Порция вопросов с собесов продактов: метрики
спрашивает один небезызвестный банк

1. Отличие среднего и медианы?
>> Среднее — сумма всех значений, делённая на их количество.
>> Медиана — значение, которое делит выборку пополам: 50% значений меньше него, 50% — больше.
Когда что использовать?
>> Среднее — для данных без аномалий (равномерное распределение).
>> Медиана — если есть выбросы (крайние значения), чтобы оценить «типичное» поведение.
Пример: Чеки 10 пользователей: [1000₽, 1200₽, 1100₽, 1000₽, 950₽, 1050₽, 900₽, 800₽, 1300₽, 100 000₽].
Средний чек = ~11 730₽ (дезориентирует из-за выброса).
Медианный чек = 1025₽ (отражает реальное положение дел).

2. Как посчитать ретеншн второго дня?
Показывает, какая доля новых пользователей вернулась на следующий день после первого визита.
Формула:
(Число пользователей, вернувшихся на 2-й день) / (Число новых пользователей в день X) × 100%.
Пример: 100 регистраций 1 сентября, 25 вернулись 2 сентября → D2 Retention = 25%.

3. Как считать ретеншн второго дня за месяц?
Правильный подход (когортный анализ):
1. Берём всех пользователей, зарегистрировавшихся за месяц.
2. Для каждого считаем, вернулся ли он на свой второй день.
3. Считаем общий процент: (Вернувшиеся / Все новые) × 100%.
Альтернатива (редко используется):
Усреднить дневные значения D2 ретеншна за все дни месяца.
Первый метод точнее, так как оценивает удержание именно месячной когорты новичков.

Ну наконец то есть чем порадовать маму с папой - неужели внуками снялась для телика

Это кстати нравится в профессии продакта - есть возможность поделать сильно разное, для тех кто не может постоянно одноплановые задачи - топ, рекомендую

Угадайте про что вещаю с первой попытки

Токсичные коллеги: почему люди жалуются и идут по головам (и как с этим жить)

В любой компании есть такие люди: исподтишка они шепчутся о «некомпетентности руководства», на общих встречах критикуют работу других, а в личных беседах с начальством — аккуратно подставляют коллег, чтобы выгоднее выглядеть на фоне.

Сначала кажется, что это просто неприятные личности. Но если копнуть глубже — это стратегия выживания (пусть и токсичная). И она работает… до поры до времени.

Почему люди так делают?
>> Страх конкуренции
— Нет уверенности в своих навыках → легче обесценить других, чем прокачаться.
— «Если я докажу, что все вокруг плохие, мои ошибки будут не так заметны».

>> Попытка быстрого роста
— Карьера через интриги кажется коротким путём: не нужно годами доказывать экспертность, достаточно удачно устранить конкурентов
— Но такой рост хрупкий — доверие теряется быстрее, чем приобретается.

>> Культура компании
— Если руководство поощряет доносы и стравливание команд, система сама плодит таких людей.
— В здоровой среде это не работает, в токсичной — становится нормой.

Что делать, если вы столкнулись с таким человеком?
>> Не включаться в игру
— Жалобы и сплетничество затягивают. Лучшая тактика — нейтральная «я не комментирую коллег» и перевод темы.

>> Фиксировать факты
— Если вас пытаются подставить, сохраняйте переписки и документируйте решения. Без эмоций, только пруфы.

>> Укрепление своей репутации
— Люди, которые идут по головам, чаще всего проигрывают тем, кто делает ставку на реальные результаты.

>> Резать информационную петлю
— Чем меньше о вас знает токсичный коллега, тем сложнее ему вас использовать. Дозируйте личные подробности.

Такие люди редко добиваются долгосрочного успеха — рано или поздно их перестают воспринимать всерьёз. Но пока система даёт им шансы, они будут существовать.

Поэтому задача - не перевоспитывать их, а не дать втянуть себя в эти игры. Карьеру строят те, кто умеет работать с реальными проблемами, а не с чужими репутациями.

А вы сталкивались с такими коллегами? Как реагировали?

Кейс с собеса на ML-дизайн для продакта

В этом посте делилась фреймворком ответа

Представьте, вы продакт в маркетплейсе товаров для хобби — от вязания до кулинарии и моделирования.
Платформа запустила раздел с гайдами и мастер-классами, и вам нужно добавить фичу: пользователь нажимает «Хочу сделать», и в корзину автоматически добавляются все нужные материалы и инструменты.

1. Формулировка задачи
Бизнес-задача — повысить конверсию гайдов в заказы.
ML-задача — предсказать набор товаров, соответствующих шагам инструкции, с нужным количеством и вариантами.

Можно смотреть на это как на:
- задачу рекомендации товаров (по содержанию гайда);
- или извлечение сущностей (распознать в тексте и фото, что именно нужно).

2. Данные и источники
- Тексты и фото гайдов (ингредиенты, материалы, шаги).
- Исторические связки «гайд → купленные товары».
- Метаданные товаров (категория, бренд, объем, цена).
- Поведение пользователей (что добавляли, заменяли, удаляли из корзины).

3. Возможные подходы
Базовое правило: вручную связать гайды и товары (MVP без ML).
Content-based: искать похожие товары по описанию и тегам.
ML-подход:
- Модель NER извлекает сущности из текста гайда («пряжа 100 г», «спицы №4»).
- На их основе формируются векторные представления (embeddings).
- Далее модель ищет ближайшие товары из каталога по смысловому сходству.
- Дополнительно — рекомендательная модель для подбора замен и аналогов (по рейтингу, популярности, цене).

4. Что происходит внутри ML
На входе:
- Текст и изображения гайда.
- Каталог товаров с описаниями и параметрами.

Обработка:
- Модель извлекает ключевые сущности (материалы, инструменты, характеристики).
- Преобразует их в числовые вектора (embeddings).
- Находит ближайшие товары в каталоге по семантическому сходству.
- Фильтрует результаты по доступности, цене, бренду и рейтингу.

На выходе:
- Список релевантных товаров (основной и запасные варианты).
- Для каждого — количество, цена, ссылка на карточку.
- Этот список автоматически добавляется в корзину пользователя.

5. Метрики успеха
- Конверсия из клика «Хочу сделать» в заказ.
- Средний чек.
- Частота корректировок корзины (если часто редактируют — качество низкое).
- Precision / Recall для оценки совпадений товаров на этапе обучения.

6. MVP и масштабирование
- Начать с ручной или полуавтоматической разметки гайдов.
- ML-модель предлагает пары «гайд — товары», контент-команда подтверждает.
- Постепенно перейти к полной автоматизации.
- Добавить персонализацию: подбор товаров по брендам, цене и уровню сложности пользователя.

AI на собесах: что спрашивают и что нужно уметь

Все больше компаний добавляют на собеседования отдельный блок вопросов про AI-инструменты. И речь не про «AI всех заменит», а про то, что это — новый базовый рабочий инструмент. Как когда-то Excel или SQL.
Особенно это заметно в вакансиях, где AI — часть продукта или процессов: PM, аналитика, создание контента. Там проверка знаний уже обязательна.

Какого формата проверка:

1. Какие AI-инструменты вы используете и для каких задач?
Проверяется не«набор приложений», а понимание логики применения:
где AI ускоряет ресёрч, где помогает с кодом, где закрывает рутину или генерирует варианты.
С примерами: Cursor для рефакторинга, Claude для длинных документов, Midjourney для визуалов.

2. Как AI ускоряет путь от идеи до прототипа?
Тут чаще обсуждают практику и понимание того что AI всё сам не сделает
— быстрое создание сценариев, UI-набросков, пользовательских потоков;
— использование генераторов для wireframes и кликабельных прототипов;
— реальные примеры: Figma-плагины, генерация интерфейсов, автосоздание копирайта.

3. Что такое LLM и как она учится?
Базовое понимание того что модель предсказывает следующий токен, проходит этапы предобучения, дообучения и настройки на человеческую обратную связь.

4. Какие ограничения есть у моделей?
Обычно обсуждают реальные провалы: галлюцинации, слабую логику в многошаговых задачах, ограниченный контекст, отсутствие онлайн-данных.
Часто просят привести пример, когда модель ошиблась — и что вы сделали дальше.

5. Как снижать галлюцинации в продукте?
Про глубину практических навыков: RAG, верификация данных, человек-в-цикле, грамотные UX-ограничения.
Иногда — про метрики качества: groundedness, task completion, скорость и стоимость генерации.

Что важно уметь

>> Базовая AI-грамотность.
Понимать, как устроены модели, где они сильны, где слабы и когда их лучше не использовать.

>> Навык структурного промптинга.
Чёткая постановка задачи: контекст → роль модели → шаги → ограничения → формат результата.

>> Интеграция AI в рабочие процессы.
Не абстрактно, а через свои кейсы: автоматизация, анализ, черновики, эксперименты, быстрые гипотезы.

>> Критическое мышление.
Умение проверять ответы, замечать ошибки, не перекладывать ответственность на модель.

>> Оценка эффективности.
Понимание, как измерять пользу: скорость, снижение рутины, качество решений, экономия.

С Наступающим Новым Годом дорогие!

2025, спасибо!
Этот год был не простым у многих, но результаты оправдывают усилия, и это радует!

Хочу пожелать вам, чтобы вы и ваши близкие были всегда здоровы! Это действительно самое главное 🙏🏼🩷
Остальное можно заработать.

Пусть цели достигаются и мечты сбываются ✨

Наступает год огненной лошади, поэтому улыбаемся и будем на коне!

2026, пусть всё получится!