Материал Эйч · Опубликовано 14 августа 2026
Middle PM в финтех-экосистеме: discovery, data-driven, MLP и автономия продуктовых команд
Фишка: Культура MLP вместо MVP, собственная платформа A/B-тестов, data-driven/informed/inspired-подходы и высокая автономия: минимум директив сверху, результат важнее фреймворков.
| Этап | Длительность | Что проверяют |
|---|---|---|
| HR / рекрутер | 30–45 мин | Мотивация, опыт 3+ лет, формат работы (гибрид в Екатеринбурге), зарплатные ожидания, готовность к релокации/офису |
| Скрининг с hiring manager | 45–60 мин | Короткий разбор опыта, fit с продуктовой культурой Т-Банка, понимание роли PM vs Project Manager |
| Продуктовое интервью | 60–90 мин | Кейсы на discovery, метрики, приоритизацию, A/B-тесты, гипотезы и интерпретацию данных |
| Глубокий разбор опыта | 60–90 мин | STAR по ключевым проектам: vision, бэклог, исследования, работа с аналитикой и кросс-функциональной командой |
| Финальный этап | 45–60 мин | Стратегическое мышление, коммуникация, fit с ценностями (Test & Learn, data-driven, MLP), вопросы кандидата |
Обязательный минимум
Плюсом будет
Расскажи о себе
2–3 мин: текущая роль → ключевой продуктовый результат с метрикой → почему Т-Банк и этот тип продуктов
Расскажи про опыт работы
Структура: продукт → аудитория → ваша зона ответственности → 1–2 кейса с метриками до/после
Почему выбрал Product Management
Покажите любовь к пользователю + данным + влиянию на продукт, не «мне нравится управлять людьми»
Почему решил сменить место работы
Фокус на росте: масштаб, продуктовая культура, data-driven — без негатива к текущему работодателю
Какой был состав команды на последнем проекте
Покажите, как координировали аналитиков, дизайнеров, dev, ML — кто что делал и что делали вы
Каким достижением в работе больше всего гордишься
STAR: контекст → ваша гипотеза → действие → измеримый результат
Фишка: Т-Банк смотрит на результат и автономию: покажите, что вы самостоятельно формировали vision и довели фичу до метрик, а не только «выполняли задачи сверху».
Совет: Подготовьте 2–3 кейса с числами: конверсия, retention, revenue, cost — и честно опишите, что не сработало.
Какие знаешь методы сбора обратной связи
JTBD-интервью, usability-тесты, опросы, NPS/CSAT, аналитика поведения, support-тикеты, A/B, cohort-анализ
Какое первое решение выделишь для проблемы нежелания молодых пользователей грузить фотографии на площадку для объявлений
Сначала discovery: почему не грузят? Затем быстрая гипотеза (камера в приложении, шаблоны, геймификация) — с критериями проверки
Можно ли получить продукт из гипотезы что чаще недвижимость арендуется на короткий срок
Гипотеза ≠ продукт. Нужны сегменты, JTBD, размер рынка, конкуренты, MVP/MLP-гипотеза и метрики успеха
Кто придумал проект который ты запускал
Честно: идея из research/данных/стейкхолдеров — важно показать вашу роль в валидации, а не только исполнении
Ловушка: Не начинайте с решения. В Т-Банке discovery — часть daily work: гипотезы из research, аналитики, конкурентного анализа и брейншторма.
Фишка: В вакансии прямо указаны глубинные исследования и собственные инструменты для качественных и аналитических исследований.
Можно ли делать какие-либо выводы при росте покупок на 10% за месяц после изменения дизайна
Нет без эксперимента: сезонность, маркетинг, каналы, sample size, статистическая значимость, длительность теста, guardrail-метрики
Как прогнозируешь успех продукта
Leading metrics (activation, engagement) → lagging (revenue, retention). Определите North Star и критерии go/no-go до запуска
Какие данные необходимы для поиска потенциальных точек роста количества активных объявлений на площадке
Воронка: visit → signup → create → publish → active. Когорты, сегменты, причины оттока на каждом шаге, конкурентный бенчмарк
Как будешь тестировать идею использования AR при публикации объявлений
Гипотеза → метрика (completion rate, time-to-publish) → A/B или phased rollout → размер выборки → guardrails (crash rate, NPS)
Кто работал с метриками для гипотез на последнем проекте
Покажите совместную работу с аналитиком: вы — гипотеза и success criteria, аналитик — дизайн эксперимента и расчёт
Фишка: Т-Банк использует собственную платформу A/B-тестирования и культуру Test & Learn — ожидают понимание дизайна экспериментов, не только чтения дашбордов.
Ловушка: Корреляция ≠ причина. Всегда упоминайте альтернативные объяснения и контрольные группы.
Менял ли дорожную карту
Пример: новые данные/исследование изменили приоритеты. Покажите процесс пересмотра и коммуникацию с командой
Как декомпозируешь большой объем информации
Структурируйте: цель → сегменты → проблемы → гипотезы → задачи. Используйте impact mapping или opportunity solution tree
Как работаешь с большим объемом информации
Фильтры: связь с North Star, размер impact, уверенность в данных, effort. Документируйте решения
Кто составлял задачи для разработчиков
User stories с acceptance criteria, связь с гипотезой и метрикой. Покажите пример хорошей и плохой задачи
Совет: В Т-Банке PM отвечает за приоритизацию бэклога — подготовьте framework (RICE/ICE) и реальный пример trade-off между фичами.
Кто такой хороший Product manager
Баланс: пользователь + бизнес + технология. Data-driven, коммуникация, ownership, стратегическое мышление
Кто такой идеальный Product
Не перфекционизм — способность быстро проверять гипотезы и доводить до MLP (minimum lovable product)
Могут ли быть отличия в российском рынке и рынке США для мобильного приложения по отслеживанию состояния рабочего места
Регуляторика, культура труда, privacy, конкуренты, платёжные модели, локальные интеграции — сегментируйте по рынкам
Фишка: Вакансия требует «разбираться в экономике продукта, видеть точки роста» — для fintech: LTV, CAC, margin, churn, cross-sell в экосистему.
В чем разница между Product Manager и Project Manager
PM: что и зачем строить (value, vision, discovery). PjM: как доставить в срок (план, риски, ресурсы)
В чем разница между Scrum и Kanban
Scrum: спринты, роли, ceremonies. Kanban: поток, WIP-лимиты, непрерывная доставка. Когда что уместно
Кто собирал бизнес-аналитику на последнем проекте
Покажите границы: PM — requirements и acceptance, BA — детализация процессов. В Т-Банке PM формирует бизнес-требования
Как предупреждаешь ошибки
Definition of Ready/Done, ревью с dev/design, staged rollout, feature flags, мониторинг после релиза
Фишка: Команда включает product/business аналитиков, ML, дизайнеров и разработчиков — PM координирует, но не микроменеджит.
Упала конверсия в оформление кредитной карты
Конверсия в заявку на кредитную карту в мобильном приложении упала с 12% до 9% за две недели. Маркетинг не менял кампании. Недавно выкатили новый экран подтверждения заявки. Ваши действия?
1) Проверить данные: сегменты (новые/существующие клиенты), устройства, каналы, этап воронки где drop. 2) Исключить внешние факторы: сезонность, изменения лимитов/скоринга. 3) Сравнить cohort до/после релиза экрана. 4) Если корреляция — rollback или A/B. 5) Качественно: 5–8 usability-интервью на проблемном шаге. 6) Определить fix-гипотезы и запустить эксперимент с guardrails (approval rate, fraud rate).
Сложность: O(n) по шагам воронки и сегментам
Приоритизация бэклога мобильного банка
У вас 4 инициативы на квартал: (A) персонализированный дашборд с ML-рекомендациями, (B) упрощение перевода по СБП, (C) подписка на премиум-тариф, (D) редизайн онбординга. Ресурс — одна кросс-функциональная команда. Как приоритизируете?
Оцените по impact × confidence / effort. Пример логики: (D) онбординг — высокий impact на activation новых клиентов, средний effort. (B) СБП — частый JTBD, быстрый win. (A) ML — высокий effort, нужна валидация гипотезы. (C) премиум — зависит от monetization strategy. Прозрачно: North Star (MAU/transactions/NRR), данные по воронкам, stakeholder input. Итог — ranked list с trade-offs и что откладываете.
Сложность: Качественная оценка, не алгоритмическая
Дизайн A/B-теста для новой фичи
Хотите добавить кэшбэк-калькулятор на экран выбора карты. Как спроектируете эксперимент?
Гипотеза: калькулятор ↑ conversion to card order. Primary metric: conversion на шаге выбора карты. Secondary: time on page, card tier mix. Guardrails: bounce rate, support tickets, fraud indicators. Sample size + MDE + duration (учёт weekly seasonality в fintech). Randomization по user_id. Не смешивать с другими экспериментами на том же экране. Критерии: p-value/significance + практический impact. Post-test: сегментный анализ.
Сложность: Зависит от baseline conversion и MDE
Каркас ответа
3 дня
7 дней
14 дней
| Блок | Готов, если... |
|---|---|
| Опыт и мотивация | можешь за 2 мин рассказать о себе и дать 2 STAR-кейса с метриками |
| Discovery | можешь описать полный цикл: research → гипотеза → прототип → тест |
| Метрики и A/B | можешь спроектировать эксперимент и объяснить, почему 10% роста ≠ успех |
| Приоритизация | можешь ранжировать 4 инициативы с trade-offs и North Star |
| Fintech-кейсы | можешь разобрать падение конверсии в банковском продукте по воронке |
| Процессы | чётко объясняешь PM vs PjM и свой опыт с кросс-функциональной командой |
В день собеседования