Product Lead (Analytics ML)

75 000 – 90 000 $

на 2013% выше медианы рынка

≈ 6,1 млн–7,3 млн ₽

УдалённоLeadПолная занятость

75 000 – 90 000 $≈ 6,1 млн–7,3 млн ₽

Стоит ли откликаться

Стоит откликнуться

Вилка обгоняет рынок на 2013%. Вакансия свежая: первые отклики читают внимательнее.

Всё в норме

Работодатель умолчал о 3 вещах: что спросить на первом созвоне

Наша компания

Мы делим продукт на стримы и сейчас собираем аналитику и ML под одного владельца. Вся мобильная реклама держится на одном разрыве: выручка от привлечённого пользователя приходит в течение года, подписками и продлениями, а решение, продолжать ли тратить на канал, нужно принять за несколько дней. Этот разрыв закрывает предсказание LTV — и от точности прогноза напрямую зависит, сколько приложение может позволить себе потратить на рост.

О роли

Данных для этого у нас больше, чем почти у кого-либо на рынке: мы видим тысячи приложений одновременно, а не одно. Значит, мы можем предсказывать точнее всех. Сейчас не предсказываем, и это задача роли. Направление собирается с нуля: аналитика, предикт и A/B-тесты впервые сходятся под одним владельцем. Ты получаешь чистый лист в решениях поверх продукта, который уже приносит деньги двадцати тысяча

Чем предстоит заниматься

Определить, что мы считаем качеством модели — метрика, горизонт, baseline, калибровка — и довести предикт до этого уровня

Забрать A/B-тесты пейволлов и свести их с предиктом: тест меряет краткосрочный эффект, а раскатывать надо по долгосрочной выручке

Разогнать аналитику: найти, где затык — в данных, запросах или интерфейсе

Решить судьбу накопленных ML-наработок: что доводим до продукта, что закрываем

Вести команду из двух ML-инженеров

Наши требования

Классический ML и матстат на уровне предметного спора о метрике и горизонте, а не пересказа чужих выводов

SQL и Python — сами достаёте и перепроверяете числа

Умение взять широкое направление и довести до результата без постановки задач

Продуктовый опыт — плюс, но не требование

📌Плюсом: подписки, мобайл или финтех (LTV, churn, когортная экономика); экспериментальный дизайн: мощность, MDE, множественные сравнения; ClickHouse; олимпиады, Kaggle, публичные проекты