Собес в Сбер · Продуктовый аналитик (CJE)
Материал Эйч · Опубликовано 21 июля 2026
Обзор
Подготовка к отбору на роль CJE в GenAI-платформе маркетинговых кампаний: клиентский путь, e-com, A/B-тесты, банковский контекст
Фишка: Роль на стыке CJE, e-com-маркетинга и GenAI-платформы: ждут не только аналитику данных, но и умение проектировать клиентский путь, проводить глубинные интервью, защищать гипотезы перед стейкхолдерами и тиражировать успешные кампании.
| Этап | Длительность | Что проверяют |
|---|---|---|
| HR-скрининг | 20–30 мин | Опыт CJE/продуктового/бизнес-аналитика, мотивация, зарплатные ожидания, понимание роли в GenAI-маркетинге |
| Технический скрининг | 45–60 мин | SQL (JOIN, оконные функции, CTE), основы статистики, Python/Excel по необходимости, вопросы про прошлые A/B-тесты |
| Метрики и эксперименты | 45–60 мин | Маркетинговые метрики (CTR, CR, Open rate, LTV), дизайн и валидация A/B, ratio-метрики, сезонность |
| Кейс-интервью | 45–60 мин | Разбор падения конверсии, оценка кампании, построение системы метрик для клиентского пути или подписочного сервиса |
| Финал с руководителем | 45–60 мин | Проекты с измеримым ростом метрик, работа со стейкхолдерами, культурный fit, вопросы к команде |
Стек и темы
Обязательный минимум
- Customer Journey Map и исследование клиентского пути
- A/B-тестирование: дизайн, split, валидация, интерпретация
- Маркетинговые метрики: CTR, CR, Open rate, Delivery rate, LTV, вовлечённость
- E-commerce воронка и конверсии
- Основы статистики: гипотезы, доверительные интервалы, параметрические/непараметрические критерии
- SQL: JOIN, GROUP BY, оконные функции, CTE
- Качественные методы: глубинные интервью
- Презентация результатов и работа со стейкхолдерами
- Банковские продукты и маркетинговые механики
Плюсом будет
- Python (pandas, базовая аналитика)
- ClickHouse
- Excel: сводные таблицы, ВПР, базовая статистика
- PowerPoint для защиты исследований
- Опыт полного цикла маркетинговых кампаний
- Понимание GenAI и персонализации коммуникаций
Customer Journey и CJE
В чём разница между путём клиента в web и в мобильном приложении?
Web: сессии по cookies, cross-device сложнее, длинные воронки. App: device ID, push/in-app каналы, установка как точка входа, retention по DAU/WAU. Сравнивайте touchpoints, атрибуцию и метрики по платформам.
Как бы вы исследовали клиентский путь для выявления проблем, влияющих на бизнес-результаты?
Сформулируйте бизнес-метрику → постройте CJM по этапам → количественно найдите drop-off (воронка, когорты) → качественно объясните «почему» (интервью, UX-тесты) → гипотезы → приоритизация по impact/effort.
Какие знаешь сценарии построения CJM?
As-is vs to-be; current state по данным + интервью; service blueprint с backstage-процессами; journey по сегментам (новые vs лояльные); journey по каналам (email, push, in-app).
По каким метрикам можно понять, что клиентам нужна новая коммуникационная механика?
Engagement (open/click), частота использования продукта, retention, NPS/CSAT, доля обращений в поддержку, конверсия между этапами воронки, LTV по сегментам.
Фишка: Вакансия явно требует «докапываться до сути» — на кейсах показывайте цепочку: наблюдение → гипотеза → проверка данными → качественное подтверждение → рекомендация.
Совет: Готовьте 1–2 истории, где исследование CJE привело к росту метрик (конверсия, LTV, вовлечённость) и тиражированию инициативы.
A/B-тестирование и статистика
Какие A/B-тесты проводил?
Структура: бизнес-цель → метрика успеха (primary/secondary) → дизайн (unit of randomization, длительность, MDE) → guardrails → результат и решение → что тиражировали.
Как будешь находить статистическую значимость конверсии между группами A и B?
Z-test или chi-square для пропорций; проверьте размер выборки, α, power; для ratio-метрик — delta method или bootstrap; не забыть про множественные сравнения.
Как будешь валидировать результат A/B-теста?
SRM, стабильность split, длительность (полные недели), новизна эффекта, каннибализация каналов, сезонность, sanity checks по guardrail-метрикам, повторяемость на holdout.
Зависит ли числитель от знаменателя в ratio-метрике?
Да, если это отношение сумм (например, clicks/impressions) — ratio-метрика; среднее по пользователям (revenue per user) — другой тип, нужны другие тесты.
В чём разница между ratio-метрикой и не ratio-метрикой для средних значений?
Ratio: aggregate ratio (sum/sum). Mean per user: сначала агрегат на user, потом среднее — дисперсия и тест другие (t-test на user-level vs delta method).
Когда использовал Mann-Whitney вместо t-теста?
При ненормальных распределениях, выбросах, малых выборках; для медианных сравнений; когда параметрические допущения нарушены.
Достаточно ли того, что оба распределения нормальные?
Нет: нужны независимость, одинаковая дисперсия (или Welch), корректный unit randomization, отсутствие подглядывания (peeking).
Всегда ли вырастет конверсия, если она выросла в A/B-тесте?
Нет: возможны false positive, сезонный эффект, novelty, смещение аудитории, Simpson's paradox, перенос эффекта на другие каналы.
Будешь делать split по чатам или по пользователям?
По пользователям, если эффект на уровне пользователя; по чатам/сессиям — только если unit of analysis = чат и нет перекрёстного загрязнения между пользователями.
Как реализуется дизайн теста?
Гипотеза → primary metric → sample size/MDE → randomization unit → длительность → guardrails → аналитический план → запуск → мониторинг SRM → финальный анализ.
В чём разница между параметрическими и непараметрическими критериями?
Параметрические (t-test, z-test) требуют допущений о распределении; непараметрические (Mann-Whitney, bootstrap) робастнее, но менее мощные на малых n.
Для каждой ли метрики характерна сезонность?
Нет: DAU/трафик — да; некоторые продуктовые метрики сглаживаются; учитывайте календарные эффекты при планировании тестов и интерпретации.
Ловушка: Не путайте приемочную метрику (по ней принимают решение) и информационную (контекст, guardrails). На собесе часто спрашивают про стратегию принятия решения при конфликте метрик.
Совет: Были ли стратегии принятия решения в последнем A/B-тесте — готовьте ответ: что делали при росте primary, но падении guardrail.
Маркетинговые метрики и e-commerce
В чём разница между ARPPU и GMV?
GMV — валовый объём транзакций (gross). ARPPU — средняя выручка на платящего пользователя за период. GMV ≠ revenue (комиссии, возвраты).
Что такое CR1?
Конверсия первого уровня воронки — часто CR из показа/визита в первое целевое действие (клик, добавление в корзину). Уточняйте определение в контексте продукта.
В чём разница между приемочной и информационной метрикой?
Приемочная — по ней ship/no-ship. Информационная — понимание механики (engagement, time on page), не блокирует релиз при падении.
Как оценить эффективность рекламной кампании без контрольной группы?
Geo-holdout, synthetic control, diff-in-diff, propensity score matching, incrementality через MMM, до/после с сезонной коррекцией (осторожно с bias).
Какие метрики использовать для оценки рассылок?
Delivery rate, open rate, CTR, CR, unsubscribe/spam, revenue per send, LTV uplift, frequency capping, holdout-группа.
Конверсия из первого заказа во второй упала — какие гипотезы проверите?
Когортный анализ, качество первого опыта, промо-зависимость, сегменты, канал привлечения, сезонность, изменения в продукте/ценах, конкуренты.
Фишка: Вакансия требует опыт полного цикла кампаний: от гипотезы до анализа и защиты. Покажите связку метрик → решение → масштабирование.
Ловушка: Open rate и CTR растут, а LTV падает — возможна «кликбейт»-коммуникация. Обсуждайте guardrail-метрики.
SQL и работа с данными
Какие задачи решал на Python?
ETL/обработка логов, pandas для воронок и когорт, визуализация, автоматизация отчётов, парсинг JSON событий, A/B-анализ.
Работал ли с ClickHouse?
Колоночное хранилище для аналитики больших объёмов; быстрые агрегаты, ARRAY/JSON, отличия от OLTP (MySQL): eventual consistency, append-heavy.
В чём разница между ClickHouse и MySQL?
MySQL — OLTP, транзакции, row-store. ClickHouse — OLAP, column-store, агрегации на больших данных, слабее для частых UPDATE.
Была ли необходимость оптимизировать запросы?
Индексы/partition, материализованные view, убрать SELECT *, переписать подзапросы в CTE, pre-aggregate, explain analyze.
Совет: На live SQL решайте вслух: «сначала определю grain, потом JOIN, потом агрегат». Типовые задачи — воронка кампании, retention, среднее время между заказами (LAG/оконные).
Банковский контекст
В чём разница между дебетом и кредитом?
В бухучёте: дебет — левая часть счёта (приход для активов), кредит — правая (приход для пассивов). В бытовом смысле: дебетовая карта — свои деньги, кредитная — заёмные.
Какие банковские продукты и маркетинговые механики знаете?
Карты, вклады, кредиты, подписки (Прайм), кэшбэк, cross-sell/up-sell, триггерные коммуникации, сегментация RFM, compliance и согласия на коммуникации.
Фишка: GenAI-платформа Сбера автоматизирует создание персонализированных кампаний — покажите понимание, как аналитик задаёт критерии качества и метрики успеха для AI-генерируемого контента.
Поведение на интервью
Расскажи о себе / про опыт работы
2–3 минуты: роль → ключевые задачи CJE/маркетинг/e-com → 1 кейс с метрикой результата → почему эта позиция в Сбере.
Почему ищешь работу?
Фокус на росте: масштаб данных, GenAI-маркетинг, возможность влиять на клиентский опыт экосистемы — без негатива о текущем работодателе.
Были ли ситуации, когда ваше мнение оказалось верным в спорной ситуации?
STAR: данные vs intuition, как убедили стейкхолдеров цифрами, какой был outcome.
Совет: Подтверждённый опыт роста метрик — ключевое требование. К каждому проекту добавляйте baseline → intervention → delta %.
Задачи
Падение конверсии в email-кампании
Open rate кампании вырос на 15%, CTR упал на 20%, CR в целевое действие — на 8%. Как будете разбираться и что порекомендуете маркетингу?
1) Проверить сегментацию и выборку (не смешались ли аудитории). 2) Разложить воронку: delivered → opened → clicked → converted. 3) Сравнить subject line A/B, время отправки, устройства. 4) Гипотезы: кликбейт в теме (↑ open, ↓ CTR), несоответствие контента офферу, технические проблемы (broken links). 5) Качественно: 5–10 интервью или heatmap. 6) Рекомендация: оптимизировать subject+preview, A/B на body, guardrail — CR и unsubscribe rate.
Сложность: O(1) аналитически — фокус на структуре рассуждения
SQL: воронка маркетинговой кампании
Таблицы: users(user_id, reg_date), campaign_events(user_id, event_type, event_time, campaign_id). event_type: 'sent', 'opened', 'clicked', 'converted'. Напишите запрос: для каждой campaign_id посчитать CR sent→opened, opened→clicked, clicked→converted за последние 30 дней.
WITH events AS (
SELECT campaign_id, user_id, event_type,
MAX(CASE WHEN event_type='sent' THEN 1 END) OVER (PARTITION BY campaign_id, user_id) AS sent,
MAX(CASE WHEN event_type='opened' THEN 1 END) OVER (PARTITION BY campaign_id, user_id) AS opened,
MAX(CASE WHEN event_type='clicked' THEN 1 END) OVER (PARTITION BY campaign_id, user_id) AS clicked,
MAX(CASE WHEN event_type='converted' THEN 1 END) OVER (PARTITION BY campaign_id, user_id) AS converted
FROM campaign_events
WHERE event_time >= CURRENT_DATE - 30
),
agg AS (
SELECT campaign_id,
COUNT(DISTINCT CASE WHEN sent=1 THEN user_id END) AS sent_users,
COUNT(DISTINCT CASE WHEN opened=1 THEN user_id END) AS opened_users,
COUNT(DISTINCT CASE WHEN clicked=1 THEN user_id END) AS clicked_users,
COUNT(DISTINCT CASE WHEN converted=1 THEN user_id END) AS converted_users
FROM events GROUP BY campaign_id
)
SELECT campaign_id,
opened_users::float / NULLIF(sent_users,0) AS cr_sent_opened,
clicked_users::float / NULLIF(opened_users,0) AS cr_open_clicked,
converted_users::float / NULLIF(clicked_users,0) AS cr_clicked_converted
FROM agg;Сложность: O(n log n) при сортировке окон; O(n) при агрегате
Оценка A/B-теста нового push-оффера
A/B-тест push-уведомления: control 500k users, test 500k. Primary: CR в покупку за 7 дней. Control CR=2.1%, Test CR=2.3%. Guardrail: unsubscribe rate вырос с 0.3% до 0.45%. Принимаете решение?
1) Z-test для пропорций: p1=0.021, p2=0.023, n=500k → разница ~0.2 п.п. статистически значима. 2) Проверить SRM, длительность, novelty. 3) Guardrail: unsubscribe +50% — риск. 4) Посмотреть LTV uplift, частоту push, сегменты. 5) Решение: не rollout на 100% — ограничить частоту, протестировать softer copy, мониторить long-term retention. Возможен partial rollout с cap на push frequency.
Сложность: O(1)
Когортный анализ LTV
Нужно оценить, как кампания привлечения влияет на LTV. Есть cohorts по месяцу первой покупки и channel. Как построите анализ?
1) Определить LTV horizon (90/180/365 дней). 2) Когорты: first_purchase_month × channel. 3) Метрики: cumulative revenue per user, repeat purchase rate, churn. 4) Сравнить кампанию vs organic с учётом CAC. 5) Payback period = CAC / (monthly ARPU × margin). 6) Качественно: почему когорта X отличается. 7) Рекомендация по бюджету каналов.
Сложность: O(cohorts × periods)
System Design
- Спроектируйте систему метрик для GenAI-платформы автоматического создания маркетинговых кампаний: что измерять на этапах генерации, персонализации, отправки и конверсии?
- Как бы вы организовали дашборд для мониторинга клиентского пути в e-com банковского продукта (от awareness до repeat purchase)?
- Как оценить incrementality маркетинговой кампании в экосистеме с множеством пересекающихся каналов (push, email, in-app, SMS)?
Каркас ответа
- Уточнить бизнес-цель и primary metric (LTV, CR, engagement)
- Определить entities: user, session, campaign, touchpoint
- Разложить journey на этапы и метрики каждого (leading/lagging)
- Описать источники данных и grain агрегатов
- Предложить guardrails и anti-fraud/quality метрики для GenAI (hallucination rate, approval rate)
- Обсудить экспериментальную инфраструктуру: randomization unit, holdout, длительность
- План мониторинга и алертов для операционных метрик
Поведенческое
- Расскажите о проекте, где вы выросли метрики в зоне ответственности
- Опишите ситуацию, когда данные противоречили мнению стейкхолдера — как убедили?
- Как проводили глубинные интервью и как результаты повлияли на продукт?
- Пример полного цикла маркетинговой кампании: от гипотезы до защиты результатов
- Как приоритизируете исследования при ограниченных ресурсах?
- Опыт переговоров с контрагентами и стейкхолдерами
- Почему Сбер и эта роль CJE в GenAI-маркетинге?
- Как объясняете сложные аналитические выводы нетехнической аудитории?
План подготовки
3 дня
- Перечитать описание вакансии и выписать 5 ключевых требований (CJE, A/B, e-com, банк, интервью)
- Подготовить 2-min pitch и 2 проекта по STAR с ростом метрик
- Повторить формулы A/B: z-test, sample size, ratio vs user-level
- Решить 3 SQL-задачи: воронка, LAG между событиями, когорты
7 дней
- Построить CJM для типового банковского/e-com продукта (as-is)
- Разобрать 5 кейсов: падение CR, кампания без holdout, конфликт метрик
- Повторить маркетинговые метрики: CTR, CR, Open/Delivery, LTV, ARPPU vs GMV
- Потренировать live SQL с таймером 15 мин на задачу
- Подготовить вопросы рекрутеру про команду, стек, формат этапов
14 дней
- Систематизировать знания по статистике: параметрические/непараметрические, сезонность, множественные сравнения
- Изучить банковские продукты Сбера и маркетинговые механики (Прайм, карты, cross-sell)
- Подготовить презентацию-скелет: как бы защищали результаты исследования CJE
- Пройти mock-кейс: GenAI-кампания — какие метрики и guardrails
- Повторить Python/pandas basics если указано в резюме
| Блок | Готов, если... |
|---|---|
| Customer Journey | можешь построить CJM, связать этапы с метриками и предложить исследовательский план |
| A/B-тестирование | можешь описать полный цикл теста, объяснить ratio-метрики и валидацию результата |
| Маркетинговые метрики | различаешь Open/CTR/CR/LTV/ARPPU/GMV и знаешь guardrails для кампаний |
| SQL | решаешь воронку и оконные функции за 15 мин, объясняешь ход вслух |
| Кейсы | за 10 мин структурируешь ответ: цель → декомпозиция → гипотезы → метрики → действия |
| Behavioral | 2 истории STAR с измеримым ростом метрик и работой со стейкхолдерами |
В день собеседования
- Проверить связь, тихое место, второй монитор для SQL
- Держать под рукой шпаргалку по метрикам и A/B
- На кейсах: сначала уточняющие вопросы, потом структура, потом цифры
- В финале задать 3 вопроса про команду, метрики успеха роли, roadmap GenAI-платформы