Материал Эйч · Опубликовано 21 июля 2026
Middle PM с фокусом на product/channel fit, рост в каналах продаж и data-driven решения в финтех-продукте экосистемы Сбера
Фишка: Продукт живёт на поверхности мобильного приложения Сбера (MAU ~100 млн) — на собеседовании часто проверяют, как кандидат думает о product/channel fit и тиражировании в супер-аппе с множеством точек входа и каналов продаж.
| Этап | Длительность | Что проверяют |
|---|---|---|
| HR-скрининг | 30–45 мин | Мотивация, опыт в PM/growth, зарплатные ожидания, формат работы (гибрид), готовность к домену финтеха и недвижимости |
| Интервью с hiring manager / product lead | 60–90 мин | Опыт роста продукта в каналах, кейсы с метриками, понимание кредитного продукта, стратегическое мышление и приоритизация |
| Продуктовый кейс | 60 мин | Разбор воронки, гипотезы роста, product/channel fit, приоритизация фич для ускорения выдачи кредита «день в день» |
| Аналитика и SQL | 45–60 мин | Работа с цифрами, интерпретация эксперimentов, базовые SQL-запросы, построение метрик по каналам |
| Кросс-функциональное интервью | 45–60 мин | Взаимодействие с разработкой, аналитиками и смежными командами; agile-процессы, постановка задач |
| Финальное интервью | 30–45 мин | Культурный fit, видение продукта, вопросы кандидата о команде и roadmap |
Обязательный минимум
Плюсом будет
Как ты определяешь product/channel fit для финансового продукта?
Сопоставь JTBD канала (Сбер-апп, офис, партнёры, колл-центр) с ценностным предложением продукта. Метрики: конверсия по каналу, cost per issued loan, качество заявок, NPS.
Какие каналы тиражирования продукта ты использовал и как сравнивал их эффективность?
Структура: канал → сегмент → гипотеза → метрика успеха → эксперимент → масштабирование. Упомяни когортный анализ и канало-специфичные воронки.
Продукт вырос в 5 раз за 2 года. Какие 3 рычага роста ты бы проверил в первую очередь?
Acquisition (новые точки входа в Сбер-апп), Activation (упрощение заявки), Conversion (скоринг/документы), Speed (time-to-money «день в день»), Retention/repeat.
Как приоритизируешь гипотезы роста при ограниченной ёмкости команды разработки?
Impact × Confidence × Effort / ICE или RICE. Явно назови guardrail-метрики (мошенничество, качество портфеля, SLA).
Фишка: Ключевая цель роли — сделать кредит под залог удобнее и быстрее; North Star близок к time-to-money и conversion-to-issued.
Ловушка: Не предлагай «просто добавить баннер в Сбер» без анализа сегмента, cannibalization и влияния на качество заявок.
Совет: Говори языком каналов: owned (Сбер-апп), assisted (менеджер), partner — у каждого своя воронка и метрики.
Можно ли делать выводы при росте конверсии на 10% за месяц после изменения дизайна?
Нет без контроля: сезонность, маркетинг, изменения скоринга, канальный mix, sample size. Нужен A/B или diff-in-diff с guardrails.
Какие метрики ты бы выделил для кредита под залог по каждому каналу?
Воронка: показ → клик → начало заявки → заполнение → отправка → одобрение → выдача. Плюс: средний чек, время до выдачи, drop-off по шагам, cost per lead.
Как прогнозируешь успех продукта?
Leading indicators (CR шагов, time-to-complete), lagging (issued volume, revenue), качественные (интервью, NPS), бенчмарки по каналам.
Какие данные нужны для поиска точек роста в продукте?
Event-логи по шагам воронки, атрибуция канала, когорты, причины отказов, время на шаг, сегменты (сумма, регион, тип залога).
Кто работал с метриками для гипотез на последнем проекте?
Ожидают понимание роли PM vs аналитик: PM формулирует гипотезу и success metrics, аналитик — дизайн эксперимента и расчёт.
Ловушка: Путать product metrics (конверсия) с business metrics (выданный объём) — связывай их явно через воронку.
Совет: Для «день в день» выдели отдельную метрику SLA и декомпозируй bottlenecks: документы, оценка, подписание.
Напиши SQL-запрос: конверсия из начала заявки в выдачу по каналам за последний месяц
CTE с событиями start/issued, GROUP BY channel, COUNT DISTINCT users, ratio. Учти только завершённые когорты или окно атрибуции.
Как найти шаг воронки с максимальным drop-off?
Последовательные события, расчёт CR между шагами, funnel analysis. Оконные функции LEAD() для времени между шагами.
Как проверишь, что рост заявок не ухудшил качество одобрений?
Joint analysis: volume ↑ + approval rate, fraud rate, средний LTV/риск. Сегментация по каналам.
Фишка: В вакансии явно указано «профессиональное владение SQL» — готовься писать запросы вслух или на shared editor.
Совет: Стек данных в Домклик: PostgreSQL, ClickHouse — упоминай агрегации на больших объёмах event-данных.
Какие этапы воронки выделишь от входа в Сбер-апп до выдачи кредита под залог?
Discovery → eligibility check → калькулятор/сумма → сбор данных о залоге → загрузка документов → скоринг → офер → подписание → выдача. У каждого шага — drop-off.
Как ускорить выдачу кредита «день в день»? С чего начнёшь?
Process mapping, измерение времени по шагам, quick wins (prefill из профиля Сбера, OCR документов, AI-агент для типовых вопросов), затем интеграции.
Как протестируешь гипотезу: AI-агент снижает время заполнения заявки?
A/B на сегменте, primary metric — time-to-submit, guardrails — качество данных, approval rate. Кач + колич.
Какое первое решение для проблемы высокого drop-off на шаге загрузки документов?
Диагностика (какие документы, устройства, ошибки), затем UX (подсказки, фото-гайд, отложенная загрузка), не сразу «убрать шаг».
Фишка: Команда уже запустила AI-агента — будь готов обсудить, где AI уместен в кредитном процессе, а где нужен human-in-the-loop.
Ловушка: Игнорировать compliance и риски при «упрощении» — в финтехе каждое изменение воронки влияет на качество портфеля.
В чём разница между Product Manager и Project Manager?
PM — что и зачем строить (value, metrics, roadmap). PJM — как доставить в срок (ресурсы, риски, timeline). Пересечение в координации.
В чём разница между Scrum и Kanban?
Scrum — спринты, роли, ceremonies. Kanban — поток, WIP limits, непрерывная поставка. Домклик работает по agile — знай оба.
Кто составлял задачи для разработчиков на последнем проекте?
PM пишет problem/outcome, совместно с BA/аналитиком — AC, dev декомпозирует. Покажи пример хорошей user story.
Менял ли дорожную карту? По каким причинам?
Новые данные, смена приоритетов бизнеса, результаты экспериментов, регуляторика. Покажи прозрачную коммуникацию со стейкхолдерами.
Совет: В команде 4 BA и 11 dev — покажи опыт делегирования аналитики, но сохранения ownership за метриками.
Расскажи о себе / про опыт работы
2–3 минуты: PM/growth опыт → каналы и метрики → релевантный кейс роста → почему Домклик и этот продукт.
Почему выбрал Product Management?
Связка curiosity + impact + работа на стыке бизнеса, UX и технологий. Без клише.
Каким достижением в работе больше всего гордишься?
STAR: конкретная метрика, твоя роль, trade-offs. Для growth PM — рост CR/volume в канале.
Какие знаешь методы сбора обратной связи?
Интервью, опросы, support tickets, session replay, NPS/CSAT, анализ отказов, shadowing в отделении.
Какие у тебя есть вопросы к нам?
Спроси про North Star команды, каналы с наибольшим потенциалом, roadmap AI, структуру экспериментов, ожидания на испытательный срок.
Совет: Подготовь 5–7 вопросов: про product/channel fit в Сбер-апп, метрики успеха на 2026, баланс скорости и риска.
Декомпозиция воронки кредита под залог
Conversion из начала заявки в выдачу — 8%. Drop-off максимальный на шаге «загрузка документов на залог» (60% уходят). Предложи план диагностики и 3 гипотезы улучшения с метриками успеха.
1) Диагностика: разбить drop-off по типу документа, устройству, каналу, ошибкам API, времени суток; кач. интервью 5–8 пользователей. 2) Гипотезы: a) Фото-гайд + OCR → ↑ completion rate, metric: % успешных загрузок с первой попытки b) Prefill данных из профиля Сбера/Росреестра → ↓ time-on-step, metric: median time c) «Сохранить черновик» + push-напоминание → ↑ return rate, metric: % вернувшихся за 48ч 3) Приоритизация ICE, A/B с guardrail approval rate.
Сложность: O(n) по шагам воронки для funnel analysis
SQL: конверсия по каналам
Таблицы: events(user_id, event_name, channel, created_at), event_name ∈ ('application_start', 'loan_issued'). Напиши запрос: conversion rate (issued/start) по channel за последние 30 дней.
WITH starts AS (
SELECT user_id, channel
FROM events
WHERE event_name = 'application_start'
AND created_at >= CURRENT_DATE - INTERVAL '30 days'
),
issued AS (
SELECT DISTINCT user_id
FROM events
WHERE event_name = 'loan_issued'
AND created_at >= CURRENT_DATE - INTERVAL '30 days'
)
SELECT s.channel,
COUNT(DISTINCT s.user_id) AS starts,
COUNT(DISTINCT i.user_id) AS issued,
ROUND(COUNT(DISTINCT i.user_id)::numeric / NULLIF(COUNT(DISTINCT s.user_id), 0), 4) AS cr
FROM starts s
LEFT JOIN issued i ON s.user_id = i.user_id
GROUP BY s.channel
ORDER BY cr DESC;Сложность: O(n log n) при индексах на (event_name, created_at)
Приоритизация канала роста
Есть 3 канала: (A) главный экран Сбер-апп — 5M показов/мес, CR 0.5%; (B) push — 500K, CR 2%; (C) менеджер в отделении — 50K, CR 15%. Куда направишь ресурс команды на квартал и почему?
Считать issued volume = показы × CR × quality factor. A: 25K leads — масштаб, но низкий CR, нужны эксперименты с messaging/сегментацией. B: 10K — средний масштаб, хороший CR. C: 7.5K — высокий CR, но лимитированный объём. Приоритет: A (максимальный incremental volume при +0.1pp CR = +5K leads) + быстрые wins в B. C — оптимизация SLA, не acquisition. Обосновать через incremental impact и cost of dev.
Сложность: O(1) расчёт, итеративные эксперименты O(k)
Интерпретация A/B-теста
Тест нового калькулятора суммы: группа B +12% к start rate, но -3pp к approval rate. Что делаешь?
Не катить в prod без анализа. Проверить: sample size, длительность, сегменты, novelty effect. Гипотеза: калькulator привлекает неqualified users. Действия: сегментный анализ по сумме/региону, guardrail approval rate, возможно добавить eligibility check до калькулятора. Решение: iterate или rollback. Коммуникация со risk/compliance.
Сложность: O(n) статистический анализ
Каркас ответа
3 дня
7 дней
14 дней
| Блок | Готов, если... |
|---|---|
| Growth & channel fit | можешь за 3 минуты объяснить product/channel fit и назвать 3 рычага роста для кредита в супер-аппе |
| Метрики | строишь metric tree и отличаешь leading/lagging/guardrail метрики |
| SQL | пишешь funnel CR по каналам без подсказок за 15 минут |
| Продуктовый кейс | структурируешь ответ: problem → data → hypotheses → metrics → priority |
| Финтех-домен | знаешь этапы воронки залогового кредита и trade-off скорость/риск |
| Behavioral | 3 истории STAR с цифрами роста и примером работы с данными |
| Домклик | понимаешь место продукта в экосистеме Сбера и можешь задать умные вопросы про AI-агентов |
В день собеседования