论是基本的MMM（媒体组合模型）还是贡献利润预测。
• 速度到洞察：你已经模板化了我们的入职流程。当新客户加入Ballpoint时，我们可以在数小时内启动他们的数据栈和标准仪表板，而不是数天。
• 积极的合作伙伴：你不仅仅是回答工单。你正在加入客户策略电话会议，发现策略师错过的数据趋势，并建议我们下一步应该测试的地方。
福利待遇
• 具有竞争力的薪资
• 28天带薪假期，不包括银行假期
• £1,500技术预算
• EMI计划
• 增强的育儿假政策
• 随时工作的日子
• 每月社交活动
• 定期团队午餐
• 年度外出活动
