Senior Аналитик эффективности ML в Т-Банк, Шопинг
Оценка ИИТ-Банк — один из топовых работодателей в РФ с сильной инженерной культурой. Вакансия предлагает высокий уровень ответственности, работу с современным стеком и влияние на продукт с огромной аудиторией, что отлично подходит для карьерного роста Senior-специалиста.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием совмещать глубокую техническую экспертизу в ML-аналитике с сильными навыками продуктового менеджмента и ответственности за бизнес-результат. Требуется опыт работы с высоконагруженными системами (СуперАпп, маркетплейсы) и умение управлять приоритетами в ML-команде.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для Senior-аналитиков в финтехе такого уровня обычно начинается от 300 000 рублей и может достигать 450 000+ рублей в зависимости от бонусов. Данная позиция соответствует верхнему эшелону рынка благодаря специфике ML.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*🚀 Senior Аналитик эффективности ML в Т-Банк, Шопинг*
Т-Банк ищет сильного аналитика, который отвечает за пользу ML в продукте. Аналитик здесь главный заказчик ML-команды: ставит, какую задачу модель решает для трафика и CJM, и отвечает за то, что раскатанная модель улучшает путь клиента и экономику продукта.
Задачи:
- Формулировать заказ для ML на языке продукта: какой показ, экран или шаг CJM модель должна улучшить и какая метрика это докажет;
- Развивать систему A/B-тестирования доработок моделей в разных модулях СуперАппа;
- Развивать мониторинг моделей на проде: качество выдачи, доля трафика под моделью, сдвиг микса показов, деградация по сегментам и расхождение офлайна с продом;
- Разбирать просадку до причины: данные, фичи, смена трафика, конфликт двух моделей на одном экране, сезонность;
- Вести очередь задач в ML: что даёт деньги и путь клиента, что остаётся исследованием, что пора выключать;
- Фиксировать эффект каждой раскатки в общей картине распределения показов, чтобы модель не улучшала один плейсмент за счёт соседнего сценария без явного решения.
Требования:
- Опыт продуктовой аналитики от 4 лет, опыт с аналитикой ML от 2 лет: ранжирование, рекомендации, таргетинг или распределение трафика;
- Умение быть заказчиком: понятная постановка, метрика успеха и решение «катим / не катим» без передачи этой ответственности в команду модели;
- Практика A/B-тестов на проде: дизайн, мощность, пересечения, новизна, долговременный эффект;
- SQL и Python, достаточные чтобы самому проверить витрину модели и дашборд мониторинга;
- Понимание, где офлайн-метрика модели заканчивается и начинается продуктовая: CTR, конверсия шага CJM, доходность показа.
Будет плюсом:
- Опыт в суперапе или маркетплейсе, где несколько моделей делят одни и те же показы;
- Построение контура мониторинга: алерты на деградацию, срезы по экранам и сегментам, регулярный разбор с ML;
- Умение сравнивать модель с простым правилом и оставлять правило, если оно даёт тот же эффект на CJM.
Как выглядит сильный результат через полгода:
- У ML есть короткий список задач от продукта, и каждая раскатка проходит через один и тот же контур теста. По боевым моделям видно, живы ли они и какой эффект держат на пути клиента и на деньгах показов.
*📎* Как откликнуться?
- Нанимающий менеджер: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- SQL
- Python
- A/B Testing
- Machine Learning
- Product Analytics
- CJM
- Ranking
- Recommendation Systems
- Targeting
Возможные вопросы на собеседовании
Проверка умения оценивать бизнес-эффект от внедрения ML.
Как вы будете определять, что улучшение офлайн-метрики модели (например, NDCG) действительно привело к росту продуктовых метрик в вашем сегменте?
Оценка навыков работы с конфликтами моделей в рамках одного интерфейса.
Представьте, что две разные ML-модели претендуют на один и тот же экран в СуперАппе. Как вы спроектируете эксперимент, чтобы минимизировать каннибализацию трафика?
Проверка аналитического мышления при поиске причин деградации.
Если вы видите просадку конверсии на этапе, где работает модель, какие шаги вы предпримете для диагностики (данные, фичи, внешние факторы)?
Оценка способности принимать жесткие продуктовые решения.
В каких ситуациях вы примете решение не катить модель на прод, даже если она показывает статистически значимый прирост в A/B-тесте?
Проверка опыта в построении систем мониторинга.
Какие ключевые алерты вы бы настроили для мониторинга качества рекомендательной системы в реальном времени?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
