Data Analyst - Advanced Analytics Finance (m/f/d)

Adidas ist ein Arbeitgeber, der Chancengleichheit bietet, und wir setzen uns für eine inklusive Arbeitsumgebung ein. Wir begrüßen Bewerbungen von Menschen aller Altersgruppen, Geschlechter (einschließlich Geschlechtsidentität), ethnischen und sozialen Hintergründen, Nationalitäten, sexuellen Orientierungen, Religionen und Überzeugungen sowie von Personen mit sichtbaren oder nicht sichtbaren Behinderungen. Wir tolerieren keine Belästigung oder Diskriminierung gegenüber unseren Bewerbern oder Mitarbeitern. Wir ermutigen aktiv Personen mit Behinderungen zur Bewerbung und werden angemessene Vorkehrungen während des Rekrutierungsprozesses treffen.

Zweck & Gesamtrelevanz für die Organisation: Die Data & AI-Funktion umfasst ein Advanced Analytics – Finance-Team, das eng mit der Global Finance-Organisation an strategisch relevanten Anwendungsfällen arbeitet, die das Potenzial haben, erheblichen Wert zu liefern und die Arbeitsweise der Finanzabteilung zu verbessern. Beispiele sind eine Finanzprognose-Engine, die darauf abzielt, die Prognose schneller, effizienter und reaktionsfähiger zu gestalten, sowie agentische KI-Produkte, die den Finanzbenutzern helfen, auf vertrauenswürdige Informationen zuzugreifen, Daten zu analysieren, mehrstufige Workflows zu automatisieren und Entscheidungen innerhalb klar definierter Governance- und menschlicher Aufsichtgrenzen zu unterstützen.

Als Data Analyst im Advanced Analytics – Finance-Team unterstützen Sie die Entwicklung und kontinuierliche Verbesserung von Prognosen, agentischer KI und anderen Analyselösungen. In Zusammenarbeit mit erfahreneren Datenwissenschaftlern, Finanzkollegen und technischen Partnern tragen Sie über den gesamten Analyselebenszyklus hinweg bei, von der Geschäfts- und Datenverständnis über Datenvorbereitung, Modellierung und Bewertung bis hin zu Bereitstellung und Überwachung. Die Rolle bietet die Möglichkeit, starke praktische Fähigkeiten in der Datenwissenschaft aufzubauen und zu entwickeln, während Sie zu messbaren Geschäftsergebnissen beitragen.

Hauptverantwortlichkeiten:

• Datenwissenschaft und Analytik
• Unterstützung bei der Entwicklung, dem Test und der Verbesserung von Methoden der Datenwissenschaft für Finanzanwendungsfälle, mit besonderem Fokus auf Prognosen und prädiktive Analytik.
• Erforschen, Bereinigen und Vorbereiten strukturierter und unstrukturierter Daten, Bewertung der Datenqualität und Dokumentation von Annahmen und Einschränkungen.
• Aufbau und Bewertung von maschinellen Lern- und statistischen Modellen unter Verwendung geeigneter überwachter und unbeaufsichtigter Techniken.
• Beitrag zur Zeitreihenprognose, Modellvalidierung, Versuchsdesign und -analyse sowie zur Interpretation der Modellleistung.
• Übersetzung analytischer Ergebnisse in klare, messbare Empfehlungen und Unterstützung bei der Identifizierung und ersten Bewertung neuer Analysechancen.
• Einhalten reproduzierbarer Entwicklungspraktiken, einschließlich Versionskontrolle, Code-Überprüfung, Tests und Dokumentation.
• Agentische KI und intelligente Finanzprodukte
• Unterstützung beim Design, Prototyping, Testen und kontinuierlichen Verbesserung von agentischen KI-Lösungen für Finanzanwendungsfälle, einschließlich KI-Agenten, die Informationen abrufen, Daten analysieren, Zusammenfassungen erstellen und definierte Workflow-Schritte koordinieren.
• Beitrag zu Lösungen, die große Sprachmodelle mit verwalteten Unternehmensdaten, APIs, analytischen Modellen, retrieval-augmented generation und Workflow-Orchestrierung kombinieren.
• Bewertung der Ausgaben von Agenten auf faktische Genauigkeit, Relevanz, Konsistenz und geschäftlichen Nutzen sowie Unterstützung bei der Identifizierung von Risiken wie Halluzinationen, unangemessener Tool-Nutzung, Eingabeaufforderungsinjektion und unbeabsichtigter Offenlegung von Informationen.
• Datenvisualisierung und Storytelling
• Erstellung klarer Visualisierungen und prägnanter Erzählungen, die Modellresultate, Schlüsseltreiber, Unsicherheiten und geschäftliche Implikationen erklären.
• Präsentation von Analysen und Erkenntnissen an Finanz-, Daten- & AI- und Technik-Kollegen, Anpassung des Detaillierungsgrads an das Publikum.
• Teilen von Erkenntnissen, wiederverwendbarem Code und bewährten Praktiken innerhalb der Datenwissenschaftsgemeinschaft und aktives Lernen aus internen und externen Netzwerken.
• Stakeholder-Zusammenarbeit
• Zusammenarbeit mit Finanzgeschäftsinhabern und Projektteams, um Anforderungen zu verstehen, analytische Fragen zu klären und Feedback zu integrieren.
• Zusammenarbeit mit Technik und anderen Data & AI-Teams zu Datenzugriff, Plattformintegration, Governance, Bereitstellung und operativer Unterstützung.
• Unterstützung der Einführung von Analyselösungen durch Demonstrationen, Benutzerdokumentation und responsive Nachverfolgung.

Wesentliche Beziehungen:

• Finanzprojektteams und Geschäftsinhaber
• Globale und Markt-Technikteams
• Andere Data & AI-Teams

Ausbildung und Erfahrung / Mindestqualifikationen:

• Universitätsabschluss in Datenwissenschaft, Maschinenlernen, Statistik, Ökonometrie, Informatik, Mathematik, Ingenieurwesen oder einem verwandten quantitativen Fachgebiet.
• Praktische Erfahrung in der Datenwissenschaft durch Praktika, Werkstudentenstellen, Universitätsprojekte, eine Abschlussarbeit, Open-Source-Beiträge oder vergleichbare praktische Erfahrungen.
• Erste Erfahrungen mit Zeitreihenprognosen oder prädiktiver Modellierung sind von Vorteil.
• Grundlegendes Verständnis von Finanzkonzepten wie Gewinn- und Verlustrechnung, Free Cash Flow oder Bilanz ist von Vorteil, aber nicht erforderlich.
• Mindestens 3 Jahre Erfahrung in der IT.
• 1 Jahr Erfahrung im relevanten Bereich.

Technische Fähigkeiten:

• Gute Grundlagen in Statistik, Datenvorbereitung, Modellbewertung und gängigen Methoden des maschinellen Lernens.
• Praktische Kenntnisse in Python oder R. Python wird bevorzugt; die Bereitschaft, zusätzliche Tools und Sprachen zu lernen, wird erwartet.
• Erfahrung mit SQL und gängigen Bibliotheken der Datenwissenschaft wie pandas, scikit-learn, statsmodels oder vergleichbaren Tools.
• Erfahrung mit Git und reproduzierbaren Softwareentwicklungspraktiken.
• Grundlegendes Verständnis von generativer KI und Konzepten großer Sprachmodelle, wie z.B. Prompting, Embeddings, retrieval-augmented generation, Tool-Nutzung oder Agenten-Workflows.
• Erste praktische Erfahrungen beim Aufbau oder der Bewertung eines Prototyps für generative KI oder agentische KI durch universitäre Arbeiten, Praktika, persönliche Projekte oder vergleichbare praktische Erfahrungen sind von Vorteil.
• Bewusstsein für verantwortungsvolle KI-Themen wie Halluzinationsrisiko, Datenschutz, Sicherheit, Vorurteile, menschliche Aufsicht und die Notwendigkeit, KI-generierte Ausgaben zu bewerten.
• Vertrautheit mit Cloud- oder Big-Data-Umgebungen wie AWS, Databricks oder Spark ist von Vorteil.
• Bewusstsein für MLOps-Konzepte, Modellbereitstellung, Überwachung, Docker oder Deep-Learning-Frameworks wie PyTorch oder TensorFlow ist vorteilhaft, aber nicht erforderlich.
• Erfahrung mit Optimierung, Simulation oder Was-wäre-wenn-Szenarioanalysen ist vorteilhaft.
• Vertrautheit mit agilen Arbeitsweisen ist von Vorteil.

Soziale Fähigkeiten:

• Gute mündliche und schriftliche Englischkenntnisse.
• Fähigkeit, analytische Arbeiten strukturiert und verständlich sowohl technischen als auch nicht-technischen Kollegen zu erklären.
• Neugierig, kooperativ und bereit zu lernen, mit einem strukturierten und lösungsorientierten Ansatz.
• Aufmerksamkeit für Details und die Bereitschaft, Annahmen, Modelloutputs und KI-generierte Antworten mithilfe von Daten, Beweisen und strukturierten Bewertungen in Frage zu stellen.
• Komfortables Arbeiten in funktionsübergreifenden und internationalen Teams und die Fähigkeit, bei Bedarf um Anleitung zu bitten.