Владелец продукта/Менеджер продукта

Зоны ответственности:

• Рост клиентской воронки: анализировать путь от заявки до выдачи финансирования и повторного обращения, определять причины потерь клиентов и задержек на отдельных этапах;
• Качество данных: самостоятельно получать и проверять данные, писать SQL-запросы, проводить анализ в Python, собирать метрики и дашборды для принятия решений и контроля изменений;
• Проверка гипотез и экономика решений: оценивать влияние на конверсию, доходность, затраты и скорость работы; выбирать приоритеты с учётом ожидаемого эффекта и сложности реализации;
• Проработка именений в процессах и инструментах: разбираться в работе пользователей, описывать требования, учитывать интеграции, ограничения и исключительные сценарии;
• Подбор решений и подрядчиков: изучать рынок, проводить встречи, сравнивать функциональность, стоимость и условия, обосновывать выбор;
• Запуск изменений: согласовывать действия с бизнесом и технической командой, контролировать договорённости и сроки, проверять результат и помогать коллегам освоить новый процесс;
• Измерение эффекта после внедрения: сравнивать показатели с исходным уровнем, учитывать другие факторы и проверять, достигнут ли ожидаемый результат.

Примеры задач

• Повысить конверсию из заявки в выдачу: определить этап и причину потерь, предложить изменение, организовать его внедрение и проверить влияние на конверсию и экономику.
• Улучшить работу продаж с клиентами: выяснить, где теряются обращения или затягивается ответ, подобрать инструмент либо изменить процесс, продумать взаимодействие систем и оценить результат.
• Проработать запуск партнёрского продукта, например кредитных карт: изучить возможных партнёров, сравнить предложения и экономику, согласовать требования с профильными специалистами и сопроводить техническую реализацию.

Требования

• Сильная количественная подготовка: РЭШ либо математическая или техническая программа МФТИ, МГУ, ВШЭ или сопоставимого уровня. Уверенная база в теории вероятностей, математической статистике и эконометрике, опыт применения этих знаний к реальным данным;
• Практический опыт в продуктовой или бизнес-аналитике либо прикладном Data Science. Важны сложность решённых задач, самостоятельность и конкретные результаты; рассматриваем кандидатов с небольшим, но содержательным опытом;
• Уверенный SQL: объединение таблиц, агрегации, оконные функции; умение самостоятельно получить корректную выборку и проверить качество данных;
• Python для анализа данных: обработка и исследование данных, статистические расчёты и визуализация, например с pandas и NumPy;
• Практический опыт с Power BI, Tableau, DataLens или аналогичным BI-инструментом: от подготовки данных и определения метрик до понятного дашборда;
• Прикладная статистика: описательные показатели, сравнение групп, проверка гипотез, доверительные интервалы, регрессионный анализ и основы A/B-тестирования. Умение выбирать метод под задачу и объяснять ограничения выводов;
• Понимание бизнес-метрик: конверсии, клиентской воронки, юнит-экономики и окупаемости изменений. Способность объяснить, как найденная закономерность влияет на деньги и работу бизнеса;
• Самостоятельность и системное мышление: умение превратить открытый бизнес-вопрос в план действий, быстро разобраться в новой теме, учесть детали и довести задачу до результата;
• Коммуникация и организация работы: умение обсуждать решения с бизнесом и разработчиками, вести переговоры с подрядчиками и добиваться выполнения договорённостей.

Будет преимуществом

• Опыт в технологической продуктовой компании, финтехе, банке или e-commerce с сильной аналитической культурой.
• Примеры изменений, которые вы провели от анализа до внедрения и подтвердили результат цифрами; опыт выбора подрядчиков, интеграций или автоматизации процессов.