Подскажите вайлдберриз

Question

Общая ситуация на рынке
Финтех в России сейчас растет за счет экосистем. Маркетплейсы, банки и IT-компании перестают быть просто сервисами и превращаются в платформы с платежами, кредитами, рассрочками и подписками. Wildberries логично двигается в эту сторону, усиливая финансы рекламной экспертизой Russ и собственной пользовательской базой.
Основные тенденции рынка
	1.	Встраиваемые финансы
Финансовые продукты становятся частью основного пользовательского сценария. Покупка, оплата, кредит и возврат происходят в одном интерфейсе без переходов.
	2.	Рост BNPL и кредитных продуктов
Рассрочки, короткие кредиты и лимиты под покупки растут быстрее классического кредитования. Для аналитика здесь важны воронки, дефолты и повторное использование продукта.
	3.	Data-driven подход
Продуктовые решения принимаются на основе данных. Сильный фокус на A/B тесты, когортный анализ, метрики LTV, CAC, конверсию, churn.
	4.	Риск-аналитика и скоринги
Компании активно внедряют ML-модели для оценки рисков. Аналитик должен уметь работать на стыке продукта, данных и ML-команды.
	5.	Усиление требований к инфраструктуре данных
Важно не только анализировать, но и уметь выстроить витрину, заказать логи, проверить корректность данных, понимать, откуда берется каждая цифра.
Конкурентная среда
Основные конкуренты по финтех-продуктам:
	•	Ozon (Ozon Card, рассрочки, кредиты)
	•	Яндекс (Pay, Split)
	•	Сбер экосистема
	•	Тинькофф
Преимущество Wildberries в огромной пользовательской базе и частоте покупок, что дает много данных для аналитики и тестирования гипотез.
Блок 1. Опыт и подход к аналитике
	1.	С какими продуктами вы работали как аналитик? Что именно анализировали?
	2.	Как вы понимаете роль продуктового аналитика в команде?
	3.	Как выглядит ваш стандартный процесс анализа новой фичи?
	4.	Приходилось ли вам работать с продуктами на стадии активного роста?
Блок 2. A/B тестирование
	5.	Как вы формулируете гипотезу для A/B теста?
	6.	Какие метрики вы бы выбрали для оценки новой кредитной фичи?
	7.	Как проверяете статистическую значимость результатов?
	8.	Что вы будете делать, если результаты теста противоречивые?
Блок 3. Работа с данными и инфраструктурой
	9.	Был ли опыт заказа логов у разработки? Как формулировали требования?
	10.	Что для вас качественная витрина данных?
	11.	Как проверяете корректность данных перед анализом?
	12.	С какими DWH вы работали?
Блок 4. Продуктовая аналитика
	13.	Какие продуктовые воронки вы строили?
	14.	Как находите точки роста в продукте?
	15.	Какие метрики вы считаете ключевыми для финтех-продуктов?
	16.	Был ли опыт влияния аналитики на продуктовые решения?
Блок 5. Риск-аналитика и ML
	17.	Работали ли вы со скорингами или риск-моделями?
	18.	Как аналитик может влиять на снижение рисков?
	19.	Как вы выстраиваете взаимодействие с ML-командой?
	20.	Какие данные важны для оценки кредитных рисков?
Блок 6. Soft skills
	21.	Как вы объясняете сложные аналитические выводы неаналитикам?
	22.	Что для вас сложнее всего в работе аналитика?
	23.	Как вы реагируете на критику своих выводов?
	24.	В каких случа