Как хакнуть HR

В рамках открытой недели "Аналитика вне SQL" встретились с HR-экспертом, который нанимал IT-спецов от стажера до топ-менеджмента в X5 и Яндексе. Вместе разбирались, что вообще происходит по ту сторону отклика: почему хорошее резюме может получить отказ, как работает ATS, что смотрит HR и почему одних кандидатов зовут дальше, а других — нет.

Запись встречи уже лежит в канале. Но чтобы не пересматривать ее каждый раз перед собеседованием, мы собрали все самое важное в гайд «Как попасть на собеседование и пройти его». Сохраняйте и делитесь с друзьями!

А здесь отдельно вынесем несколько важных пунктов:
1. Увидели вакансию — лучше откликнуться сразу.
HR достаточно быстро собирает первую подборку подходящих кандидатов и дальше уже работает с ней вместе с нанимающим менеджером. Вакансия при этом может продолжать висеть.
Поэтому иногда кандидат на 10/10 просто пришёл позже и не успел попасть в папку кандидатов.

2. ATS помнит больше, чем одно ваше резюме.
Это не только фильтр по ключевым словам. В системе может сохраняться история ваших откликов, этапов и контактов с компанией.
Поэтому нормально поддерживать адекватную коммуникацию с HR даже после интервью. Если они обещали ответ и пропали — можно написать follow-up. Сегодня вакансии для вас может не оказаться, а через несколько месяцев HR вспомнит хорошего кандидата и вернётся уже с другой.
И да: если вам звонил HR и вы не успели взять трубку — перезвонить нормально. Не нужно ждать, пока вас попробуют поймать ещё три раза.

3. Холодный отклик — не единственный вход.
Если можете выйти напрямую на HR, нанимающего менеджера или получить рекомендацию сотрудника — используйте это.
Когда вас рекомендуют, за вами уже стоит первичный человеческий фильтр: «я знаю этого человека / посмотрел его опыт / с ним стоит поговорить». Это может помочь не потеряться среди сотен откликов.
Поэтому нетворкинг — самый рабочий канал поиска работы, особенно, чтобы быстро пройти верхний этап воронки.

4. Перед интервью можно немного посталкерить нанимающего менеджера.
Спросите у HR, кто будет вас собеседовать, и посмотрите человека в LinkedIn и открытых соцсетях: где работал, чем занимался, какие продукты делал.
Вы идёте не в абстрактный «Яндекс» или «X5», а к конкретному руководителю. Чем лучше понимаете его профессиональный профиль, тем понятнее, какие темы ему будут близки и на чём строить разговор.

5. Soft skills ≠ «просто умею разговаривать».
И точно не строчка «коммуникабельный, стрессоустойчивый» в резюме.
На собеседовании смотрят, можете ли вы:
— понятно объяснить решение
— нормально реагировать на вопросы
— признать, что чего-то не знаете
— уточнить задачу вместо того, чтобы сразу бежать решать
— аргументировать свою позицию
— в целом адекватно работать с другими людьми

Когда два кандидата похожи по хардам, вот это уже может стать решающим фактором при выборе.

6. Нет опыта — ищитев первую очередь не сертификаты, а доказательства, что вы умеете работать.
Pet-проекты, хакатоны, кейс-чемпионаты, исследования, университетские проекты — всё это можно использовать как опыт, если там была реальная задача и вы можете подробно рассказать, что сделали и к какому результату пришли.

То же самое с коммерческим опытом: в резюме важнее не «писал SQL и строил дашборды», а что изменилось благодаря вашей работе.
Например:

увеличил показатель X на 12% за счёт анализа пользовательских сегментов и проверки продуктовых гипотез.

В самом гайде подробнее разобрали ATS, резюме, первый этап отбора, отсутствие опыта, HR-интервью, soft skills, нетворкинг и переход между ролями.

А сегодня в 19:00 посмотрим на тот же путь уже глазами кандидата.

Встречаемся с senior-аналитиком Авито😎 и разберём, как он сам прошёл путь от поиска первой стажировки до senior: что писал в резюме, что реально помогало проходить отборы, что не работало и за счёт чего получилось быстро расти дальше.

Если сейчас ищете стажировку, первую работу или хотите понять, как быстрее расти после входа в профессию, присоединяйтесь.

Продолжаем знакомиться с талантливыми учениками Поступашек

Сегодня в гостях - Катя Деева, амбасодор СВЭГА. Сейчас Катя работает в Ozon Fresh, а до этого успела попробовать себя в аналитике и продакт-менеджменте в крупных компаниях и пройти довольно непростой путь поиска того, чем вообще хочется заниматься.

Смотрим интервью по ссылке: https://youtu.be/5Da-YtxUpSE

Обсудили самые актуальные темы зумеров:
— Как найти парня
— Как делать эти самые "социальные связи" (нетворк)
— Как кейс-чемпионаты помогли Кате построить карьеру
— Работу аналитиком в Sber AI, VK, МТС
— Работу продакт менеджером в Яндекс рекламе, Яндекс Маркете, Яндекс GO
— лицей НИУ ВШЭ и факультет бизнес-информатики

Получился разговор не только про карьеру и образование, но и про то, как пробовать разное, ошибаться, менять решения и постепенно понимать, чем действительно хочется заниматься.

А если хотите вырасти в такого же сильного специалиста как Катя, за которым охотятся топ-компании, приходите на наш курс "Аналитика ПРО"
➡️ Записаться

Стартовал ХАКАТОН по аналитике

Товарищи, подходит к концу открытая неделя основного курса «Аналитика ПРО».
Эту неделю мы назвали «Аналитика вне SQL» и посвятили тому, как аналитик работает с продуктом и бизнесом: решает неструктурированные задачи, принимает решения, проходит собеседования и растёт дальше.

⏩А сейчас финальная практика — хакатон по реальной продуктовой задаче.

Вам не говорят: «посчитай вот эту метрику». Есть проблема бизнеса, а дальше нужно самим понять, что происходит, что проверить и какое решение предложить.
У вас есть чуть больше суток, чтобы собрать команду, решить кейс и отправить решение до 12.09, 20:59.
Призовой фонд — 30 000 ₽.

Проверяется всё сразу: как вы работаете с данными, выбираете метрики, формулируете гипотезы и приходите к выводу. Где-то пригодятся SQL/Python и статистика, где-то — логика, продуктовый взгляд и умение работать с неполной информацией.

Именно такую связку хардов и продуктового мышления потом проверяют и в работе, и на собеседованиях. Например, в Авито на собесах смотрят не только на матчасть, но и на то, как кандидат раскрывает задачу и приходит к решению.

Поэтому хакатон — ещё и бесплатная проверка своего уровня.
🔵Только начинаете? Приходите попробовать реальную задачу и понять, что у вас уже получается, а что ещё стоит подтянуть.
🔵Уже работаете аналитиком? Проверьте себя на более сложной задаче и посмотрите, готовы ли вы брать больше ответственности и двигаться к следующему грейду.

Мы проверим решения команд и дадим общую обратную связь по сильным сторонам и типичным ошибкам. На выходе будет понятнее, где вы сейчас и что стоит прокачать дальше.

⏩ Как участвовать:
собрать команду из 3-5 человек → получить кейс → подготовить решение → отправить его до 12 сентября, 20:59.
13 сентября победители разберут свои решения на финальной встрече, а мы дадим фидбэк по всей неделе и всем кейсам.

Кейс, условия и участие:
https://t.me/+j_RdPEr7JudjNWM0

Можно хорошо считать и всё равно не понимать, зачем нужна твоя работа

В рамках открытой недели по аналитике встретились с senior продуктовым аналитиком из Авито.
Поговорили про карьеру, деньги и то, что вообще делает аналитика сильным. Видео смотрите в канале

⏩ Продуктовое мышление видно уже по первым вопросам
Кирилл привёл пример кейса для собеседования: представьте, что Авито выходит на международный рынок и хочет добавить автоперевод в чатах. Как оценить фичу?
Можно сразу начать придумывать метрики и дизайн A/B-теста. Но сначала стоит спросить: а зачем бизнесу этот перевод? Какую проблему решаем? Что хотим получить?
От ответов зависит и метрика, и сам эксперимент.
Можно технически правильно провести тест, который вообще не ответит на нужный бизнесу вопрос.

⏩Не понимаешь, как твоя задача влияет на бизнес? Иди спрашивай
Кирилл ещё джуном нарисовал себе дерево метрик, чтобы видеть, как результаты его тестов связаны с целями команды.
Сделайте такое же упражнение. Провёл тест, получил результат, а дальше что? Какое решение приняли? К какой цели приблизились? Или поняли, что в эту фичу больше не стоит вкладываться?
Последнее, кстати, тоже полезный результат работы.

⏩Даже «нерелевантный» опыт можно раскрыть через пользу
До первой стажировки Кирилл работал в исследовательском центре Вышки. Казалось бы, где лаборатория и где продуктовая аналитика?
Но его парсинговые пайплайны позволяли лаборатории экономить на покупке данных. Вот уже понятный результат: что сделал и зачем это было нужно.
🔵Работали ассистентом преподавателя? Подготовленные материалы могли сократить время подготовки к лекциям.
🔵Помогали с проверками? Можно рассказать, какой объём работы взяли на себя.

⏩ До мидла — «хавайте» опыт
Дают реальные тесты, незнакомые задачи, возможность поработать с другим продуктом? Беритесь. На реальном трафике обязательно встретится что-то, чего не было в учебном датасете.
А с ростом грейда уже внимательнее выбирайте команду и продукт. Громкое название компании само по себе не гарантирует ни интересных задач, ни роста.

⏩ Не обязательно ждать, пока тебя оценят внутри компании
Кирилл советует пройти стажировку, вырасти до уверенного джуна, набрать опыт и дальше рассматривать переходы.
Его аргумент про деньги:

«Рост внутри компании — это всегда процент на вашу базу».

При переходе вас оценивают под бюджет новой роли. Это может дать больше возможностей для роста дохода, чем очередное повышение внутри.

⏩ Ботайте харды для собесов
Харды нужны: без SQL, Python, статистики и понимания A/B пройти отбор будет сложно.
Но дальше уже на рабочем месте от вас ждут всё больше самостоятельности: разобраться в проблеме, задать вопросы, связать результат с целями команды и предложить решение.

📌Мы помогаем соединять техническую подготовку с продуктовыми кейсами и карьерной стратегией: учимся и проходить собеседования, и решать задачи, которые появятся после оффера.
➡️ Аналитика СТАРТ (если только начинаешь)
➡️ Аналитика ПРО (если уже есть база)

Что происходит с ML после того, как модель обучена

Рекомендуем канал Data New Gold. Владимир Камчаткин закончил бакалавриат ФПМИ и магистратуру ТехПреда МФТИ, восемь лет проработал в продуктовой аналитике (Нетология, Ozon, YClients, inDrive, последние годы тимлид продуктовой аналитики в Т-Банке), а в феврале ушёл из найма и делает «Сократ AI», платформу подготовки к ЕГЭ и ОГЭ по физике, математике, химии и языкам. Сейчас на ней 160 репетиторов, 500 учеников, около 2000 занятий в месяц. Продукт и код Владимир тащит сам и 60-70% времени вайбкодит с агентами.

В канале он пишет про две вещи.

1️⃣Рабочее окружение AI-native разработчика. Claude Code, MCP, скиллы, память проекта, суб-агенты под рутину. Всё на живых задачах стартапа: где агенты экономят неделю, где красиво и уверенно врут и какие проверки приходится ставить, чтобы это ловить.

2️⃣Слой между моделью и деньгами. A/B-тесты, метрики, как из хорошего оффлайн-качества получается или не получается эффект в проде. Плюс много про найм: Владимир сам собеседует аналитиков и рассказывает, что за последний год перестал смотреть, как человек пишет запрос, и смотрит, как тот думает и как перепроверяет ИИ. Его статья на Хабре про А/Б-тесты собрала 27 тысяч просмотров, про найм аналитиков 17 тысяч, разборы собеседований на ютубе суммарно 60 тысяч. Всё собрано в одном посте.

➡️ @data_new_gold

Ещё Владимир ведёт менторскую программу для middle-аналитиков, которые упёрлись в потолок исполнителя и хотят дорасти до senior, целиком вокруг ИИ-инструментов. Трое участников за это время уже нашли новую работу.

Если собираетесь на собеседование — держите полезную подборку

Хотим поделиться каналом «Гильдия аналитиков». Семён собирает вопросы с собесов, разбирает тестовые задания и выкладывает записи собственных интервью. Удобно, когда хочется понять, что повторить и на чём потренироваться.

Вот несколько постов, которые советуем сохранить:
⏩ Вопросы на собеседовании по Excel
Формулы, сводные таблицы, Power Query, Power Pivot и VBA — проверьте, на какие вопросы сможете ответить без подсказок.
⏩ Вопросы на собеседовании по SQL
От JOIN и работы с NULL до оконных функций, CTE, индексов и оптимизации запросов.
⏩ Вопросы на собеседовании по Power BI
DAX, модели данных, связи, обновление отчётов и производительность. Вопросы, которые встречались автору и его ученикам на собеседованиях.
⏩ Что спросят про ваш опыт и работу
Как были устроены задачи, команда и общение с заказчиками — к этой части интервью тоже стоит подготовиться.
⏩ Реальное собеседование автора на позицию с зарплатой 200 тысяч
Можно посмотреть, как проходит разговор о задачах бизнеса, опыте кандидата и ожиданиях от аналитика.
⏩ База из 340+ реальных тестовых заданий
Практика по Excel, SQL и Power BI с заданиями разной сложности и тематики. Для части есть готовые решения и видеоразборы — можно решить самостоятельно, а затем сравнить подходы.

Заглядывайте в «Гильдию аналитиков» ⚒️ — и сохраняйте материалы к следующему собесу.

Хороший маркетинг обязан нравиться всем? Кейс Сидни Суини говорит, что нет

Последние пару дней интернет обсуждает голую Сидни Суини для Novig 👧

В ролике она голая позирует со спортивным инвентарём. Спортсменки возмущаются сексуализацией женского спорта, в соцсетях запускают ответные флешмобы, а реклама тем временем собирает десятки миллионов просмотров.

Но мы тут про продукт говорим, поэтому давайте разберем этот кейс как продукт! 😎

Во-первых, Novig продаёт не спорт.

Это платформа для ставок / prediction markets на спорт. И это довольно важная разница.

Реклама не пытается заставить девочку пойти заниматься теннисом или продать спортивную форму. Она должна привлечь конкретного пользователя в продукт.

А одна из базовых вещей в маркетинге — понимать, кому именно ты продаёшь.

Если значимая часть твоей потенциальной аудитории — молодые мужчины, которые интересуются спортом и ставками, сексуальный образ одной из самых обсуждаемых актрис мира уже выглядит не настолько случайным креативным решением.

Во-вторых, бренд вполне может сознательно выбрать не нравиться всем.

Это вообще частая ловушка: оценивать рекламу по тому, нравится ли она лично тебе.

Но маркетинг работает не так.

У продукта есть сегмент → у сегмента есть свои триггеры → бренд выбирает сообщение, которое должно пробить именно его.

В данном случае цена такого решения — огромный негатив со стороны части аудитории и спортсменок. Но взамен Novig получает то, чего молодому бренду обычно очень не хватает: attention и awareness.

За несколько дней название компании узнали миллионы людей, которые неделю назад вообще не знали, что такое Novig.

А вот теперь идем в метрики!

Просмотры ≠ хороший маркетинг.

Виральность ≠ рост бизнеса.

Чтобы понять, была ли кампания действительно успешной, хотелось бы увидеть:
— uplift в brand awareness;
— регистрации и CAC из кампании;
— conversion в first bet / trade;
— retention новых пользователей;
— LTV привлечённой когорты;
— и отдельно — эффект скандала на бренд в долгосрок.

Потому что собрать 20 млн просмотров голой Сидни Суини относительно понятно.

Сделать так, чтобы эти 20 млн просмотров превратились в хороший бизнес, — уже продуктовая задача.

➡️Как думаете, привлекла ли она правильных людей и сколько это внимание в итоге стоит бизнесу?

Яндекс изменил отбор на аналитиков

Раньше процесс состоял из технической секции, алгособеса и финала, но теперь акценты сместились: на техническом этапе обязательной стала глубокая проверка SQL и БД, а алгоритмическая задача переехала сюда же. Кейсовый и математический этапы тоже усложнились. Вплоть до тем, которые обычно спрашивают на мидл-собеседованиях. Ниже разберём, как выглядел старый формат, что именно поменялось и что это значит для кандидатов.

Как выглядел старый отбор
Ранее отбор состоял из трёх этапов: техническая секция, алгособес и финал (например здесь мы писали про полный цикл отбора). Техническая секция раскладывалась в задачу по питону, две-три задачки по теорверу, а затем первый кейс без АБ тестирования (зачастую на придумывание метрик). На алгосекции же спрашивали одну маленькую задачку на 30 минут. А финал в свободном формате.

Технический этап нового отбора
Из этого всего формат остался прежним только на финалах (они всё так же проходят на усмотрение лидов). На техническом собеседовании теперь спрашивают одну задачку на питон (в целом по сложности задача сопоставима с 30 минутным алгособесеом, который ранее проводился для всех аналитиков), банк задач по алгоритмам можно найти здесь. Далее в обязательном порядке до конца собеседования будет проводиться оценка знаний БД. Даётся схема БД, в начале интервьювер опрашивает понимание этой схемы (что есть ключи, какие отношения у них, есть версионирование и т п). Затем в качестве первой задачки даётся готовый запрос, логику которого нужно будет описать (запрос может быть написан с ошибкой и её здесь важно обозначить если удастся найти, а также ответить на вопросы которые чаще всего даются на понимание спецификации джоинов). Потом дается две микрозадачки в формате: измените логику этого запроса. После этого будет ещё 3-4 задачи на sql по этой же схеме, но уже код писать нужно будет с нуля. Для каждой задачи требуется подробно описать идею (интервьювер будет душить с логикой запроса, задавать доп вопросы по тому как sql исполняется, как оптимальнее написать и т п). Затем после принятия идеи нужно будет реализовать.

Математический и кейс этап отбора
В начале вам дают кейс на АБ тестирование/классик мл, тут как и в любом классическом кейс собесе (который кстати перестал по содержанию как-либо отличаться от мидл кейс собесов) дается абстрактная задача и ее нужно успеть максимально раскрытить за 30 минут. У наших учеников попадались даже тесты на сравнение ранжирующих алгоритмов и интерливинг подход (совсем уж странно такое у стажеров спрашивать), похожие кейсы мы разбираем каждую неделю на нашем курсе аналитики ПРО. К этому этапу советуем основательно готовиться, можете прочесть наши методички по решению кейсов. Далее, на этом этапе значительно увеличилось количество математических задач, но так как банк пока очень маленький, мы достали практически все задачи, которые сейчас там спрашиваются (прикрепили к посту). Вас попросят решить 6-7 задач на дискретный/геометрический теорвер, а далее доп задачку на понимание метрик ROC-AUC.

Суммируя: Яндекс заметно поднял планку входа на стажировку аналитика. Теперь кандидату мало знать Python и базовый теорвер. Нужны уверенный SQL, понимание того, как исполняются запросы, алгоритмы и навык решать кейсы уровня мидл. Тренд, что компания ищет не стажёра на три месяца, а будущего мидла, который останется в команде. Такой сейчас тренд не только в Яндексе, но и в других компаниях — так называемая оптимизация бюджета.

Для качественной подготовки к такого уровня отбора советую наши курсы ПРО, которые выведят вас на нужный уровень. Кстати на курсах уже выложен разбор обновленного контеста на стажировку в Яндекс, Intern Week Offer Яндекса.
➡️ Записаться.

Подписаться: @ProdAnalysis

‼️АНАЛИТИКИ, ОБЩИЙ СБОР ⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀

1. Как упаковывать свой опыт, чтобы эйчары не пропустили вас?

2. Как проходить собеседования на 10/10?

3. Как без проблем решать продуктовые и бизнес-кейсы?

Рассказывает Аня ➡️ @jazzlitics

Она бывший хэд аналитики нетмонет с опытом в работы в бигтехах и международке. В канале разбирают практические советы и внутрянку.

Вот, что точно можно почитать:

1. Дизайн и анализ А/Б-теста за 40 минут

2. Вся база по статистике за 40 минут

3. Вебинар “Как быть востребованным в РФ и за рубежом"

4. Лайфхаки по поиску валютной удаленки и повышению зп

5. Разборы кейсов с интервью в WB, Авито, Додо и Aviasales

6. Полный гайд по оконным функциям

7. И разборы задач с технички - vol. 8 | vol. 9 | vol. 10 | vol. 11 | vol. 12

Подписывайтесь и читайте ❤️

➡️ @jazzlitics

Рынок команд ML

Продолжаем разбирать в какую команду (отдел) сейчас залететь выгоднее. Продолжение поста.

Т-Банк
Второй после Яндекса игрок по уровню DL-я, а по некоторым направлениям уже и спорно, кто первый. Основное ML-ядро это AI-Центр, команда из 600+ человек, которая делает ассистентов и LLM-поиск по всей экосистеме банка. Внутри есть рекомендации, NLP, CV, речь, временные ряды, MLOps/LLMOps и отдельно исследования.

Скоринг / антифрод / CRM по сути это классический табличный ML, но с банковской спецификой: интерпретируемость, регуляторика, долгий цикл выкатки. Из всех табличных направлений скоринг и антифрод — вторая по востребованности история после рекламы, этим занимается каждый банк и финтех. Но надо понимать, что по факту тут будет много бустингов над фичами и мало современного DL.

LLM (Gen-T) - уникальная команда, которая делает T-Lite и T-Pro. T-Pro 2.0 является первой российской открытой моделью с гибридным режимом рассуждений и своим токенизатором под кириллицу. Это полноценный pretrain/SFT/RL-пайплайн на своих кластерах, такой опыт в России можно получить в двух-трех местах. Минус существенный - конкурс сюда сильно выше, чем в среднем по банку.

Речь - свой голосовой ассистент, открытая ASR-модель T-one, команда сильная, но узкая. По смыслу похоже на речевые команды Алисы, масштаб поменьше.
T-Bank AI Research — лаборатория, которая пишет статьи. Регулярно публикуются на топовых конференциях, особенно сильны в RL, оптимизации и робототехнике. В отличие от AIRI, это внутри банка, поэтому с зп и ресурсами заметно лучше, но и ждут, что статьи потом во что-то внедрятся. Если хочется одновременно и статьи, и нормальные деньги — один из лучших вариантов в стране.

В целом культура очень похожа на яндексовскую: много ребят из ФПМИ/ШАД, собесы жесткие (алгоритмы + ML + систем-дизайн), но темп чуть спокойнее, чем в Поиске. Если выбирать табличную команду — реклама Яндекса или скоринг Т-Банка, если DL — Gen-T, речь или Research.

VK
Самая широкая компания по количеству продуктов: ВКонтакте, VK Видео, Клипы, Музыка, Почта, Дзен, RuStore, VK Реклама. Команд много, разброс по уровню тоже большой, поэтому "пойти в VK" — это ни о чем, надо смотреть конкретную команду.

Главная сила VK — рекомендации. Лента, Клипы, Видео, Музыка — это давно не бустинги, а DL-ный recsys на трансформерах и двухбашенных моделях с огромным объемом данных. Если цель именно RecSys, то в России сильнее VK и Яндекса ничего нет, а в VK порог входа ниже. Плюс recsys продается на любом рынке — от e-com до стриминга.

VK Реклама (бывший myTarget) — табличный ML плюс немного DL, по смыслу то же самое, что реклама Яндекса, но масштаб меньше.

LLM — тут к сожалению совсем небольшой прогресс от VK. VK какое-то время делал свои foundation-модели, но, судя по недавним постам людей, которые это направление возглавляли, приоритеты внутри компании поменялись и разработку foundation-моделей сворачивают. Так что за опытом обучения больших моделей сюда сейчас я бы не шел, а вот прикладные вещи (модерация, поиск по видео, антиспам, генерация описаний) остаются.
Из минусов: много легаси, своя инфра, которая местами сильно уступает яндексовской, а уровень и темп очень зависят от команды — в ленте и видео сильные ребята, в маленьких продуктах можно надолго застрять в поддержке. По деньгам, по ощущениям, в среднем ниже Яндекса и Т-Банка.

Кто еще заслуживает внимания

Авито — сильно недооцененное место. Очень сильная DS-культура (A/B-тесты, статистика и ML-system-design на собесах), рекомендации, поиск, модерация, CV по фото объявлений. И собственный LLM-юнит: A-Vibe и A-Vision, дообученные на базе Qwen со своим токенизатором и поддержкой вызова инструментов для агентов, выложены в опенсорс под Apache 2.0. Компания заявила порядка 12 млрд рублей инвестиций в GenAI. По уровню — где-то между Яндексом и VK, по деньгам конкурентно, конкурс средний. Тут есть и табличка, и DL, и продуктовый recsys — хороший баланс.

Ozon / Wildberries — e-com, соответственно поиск, ранжирование, рекомендации, прогноз спроса, логистика. Много табличного ML и классического ranking, DL в основном в поиске и CV по карточкам товаров. Ozon посильнее по инженерной культуре, WB растет быстрее, там больше хаоса, но и больше шансов взять кусок с нуля. Не самый интересный DL, но e-com ranking сейчас нужен вообще везде.

МТС / MTS AI — формально отдельная компания, примерно как AIRI при Сбере. Делают свои LLM (Cotype), речь, много B2B-внедрений. Уровень команд неровный, ресурсов меньше, чем у первой тройки. Как первый опыт — ок, как цель — вряд ли.
Альфа-Банк — табличный ML (скоринг, CRM), но есть небольшая исследовательская группа, которая пишет статьи по event sequences и банковскому recsys. Если хочется в финтех, а в Т-Банк не взяли — нормальный запасной вариант.

Во все эти команды готовят наши курсы МЛ СТАРТ, МЛ ПРО, AI Агенты ПРО, Data Science. Там мы не только готовим к собесам, но и учимся выкатывать модели в прод, проектировать архитектуру и выстраивать карьерную траекторию. Мы настолько уверены в программе и результатах наших студентов, что даем гарантию оффера. Если вы готовы работать по нашей системе — мы доведем вас до цели.
➡ Записаться

Подписаться: @zadachi_ds

Слив технической части со стажировки в Х5 на аналитика

Все вопросы для DA, DS, DE беруется из одного пула. Кстати прямо сейчас идет набор на стажировку в Х5 на аналитика. Задания уже выложены здесь. Разбор заданий уже выложен на нашем курсе "Аналитика ПРО". Дедлайн 6 октября. Успей записаться с гарантией оффера.
➡ Записаться

Ниже сами вопросы с технической части от нашего студента, на ваш суд.

Задача 1.
есть rnd2() -> P(0)=0.5, P(1)=0.5
Напиши rnd3() -> P(0)=0.33, P(1)=0.33, P(2)=0.33

def rnd3():
# while True:
# val = 2*rnd2() + rnd2()
# if val < 3:
# return val
val = 2 * rnd2() + rnd2()
if val < 3:
return val
else:
return rnd3()

Задача 2.
Есть список (list) из float чисел пришедших из какого-то пораждаюшего процесса.
Оценить математическое ожидание по определению

Задача 3.
orders
+----------------+
| order_id |
| date_time |
| amount |
| customer_id |
+----------------+

customer
+----------------+
| customer_id |
| fio |
| age |
+----------------+

Для каждого посетителя найти максимальный интервал между последовательными заказами в днях.

WITH orders_with_lag AS(
SELECT
customer_id
date_time,
LAG(date_time) OVER(PARTITION BY customer_id ORDER BY date_time) AS prev_date_time
FROM orders
)
SELECT
customer_id,
fio,
MAX(DATEDIFF(date_time, prev_date_time)) AS max_inter
FROM customer c
LEFT JOIN orders_with_lag o ON c.customer_id = o.customer_id
WHERE prev_date_time IS NOT NULL
GROUP BY c.customer_id, c.fio;


y = x0 + w*x1 + w*x2 + ...
real_y = 0 0 0
pred_y = 0 -1 1
1/n сумма (y_i - a_i)^2 -> min


y = w0 + w1x1
y = w0 + w1x1 + w2x2
x1 = x2

y = w0 + x1(w1+w2)

Подписаться: @ProdAnalysis

Удачный эксперимент — повод порадоваться. Пять аналитических кейсов — повод собраться и обменяться находками 📊

14 октября встречаемся на аналитическом онлайн-митапе с экспертами hh.ru и X5. Послушаем кейсы коллег и присмотрим идеи для своих задачек.

В программе:

🔴 Кирилл Фейн, hh.ru — как поручить выбор посылов для баннера «многорукому бандиту» и проверить, справляется ли он лучше A/B-экспериментов.
🟩 Анастасия Тяпкина, X5 — зачем корзине собственный ID и что он помогает узнать о покупках, которые так и не случились.
🔴 Дмитрий Утенков, hh.ru — как тестировать системы приоритизации лидов и не принять пару крупных платежей за доказательство успеха модели.
🟩 Александр Кореньков, X5 — как с помощью Marketing Mix Modeling отделить эффект охватной рекламы от других факторов.
🟩 Анастасия Маврина, X5 — как выяснить, почему просели метрики поиска: проблема в понимании запроса, ассортименте или ранжировании.

📅 14 октября 2026, начало 18:30 МСК
💻 Онлайн, трансляция в VK и YouTube

🎟 Зарегистрироваться бесплатно — ссылки на трансляцию пришлём незадолго до начала.

12 октября стартует подготовка к ШАДу

90% наших учеников, поступивших в ШАД, советуют начинать подготовку как можно раньше. Весенний отбор кажется далёким, но за это время нужно не только пройти темы, а ещё научиться уверенно решать задачи и уметь проходить экзамены и собесы в формате ШАД.

В этот понедельник стартуют наши курсы по поступлению в ШАД. И ты успеваешь присоединиться к старту потока.

Готовим по 6 направлениям:
⏩Алгоритмы
⏩Анализ данных
⏩Линейная алгебра
⏩Теория вероятностей
⏩Дискретная математика
⏩Математический анализ

За 3 месяца пройдём путь от базовых понятий до сложных задач. В основе курсов — практика:
🔵ДЗ и еженедельные пробники с проверкой
🔵Обратная связь по твоему решению: где ошибка и что доработать
🔵Задачи прошлых отборов и закрытая база для самостоятельной практики
🔵Пробный экзамен и мок-собеседования

Каждый год мы подробно разбираем все этапы экзамена: смотрим, какие темы появляются чаще, какие задачи повторяются, какие паттерны встречаются в отборах. На основе этого анализа строится программа курсов —
вы готовитесь к тому, что реально будет на экзамене.

🔊Скидки к запуску действуют до 11 октября
Собери комбо из предметов для системной подготовки по спеццене. Расписание курсов не пересекается, удобно совмещать с учебой и работой, а если что-то не получается, то куратор поможет.

Остались вопросы, или ты не уверен, что курс подойдет тебе? Пиши в личку менеджеру — поможем и объясним ▶️

⭐️ЗАПИСАТЬСЯ НА КУРС⭐️

Понимание продуктового и проектного управления

Начнём с базы: продуктовое управление ≠ проектное управление.

Проектное управление — это когда уже понятно, что нужно сделать, и твоя задача — организовать работу так, чтобы это случилось в нужный срок, с нужным качеством и чтобы ничего не сломалось по дороге (по возможности)

Пример ⬇️

Компания решила запустить оплату по СБП в приложении до 1 декабря.

Это проект. И тут нужно:
— собрать требования;
— понять, какие команды участвуют;
— поставить задачи разработке и дизайну;
— договориться с банком/провайдером;
— учесть зависимости;
— протестировать;
— запустить к сроку.

Главный вопрос ⏬

«Как нам это реализовать?»

🫥🫥🫥

Продуктовое управление начинается чуток раньше проектного.

Если проджекту уже сказали, что надо делать оплату по СБП, то продакт заранее подумал:

«А зачем нам вообще СБП?»

Например, мы видим, что пользователи часто бросают заказ на этапе оплаты.

Дальше продакт начинает разбираться:
— у кого именно проблема
— почему люди уходят
— может, у них не проходит карта
— может, они не хотят вводить данные карты
— может, проблема вообще не в оплате, а в стоимости доставки

И только после этого появляется гипотеза:

«Если добавить оплату через СБП, конверсия в заказ вырастет».

Потом её нужно проверить и чекнуть результат.

Главный вопрос продакта ⏬

«Какую проблему пользователя и бизнеса мы решаем и стоит ли вообще это делать?»

⸻

Ещё пример ⬇️

Представим сервис доставки еды.

Проект:
«До Нового года запустить раздел с праздничными блюдами».

Есть понятный результат и дедлайн. Нужно собрать команду, подготовить ассортимент, дизайн, разработку и успеть зарелизиться.

Продукт:
«Как помочь людям решить проблему с новогодним столом и при этом увеличить количество заказов?»

Ну и продакт генерит ряд решений:

— готовый набор на семью из 4 человек
— конструктор праздничного стола
— рецепты + ингредиенты одной кнопкой
— готовая еда
— доставка ко времени

И задача продакта — понять, какое реально нужно пользователю и даст результат бизнесу.

🫥🫥🫥

В реальной жизни менеджер продукта занимается и тем, и другим.

Он может утром разбираться, какую проблему вообще стоит решать, а вечером писать в чат:

«Коллеги, а почему релиз опять переехал на следующую неделю?»

Поэтому от продакта ждут понимания обеих частей:
⭐️продуктовое управление — найти правильную проблему и решение
⭐️проектное управление — организовать реализацию этого решения.