‼️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.