Product Lead (Analytics ML)

Вся мобильная реклама держится на одном разрыве: выручка от привлечённого пользователя приходит в течение года, подписками и продлениями, а решение, продолжать ли тратить на канал, нужно принять за несколько дней. Этот разрыв закрывает предсказание LTV — и от точности прогноза напрямую зависит, сколько приложение может позволить себе потратить на рост.

Направление собирается с нуля: аналитика, предикт и A/B-тесты впервые сходятся под одним владельцем. Ты получаешь чистый лист в решениях поверх продукта, который уже приносит деньги двадцати тысячам приложений.

— Определить, что мы считаем качеством модели — метрика, горизонт, baseline, калибровка — и довести предикт до этого уровня

— Забрать A/B-тесты пейволлов и свести их с предиктом: тест меряет краткосрочный эффект, а раскатывать надо по долгосрочной выручке

— Разогнать аналитику: найти, где затык — в данных, запросах или интерфейсе

— Решить судьбу накопленных ML-наработок: что доводим до продукта, что закрываем

— Вести команду из двух ML-инженеров

— Классический ML и матстат на уровне предметного спора о метрике и горизонте, а не пересказа чужих выводов

— SQL и Python — сами достаёте и перепроверяете числа

— Умение взять широкое направление и довести до результата без постановки задач

— Продуктовый опыт — плюс, но не требование

📌Плюсом: подписки, мобайл или финтех (LTV, churn, когортная экономика); экспериментальный дизайн: мощность, MDE, множественные сравнения; ClickHouse; олимпиады, Kaggle, публичные проекты.