Чем нужно будет заниматься:
- Разработка и развитие алгоритмической системы подбора исполнителя на смену (matchmaking engine), повышающей конверсию «показ → бронь».
- Построение персонализированной ленты смен на основе истории выходов и рейтинга.
- Внедрение мультиобъективной оптимизации (доход платформы, удовлетворённость исполнителя, лояльность клиента).
- Управление командой из 5–6 человек (PM, DS, ML, Growth, Content).
- Постановка A/B-тестов и экспериментов (bandit tests, interleaving) для персонализации ленты смен.
- Интеграция с LLM-эмбеддингами для семантического поиска и умного описания смен.
- Мониторинг метрик ранжирования (Precision@K, NDCG, CTR, Match Conversion Rate).
- Повысить Take Rate и SLA до 95%
У тебя точно всё получится, если есть:
- 3+ года на позиции Product Manager в двухсторонних маркетплейсах (Рекомендательная система / ranking / рекомендательные системы). Предпочтительный опыт: gig-платформы, HR Tech, классифайды (OLX, Aвито), маркетплейсы товаров или услуг (Озон, ВБ).
- Опыт запуска и оптимизации алгоритмических систем подбора (matchmaking / recommendation engine) с нуля или на этапе активного роста.
- Опыт управления A/B-тестами рекомендательных алгоритмов (bandit tests, interleaving).
- Опыт работы с дата-сайентистами и ML-инженерами: постановка задач, валидация гипотез, приоритизация экспериментов.
- Понимание метрик рекомендательных систем (Precision@K, Recall@K, NDCG, Coverage, Serendipity).
- Знание типов алгоритмов мэтчинга: коллаборативная фильтрация, контент-фильтрация, гибридные подходы, learning-to-rank (LTR).
- Уверенное использование SQL для глубинного анализа данных (сегментация, когортный анализ, воронки).
- Опыт описания требований к ML-моделям в формате PRD / BRD / ALMA (Agile Local Model Alignment).
- Понимание работы векторных баз данных (Pinecone, FAISS, Milvus) и LLM-эмбеддингов для семантического поиска.
- Базовые знания Python для анализа прототипов.
- Системное мышление: способность декомпозировать сложную предметную область (исполнитель, смена, ТТ, рейтинг, гео) на управляемые компоненты.
- Data-driven подход, включающий умение формулировать продуктовые гипотезы и защита перед СЕО.
- Навык балансировки trade-off’ов между точностью рекомендаций и разнообразием выбора (exploration vs exploitation) и латентностью.
- Клиентоориентированность: понимание как потребностей заказчика (B2B), так и исполнителя (B2C) для поиска оптимального матча.
Будет плюсом
- Опыт внедрения multi-objective optimisation (оптимизация сразу по нескольким бизнес-метрикам).
- Опыт работы с real-time системами и алгоритмами ранжирования в условиях высокой нагрузки (RPS > 100).
- Понимание user behavior modeling и методов персонализации без явных предпочтений пользователя (implicit feedback).