Владелец продукта: рекомендательная система смен

• Разработка и развитие алгоритмической системы подбора исполнителя на смену (matchmaking engine), повышающей конверсию «показ → бронь».
• Построение персонализированной ленты смен на основе истории выходов и рейтинга.
• Внедрение мультиобъективной оптимизации (доход платформы, удовлетворённость исполнителя, лояльность клиента).
• Управление командой из 5–6 человек (PM, DS, ML, Growth, Content).
• Постановка A/B-тестов и экспериментов (bandit tests, interleaving) для персонализации ленты смен.
• Интеграция с LLM-эмбеддингами для семантического поиска и умного описания смен.
• Мониторинг метрик ранжирования (Precision@K, NDCG, CTR, Match Conversion Rate).
• Повысить Take Rate и SLA до 95%

У тебя точно всё получится, если есть:

• 
  3+ года
  
  на позиции
  
  Product Manager
  
  в двухсторонних маркетплейсах (Рекомендательная система / ranking / рекомендательные системы). Предпочтительный опыт: gig-платформы, HR Tech, классифайды (OLX, Aвито), маркетплейсы товаров или услуг (Озон, ВБ).
• Опыт запуска и оптимизации алгоритмических систем подбора (matchmaking / recommendation engine) с нуля или на этапе активного роста.
• Опыт управления A/B-тестами рекомендательных алгоритмов (bandit tests, interleaving).
• Опыт работы с дата-сайентистами и ML-инженерами: постановка задач, валидация гипотез, приоритизация экспериментов.
• Понимание
  
  метрик рекомендательных систем
  
  (Precision@K, Recall@K, NDCG, Coverage, Serendipity).
• Знание
  
  типов алгоритмов мэтчинга
  
  : коллаборативная фильтрация, контент-фильтрация, гибридные подходы, learning-to-rank (LTR).
• Уверенное использование
  
  SQL
  
  для глубинного анализа данных (сегментация, когортный анализ, воронки).
• Опыт описания требований к ML-моделям в формате
  
  PRD / BRD / ALMA
  
  (Agile Local Model Alignment).
• Понимание работы
  
  векторных баз данных
  
  (Pinecone, FAISS, Milvus) и
  
  LLM-эмбеддингов
  
  для семантического поиска.
• Базовые знания Python для анализа прототипов.
• Системное мышление: способность декомпозировать сложную предметную область (исполнитель, смена, ТТ, рейтинг, гео) на управляемые компоненты.
• Data-driven подход, включающий умение формулировать продуктовые гипотезы и защита перед СЕО.
• Навык балансировки trade-off’ов между
  
  точностью рекомендаций
  
  и
  
  разнообразием выбора
  
  (exploration vs exploitation) и
  
  латентностью
  
  .
• Клиентоориентированность: понимание как потребностей заказчика (B2B), так и исполнителя (B2C) для поиска оптимального матча.

Будет плюсом

• Опыт внедрения
  
  multi-objective optimisation
  
  (оптимизация сразу по нескольким бизнес-метрикам).
• Опыт работы с
  
  real-time системами
  
  и алгоритмами ранжирования в условиях высокой нагрузки (RPS > 100).
• Понимание
  
  user behavior modeling
  
  и методов персонализации без явных предпочтений пользователя (implicit feedback).

​​​​​