Тимлид аналитики в кластере «Маркетплейс»

Кирилл Степанов, тимлид команды аналитиков в Профи

«Продукты в кластере маркетплейса основаны на цифрах и фактах, поэтому роль аналитики очень важна».

Привет! Я Кирилл, тимлид команды аналитиков в Профи. Наш сервис помогает клиентам и специалистам встретиться.

В кластере «Маркетплейс» работают над решениями в наукоёмких областях: бизнес-модели, ценообразование, матчинг клиентов и специалистов, баланс спроса и предложения, поиск и ранжирование заказов для специалистов. Прогресс кластера вращается вокруг исследований и экспериментов — в каждом направлении их нужно проводить всё больше.

Пока в команде четыре аналитика, планируем нанять ещё трёх. Ребятам нужен лидер, который будет 50% времени уделять исследованиям и экспериментам, остальные 50% — заботиться о команде, менторить, проводить ревью.

Половина нашей команды в Москве — будет здорово, если сможешь приходить в офис хотя бы раз в неделю. Но можно и полностью удалённо.

Почему открыли вакансию

Сейчас эту роль выполняю я, но ещё я отвечаю за аналитику в других кластерах. Моего внимания уже на всё не хватает, поэтому ищу тимлида, который сфокусируется на маркетплейсе. Я буду твоим пипл-менеджером: помогу вникнуть в процессы и разобраться в задачах. Когда освоишься, будем вместе развивать аналитику кластера и аналитическую культуру компании.

Зачем тебе к нам

Отвечать за аналитику одного из ключевых направлений Профи. Продукты в кластере маркетплейса основаны на цифрах и фактах, поэтому роль аналитики очень важна.
Решать задачи, которые никто в мире пока не решил хорошо. Идеального маркетплейса услуг пока не создали, поэтому есть шанс стать первопроходцем в решении многих аналитических задач.
Заниматься тем, что интересно и важно. Аналитики в Профи — это полноценные участники продуктовых команд, которые помогают принимать решения. За счёт того, что основные бытовые аналитические проблемы решены (отчётность и дашборды автоматизированы и ad-hoc запросов почти нет), аналитики занимаются действительно интересными и ценными задачами.

Технологии

Стандартный аналитический набор: SQL + Python + BI. Данные лежат в Vertica, ClickHouse и немного в MySQL. Сложные расчёты делаем в Python и сохраняем в репозитории на github. Дашборды делаем в Tableau и Metabase. У нас своя система сплитования, своя платформа для проведения A/B-тестов. Проводим А/А-тесты и тесты мощности методом Монте-Карло, используем линеаризацию, CUPED, switchback-тесты.

Чем предстоит заниматься

50% времени помогать с исследованиями и экспериментами, остальные 50% — уделять процессам и команде.

В первые три месяца:

Вникнуть в аналитические задачи и процессы кластера:
Разобраться, как устроены ключевые метрики компании — выручка и назначаемость (договорённость клиента и специалиста о встрече). Устраивает ли нас точность расчётов этих метрик?
Понять, как команды кластера влияют на ключевые метрики. Правда ли, что усилия команд синергичны? Как убедиться в этом?
В кластере запускают много экспериментов, их количество только растёт. Кажется, что текущий процесс запуска не оптимальный. Хочется упростить и наладить процессы, сохранив глубину и надёжность результатов.

Когда освоишься, предстоит отвечать за аналитику кластера:

Ревьюить работу аналитиков, расширять и развивать команду.
Включиться в процессы найма.
Контролировать качество данных.
Самостоятельно вести одно из направлений кластера.
Находить новые возможности и способы, как аналитика может приносить больше ценности.
Если захочешь, сможешь участвовать в кросс-командных проектах.

Что нужно, чтобы к нам присоединиться

Опыт в продуктовой аналитике от четырёх лет.
Прикладной опыт в A/B-тестировании.
Уверенное владение SQL, Python.
Опыт управления аналитиками: найм, обучение и развитие, постановка целей и планирование ресурсов.
Знание статистики: фреймворк проверки гипотез, классические статистические критерии и условия их применимости, P-value, доверительный интервал, ошибки I и II рода, уровень значимости, мощность, нормальные и асимметричные распределения и т.п.
Продуктовое мышление. На метриках ты видишь не только цифры, но и поведение пользователей, изменения в продукте. Не путаешь корреляцию с причинно-следственной связью, учитываешь введённые упрощения и предположения.