Часть отвалилась ещё на опроснике, где не были вырезаны шаблоны GPT вплоть до "хотите, я адаптирую резюме". Ещё часть на интервью: было видно, что человек читает с экрана и не понимает, что говорит. Короче, проблема не в использовании инструмента, а в отсутствии собственного мышления.
> В чём проблема нанять GPT?
Не понимаю вопрос. Если бы нам нужен был GPT, мы бы его и использовали. Мы нанимаем аналитика, а не интерфейс к LLM.
> Какие подводные, если она проходит ваши тесты и работает с цифрами?
Подводных много, но это уже вопрос "заменит ли GPT аналитика". Мне в этой задаче комфортнее работать с аналитиком.
Мы действительно не искали полное совпадение стека, так как в аналитических системах базовые принципы одинаковы, и переход между продуктами типа c amplitude на mixpanel — вопрос адаптации, а не переучивания.
Согласен полностью, стресс на интервью — фактор серьезный. Но цель у нас была не в том, чтобы получить "единственно верный ответ", а в том, чтобы увидеть логику рассуждений: на какие метрики человек смотрит в первую очередь, какие вопросы задает к данным, как строит гипотезы.
Всё проще, чем кажется. Технически это настраивается внутри HH.
Когда кандидат нажимает кнопку "Откликнуться", перед ним всплывает окно с коротким списком вопросов. Мы использовали это как первый фильтр:
1. Стек: "Работали ли вы с Amplitude/Superset?" (Да/Нет/Другие инструменты).
2. Условия: Город проживания, формат работы (удаленка/офис) и пр.
3. Опыт: Краткое описание релевантного кейса.
Задача опросника — барьер против массовых откликов. Те, кто просто рассылает резюме на всё подряд, ленятся заполнять даже 5 полей и отваливаются. В итоге до меня дошли только 85 человек, которые действительно прочитали вакансию и готовы были потратить 2 минуты на ответы. Без этого опросника я бы разгребал 1000+ резюме вручную
По поводу стека — он, конечно же, был указан в вакансии (мы работаем в Amplitude и Superset). Согласен, что искать стек "один в один" — путь в никуда, поэтому мы смотрели скорее на умение работать с данными в принципе, а не на знание конкретных кнопок.
И про кейсы — прямо в точку: именно их мы и разбирали. И в предварительном опроснике, и на самом интервью (те самые задачи про пуши и A/B тесты из статьи). Как показала практика, "рассказать про свой сложный кейс" могут многие, а вот решить чужой в реальном времени — тут-то и начинается самое интересное.
Ощущаю в вопросе вайб профессионального бухгалтера! :)
На самом деле тут всё просто: Доходы будущих периодов — это бухгалтерский термин (деньги на счету есть, но услуга еще не оказана). Выручка будущих периодов в продуктовой аналитике — это Revenue Forecasting (прогноз).
Считается это обычно через когортный анализ: смотрим на исторический Retention и LTV старых пользователей и экстраполируем их поведение на будущее. Но это тема для отдельной большой статьи, здесь я всё-таки больше про боли найма
Знаю картину изнутри, поэтому поддержу мысли других комментаторов, что
1. МТС - действительно изобретатель ИТ-велосипедов. А ещё у них большое количество продуктов, которые не окупаются. Nuum - один из них.
2. Действительно, у МТС, как и у любой крупной компании, есть деньги, которые нужно приумножать, и которые вкладываются в порой безумные проекты - примерно как в венчурных инвестициях - что-то да взлетит.
3. МТС Банк - это один из главных генераторов выручки экосистемы МТС. Идея действительно крутая - во-первых - огромное количество клиентов, которых можно перевести в свой банк, а во-вторых - огромное количество сотрудников, которых заманивают в банк на зарплатный проект разными плюшками. В итоге у банка много клиентов просто потому что они крупный оператор с большим количеством сотрудников. Джек пот!
Хм! У нас тоже всё планируется и грумится заранее, и никто никуда не прибегает, хотя у нас и не Авито. Любопытно, что у кого-то неуправляемый треш в проекте :)
> Так прошли они ваши тесты?
Часть отвалилась ещё на опроснике, где не были вырезаны шаблоны GPT вплоть до "хотите, я адаптирую резюме". Ещё часть на интервью: было видно, что человек читает с экрана и не понимает, что говорит. Короче, проблема не в использовании инструмента, а в отсутствии собственного мышления.
> В чём проблема нанять GPT?
Не понимаю вопрос. Если бы нам нужен был GPT, мы бы его и использовали. Мы нанимаем аналитика, а не интерфейс к LLM.
> Какие подводные, если она проходит ваши тесты и работает с цифрами?
Подводных много, но это уже вопрос "заменит ли GPT аналитика". Мне в этой задаче комфортнее работать с аналитиком.
"Предыдущий оратор" — это тоже я 🙂
Мы действительно не искали полное совпадение стека, так как в аналитических системах базовые принципы одинаковы, и переход между продуктами типа c amplitude на mixpanel — вопрос адаптации, а не переучивания.
Спасибо за комментарий и удачи на новом месте!
Согласен полностью, стресс на интервью — фактор серьезный. Но цель у нас была не в том, чтобы получить "единственно верный ответ", а в том, чтобы увидеть логику рассуждений: на какие метрики человек смотрит в первую очередь, какие вопросы задает к данным, как строит гипотезы.
Всё проще, чем кажется. Технически это настраивается внутри HH.
Когда кандидат нажимает кнопку "Откликнуться", перед ним всплывает окно с коротким списком вопросов. Мы использовали это как первый фильтр:
1. Стек: "Работали ли вы с Amplitude/Superset?" (Да/Нет/Другие инструменты).
2. Условия: Город проживания, формат работы (удаленка/офис) и пр.
3. Опыт: Краткое описание релевантного кейса.
Задача опросника — барьер против массовых откликов. Те, кто просто рассылает резюме на всё подряд, ленятся заполнять даже 5 полей и отваливаются. В итоге до меня дошли только 85 человек, которые действительно прочитали вакансию и готовы были потратить 2 минуты на ответы. Без этого опросника я бы разгребал 1000+ резюме вручную
Полностью согласен с вашим подходом!
По поводу стека — он, конечно же, был указан в вакансии (мы работаем в Amplitude и Superset). Согласен, что искать стек "один в один" — путь в никуда, поэтому мы смотрели скорее на умение работать с данными в принципе, а не на знание конкретных кнопок.
И про кейсы — прямо в точку: именно их мы и разбирали. И в предварительном опроснике, и на самом интервью (те самые задачи про пуши и A/B тесты из статьи). Как показала практика, "рассказать про свой сложный кейс" могут многие, а вот решить чужой в реальном времени — тут-то и начинается самое интересное.
Спасибо за дополнение!
Ощущаю в вопросе вайб профессионального бухгалтера! :)
На самом деле тут всё просто:
Доходы будущих периодов — это бухгалтерский термин (деньги на счету есть, но услуга еще не оказана).
Выручка будущих периодов в продуктовой аналитике — это Revenue Forecasting (прогноз).
Считается это обычно через когортный анализ: смотрим на исторический Retention и LTV старых пользователей и экстраполируем их поведение на будущее. Но это тема для отдельной большой статьи, здесь я всё-таки больше про боли найма
Знаю картину изнутри, поэтому поддержу мысли других комментаторов, что
1. МТС - действительно изобретатель ИТ-велосипедов. А ещё у них большое количество продуктов, которые не окупаются. Nuum - один из них.
2. Действительно, у МТС, как и у любой крупной компании, есть деньги, которые нужно приумножать, и которые вкладываются в порой безумные проекты - примерно как в венчурных инвестициях - что-то да взлетит.
3. МТС Банк - это один из главных генераторов выручки экосистемы МТС. Идея действительно крутая - во-первых - огромное количество клиентов, которых можно перевести в свой банк, а во-вторых - огромное количество сотрудников, которых заманивают в банк на зарплатный проект разными плюшками. В итоге у банка много клиентов просто потому что они крупный оператор с большим количеством сотрудников. Джек пот!
Хм! У нас тоже всё планируется и грумится заранее, и никто никуда не прибегает, хотя у нас и не Авито. Любопытно, что у кого-то неуправляемый треш в проекте :)