Собес в Альфа-Банк · AI-продакт
Материал Эйч · Опубликовано 21 июля 2026
Обзор
Senior PM для AI-проектов в дирекции брокерского обслуживания: от discovery до масштабирования с упором на LLM/RAG, качество сервиса и финтех-compliance
Фишка: Альфа сочетает продуктовую культуру digital-банка с обязательным согласованием через risk/legal/compliance — PM имеет автономию в рамках команды, но каждая фича, влияющая на условия или клиентский опыт, проходит compliance-фильтр. Сильный UX мобильного приложения и быстрые релизы на пилотных сегментах.
| Этап | Длительность | Что проверяют |
|---|---|---|
| Скрининг с рекрутером | 30–45 мин | Опыт AI/IT-проектов, мотивация, зарплатные ожидания, готовность к гибриду в Москве, питч 90 секунд про продукт и метрики |
| Продуктовый кейс с нанимающим менеджером | 60–90 мин | Структура решения, сегментация клиентов брокерского сервиса, приоритизация, trade-off скорость vs compliance, перевод бизнес-потребностей в roadmap |
| AI/технический блок | 45–60 мин | LLM, RAG, multi-agent architecture, оценка качества моделей, Function Calling, этика AI, интеграции с CRM/чат/колл-центром |
| Метрики и эксперименты | 45–60 мин | North Star и guardrail-метрики, A/B в регулируемой среде, воронки, базовый SQL, unit-economics AI-фич |
| Поведенческое интервью | 45 мин | STAR-сценарии: работа с risk/legal, конфликты стейкхолдеров, запуск с нуля, управление кросс-функциональной командой |
| Финал с руководителем направления | 30–45 мин | Стратегическое видение AI в брокеринге, KPI команды, культура продукта в банке |
Стек и темы
Обязательный минимум
- Управление AI/IT-проектами 5+ лет, запуск продуктов с нуля
- Брокеринг/финтех: клиентские потоки, брокерские процессы
- LLM, NLP, RAG, рекомендательные системы
- Multi-agent architecture, Function Calling, orchestration
- Оценка качества AI-моделей, этика AI, выявление галлюцинаций
- UX-исследования, CustDev, прототипирование в Figma
- Метрики продукта: CR, CTR, retention, NPS, guardrail
- Приоритизация бэклога, Scrum/Kanban, работа с Jira/Confluence
- Коммуникация между техническими и нетехническими стейкхолдерами
- Базовый SQL: воронки, когорты, retention
Плюсом будет
- Опыт интеграции AI с CRM, базой знаний, чат-платформой, колл-центром
- Знание risk-метрик (PD, LGD) и unit-economics банковских продуктов
- A/B-тестирование в регулируемой среде
- Понимание AI-инфраструктуры и CI/CD для ML
- Анализ конкурентов в инвестиционном/брокерском сегменте
- ClickHouse/BI-системы банка
- Опыт работы с data scientists и MLOps
HR и мотивация
Расскажи о себе
90 сек: роль → ключевой AI/финтех-проект → метрика результата → почему эта вакансия. Без хронологии резюме.
Расскажи про опыт работы
2–3 релевантных проекта: проблема, команда, твоя роль, метрики до/после. Акцент на AI и финтех.
Почему выбрал Product Management
Связка: любовь к пользователю + данные + технологии. Для этой роли — интерес к AI как продукту, а не только к моделям.
Почему решил сменить место работы
Позитивный фрейм: рост, масштаб, домен брокеринга, продуктовая культура банка. Без негатива о текущем работодателе.
Какую ищешь для себя работу
Совпадение с вакансией: end-to-end AI-продукт, кросс-функциональная команда, влияние на клиентский сервис в брокеринге.
Когда готов приступить к работе
Честный срок + готовность к гибриду в Москве.
Совет: Подготовь питч 90 секунд с конкретной метрикой из AI/финтех-проекта — это стандарт на скрининге в Альфе.
Фишка: Рекрутер проверит опыт в банковском/финтех-контексте и готовность работать в среде с compliance-ограничениями.
Продуктовое мышление и кейсы
Конверсия из заявки на инвестиционный продукт в активацию упала на 8%. Твой план?
Сегменты (новые/активные/спящие) → воронка → гипотезы (UX, онбординг, коммуникации) → quick wins vs стратегические → метрики и guardrail (NPS, complaints).
Как прогнозируешь успех продукта
Leading indicators (activation, time-to-value) + lagging (retention, ARPU, NPS). Для AI — quality metrics (accuracy, CSAT, escalation rate).
Можно ли делать выводы при росте покупок на 10% за месяц после изменения дизайна
Нет без контроля: сезонность, маркетинг, каннибализация, статзначимость, A/B или diff-in-diff. Один фактор ≠ причинность.
Кто такой хороший Product manager
Outcome over output, data-driven, empathy к пользователю, умение говорить с инженерами и бизнесом, ownership метрик.
Менял ли дорожную карту
STAR: триггер (данные/стратегия), как пересобрал приоритеты, коммуникация со стейкхолдерами, результат.
В чём разница между Product Manager и Project Manager
PM отвечает за ценность и метрики продукта (what/why). Project — за сроки, ресурсы, delivery (how/when).
Какое первое решение для проблемы низкой вовлечённости клиентов в AI-ассистента брокера
Discovery: где отваливаются (онбординг, доверие, качество ответов) → быстрый UX-тест → пилот на сегменте → метрики adoption и CSAT.
Ловушка: Не предлагай «выкатить за неделю» — любая фича, влияющая на условия или совет клиенту, проходит risk и legal.
Совет: Всегда сегментируй клиентов: массовый, премиум, A-Club — решение для одного сегмента редко переносится на другой.
AI, ML и LLM
Как бы ты спроектировал AI-ассистента для клиентов брокерского обслуживания
Use cases → RAG на базе знаний + CRM-контекст → guardrails (не давать инвестсоветы без disclaimers) → human-in-the-loop для эскалаций → метрики качества.
Чем RAG отличается от fine-tuning для банковского чат-бота
RAG: актуальные документы, прозрачность источников, быстрее обновлять. Fine-tuning: стиль/формат, но дороже и сложнее compliance. В банке часто RAG + prompt engineering.
Как оцениваешь качество LLM-ответов в продакшене
Offline: golden dataset, human eval, RAGAS-метрики. Online: CSAT, escalation rate, hallucination rate, time-to-resolution, A/B vs baseline.
Что такое multi-agent architecture и зачем она в брокерском AI
Orchestrator + специализированные агенты (FAQ, портфель, эскалация). Function Calling для CRM/базы знаний. Контроль границ ответственности каждого агента.
Какие риски этики AI в финансовом сервисе
Галлюцинации, bias, утечка данных, неавторизованные советы, объяснимость. Mitigation: guardrails, audit log, disclaimers, модерация, red teaming.
Как проверяешь выводы AI на логические ошибки и искажения
Golden test cases, adversarial prompts, human review на критичных сценариях, confidence thresholds, fallback на оператора.
Фишка: Вакансия требует понимания Function Calling, orchestration и интеграции с CRM, базой знаний, чат-платформой и колл-центром.
Ловушка: Не уходи в deep ML — от PM ждут продуктового понимания AI: когда RAG, когда агент, как мерить качество, как безопасно выкатывать.
Брокеринг и финтех-домен
Какие метрики важны для AI-продукта в брокерском обслуживании
Adoption rate, deflection rate (снижение нагрузки на колл-центр), CSAT/NPS, time-to-resolution, accuracy, escalation rate, retention активных инвесторов.
Как собираешь и формализуешь требования от клиентов и контрагентов
Интервью + UX-исследования + анализ обратной связи из CRM/чата/колл-центра → Jobs-to-be-Done → user stories с acceptance criteria.
Какие знаешь методы сбора обратной связи
CustDev, опросы, NPS/CSAT, анализ тикетов, session replay, A/B, фокус-группы, автоматический сбор из чата и колл-центра.
Как проводишь еженедельный разбор инсайтов и планируешь эксперименты
Dashboard инсайтов → кластеризация тем → приоритизация по impact/effort → hypothesis backlog → пилот → retro.
Совет: Знай базовые финтех-метрики: ARPU, retention, NPS, fraud rate. Для брокеринга — активные инвесторы, глубина портфеля, частота сделок.
Метрики, A/B и аналитика
Какая North Star для банковского AI-продукта
Зависит от цели: active users с AI-фичей, deflection rate, или revenue per engaged user. Всегда с guardrail: NPS, complaints, error rate.
Как тестировать новую AI-функцию, если регулятор требует одинаковых условий
Пилот на ограниченном сегменте, shadow mode, opt-in beta, geo-split, pre/post анализ с контрольной групой где возможно.
Какие guardrail-метрики отслеживаешь при запуске AI-фичи
NPS, complaint rate, escalation to human, hallucination/incorrect answer rate, fraud signals, regulatory compliance incidents.
Какие инструменты используешь для работы
Jira, Confluence, Figma, SQL/BI (ClickHouse, Superset), A/B-платформа, аналитика (Metrica), Miro для процессов.
Ловушка: Знать формулу ARPU мало — спросят, как из текущего ARPU вытянуть рост: кросс-продажи, миграция в тариф, снижение churn.
Процессы и команда
В чём разница между Scrum и Kanban
Scrum: фиксированные спринты, роли, ceremonies. Kanban: непрерывный поток, WIP-лимиты. В банке — Scrum для фич, Kanban для поддержки/ops.
Какой был состав команды на последнем проекте
Покажи опыт с DS, разработчиками, BA, UX, QA. Для AI-продакта — кто отвечал за модель, кто за продукт, как принимали решения.
Кто составлял задачи для разработчиков
PM формулирует user stories с acceptance criteria; для AI — отдельно data requirements, eval criteria, integration specs.
Как декомпозируешь большой объём информации
MECE-структура, impact/effort matrix, affinity mapping для инсайтов, phased rollout.
Как организовываешь своё время
Баланс discovery/delivery/stakeholders. Конкретные ритуалы: weekly insights review, sync с DS, backlog grooming.
Совет: Подготовь историю согласования с risk/legal/compliance — это ключевой soft skill для Альфы.
Задачи
Кейс: AI-ассистент для брокерского обслуживания
Доля обращений в колл-центр по типовым вопросам (статус заявки, комиссии, документы) выросла на 25% за квартал. Руководство хочет AI-ассистента в мобильном приложении. Спроектируй MVP: use cases, архитектуру, метрики успеха, риски и план пилота на 8 недель.
1) Discovery: топ-20 тем обращений из CRM/чата → сегментация (новички vs опытные инвесторы). 2) MVP scope: 3–5 intent'ов с RAG на базе знаний + интеграция CRM для статусов. 3) Архитектура: orchestrator + FAQ-агент + escalation agent → human handoff в чат/колл-центр. 4) Guardrails: disclaimers, запрет инвестсоветов, audit log. 5) Метрики: deflection rate, CSAT, escalation rate, accuracy на golden set. 6) Пилот: 5% MAU, 4 недели shadow + 4 недели A/B. 7) Compliance: согласование с legal до запуска.
Сложность: O(n) по числу use cases в discovery
Кейс: Падение NPS AI-рекомендаций
NPS блока «AI-рекомендации инвестиций» упал с 62 до 48 за 2 месяца после добавления персонализации на LLM. Retention блока не изменился. Что делаешь?
1) Декомпозиция NPS: detractors vs passives — qual-анализ отзывов и тикетов. 2) Гипотезы: галлюцинации, irrelevant recs, UX перегруз, недоверие к AI. 3) Данные: сравнить cohort pre/post, сегменты, device. 4) Быстрые фиксы: explainability («почему эта рекомендация»), opt-out, fallback на rule-based. 5) Эксперимент: A/B simplified vs personalized. 6) Guardrail: не жертвовать compliance ради персонализации.
Сложность: O(n log n) — cohort analysis
Задача: Приоритизация AI-бэклога
Бэклог: (A) RAG для FAQ, (B) sentiment analysis звонков, (C) auto-summary встреч с клиентом, (D) multi-agent orchestration. Бюджет на квартал — 2 из 4. Как приоритизируешь?
RICE/ICE + strategic fit: (A) FAQ RAG — highest impact на deflection, lowest risk, быстрый ROI → #1. (B) sentiment — insight для продукта, но не direct user value → #3. (C) summary — ценность для менеджеров, средний effort → #2 если CRM-интеграция готова. (D) orchestration — инфраструктура, нужна после первых агентов → #4. Выбор: A + C или A + B в зависимости от стратегии (cost reduction vs insight).
Сложность: O(1) — framework application
System Design
- Спроектируй AI-ассистента для брокерского обслуживания: от запроса клиента до ответа с интеграцией CRM, базы знаний и эскалации в колл-центр
- Как построить RAG-pipeline для финансовой базы знаний с учётом актуальности документов и compliance
- Multi-agent система для обработки клиентских обращений: orchestrator, FAQ-агент, portfolio-агент, escalation-агент
- Как организовать feedback loop: автоматический сбор обратной связи из чата и колл-центра → инсайты → эксперименты
Каркас ответа
- Clarify: scope, сегменты пользователей, SLA, regulatory constraints
- Use cases и приоритет MVP (не более 3–5 intent'ов)
- High-level architecture: ingestion → retrieval → LLM → guardrails → delivery channels
- Data sources: CRM, KB, chat logs, call transcripts — что откуда и как обновляется
- Quality: offline eval (golden set), online metrics, human review loop
- Safety: PII handling, disclaimers, escalation triggers, audit trail
- Rollout: shadow mode → pilot segment → A/B → scale
- Trade-offs: latency vs quality, automation vs trust, speed vs compliance
Поведенческое
- Расскажи о самом сложном AI/IT-проекте, который запускал с нуля
- Пример, когда гипотеза не подтвердилась — что делал
- Как согласовывал фичу с risk/legal/compliance, когда они были против
- Конфликт приоритетов между бизнесом и технической командой
- Как выстраивал коммуникацию между data scientists и нетехническими стейкхолдерами
- Ситуация, когда пришлось менять roadmap из-за новых данных
- Как управлял бюджетом, сроками и рисками кросс-функционального проекта
- Каким достижением в работе больше всего гордишься
- Как развиваешься профессионально в области AI-продуктов
- Какие у тебя есть вопросы к нам
План подготовки
3 дня
- Питч 90 сек и 3 STAR-истории (AI-запуск, compliance, провал гипотезы)
- Разобрать 2 продуктовых кейса: падение конверсии + AI-ассистент для брокеринга
- Повторить: RAG vs fine-tuning, multi-agent, метрики качества LLM
- Изучить продукты Альфы в инвестициях/брокеринге и конкурентов
7 дней
- 10 кейсов вслух с банковским/брокерским контекстом
- SQL: воронка, retention, когорты — 5 задач
- A/B + guardrail-метрики: 3 сценария для AI-фич
- System design: нарисовать архитектуру AI-ассистента с CRM/KB/чатом
- Подготовить 5 вопросов рекрутеру и нанимающему менеджеру
14 дней
- Полный mock interview с другом/ментором
- CustDev: подготовить план исследования для AI-фичи в брокеринге
- Compliance: список ограничений для AI в финансовом сервисе
- Конкурентный анализ AI в банках (Сбер, Т-Банк, ВТБ)
- Figma: набросать wireframe AI-ассистента в мобильном приложении
| Блок | Готов, если... |
|---|---|
| HR и мотивация | можешь за 90 сек рассказать про себя и объяснить, почему AI-продакт в брокеринге Альфы |
| Продуктовые кейсы | структурируешь кейс за 2 мин: проблема → сегменты → гипотезы → метрики → риски |
| AI/ML | объяснишь RAG, multi-agent, eval качества LLM и этику AI без ухода в математику |
| Брокеринг | назовёшь 5+ метрик AI-продукта в брокерском сервисе и процесс сбора feedback |
| Метрики и A/B | определишь North Star + guardrail и объяснишь, как тестировать в compliance-среде |
| System design | нарисуешь AI-ассистента с интеграциями CRM/KB/чат/колл-центр за 15 мин |
| Behavioral | 6–8 STAR-историй с цифрами, включая работу с risk/legal |
В день собеседования
- Повторить питч и top-3 STAR
- Проверить связь/камеру для видео
- Иметь под рукой блокнот для структуры кейса
- Подготовить вопросы про команду, метрики успеха роли, roadmap AI в брокеринге