Аналитик-разработчик в чекаут (Ecom-сценарии)

Мы строим новое бизнес-направление Transactional AI — это когда AI-ассистент не просто советует, что купить, а доводит покупку до конца: подбирает товар, оформляет заказ, принимает оплату, отдаёт в доставку. Пользователь не уходит из диалога на сайт магазина — транзакция происходит там же, где ведётся разговор.

Для этого мы хотим унифицировать опыт покупки товаров в интернете, чтобы пользователю не пришлось подстраиваться под интерфейсы / логистику / варианты оплаты сотни тысяч разных интернет-магазинов в рунете.

Наше решение — универсальный чекаут: единый экран оплаты, к которому подключается магазин. Вместе с ним магазин получает логистику Яндекса, Яндекс Сплит и другие сервисы, а пользователь — один и тот же предсказуемый опыт покупки в любом подключённом магазине.

Сейчас наш продукт находится на стадии zero to one, очень быстро развивается, и нужно строить аналитику с нуля: пользовательские воронки, привлечение и эффективность мерчей в чекауте, аналитика качества технологий. Нам нужен сильный аналитик-разработчик, который хочет и готов держать большой контекст нашего бизнеса, искать драйверы роста продукта.

Поиск слабых мест в конверсии чекаута
Воронка от показа до заказа состоит из множества шагов, и на каждом можно терять пользователей. Нужно находить, где именно проседает конверсия, разбираться в причинах и предлагать, что с этим делать.

Создание инструментов для раздебага ступенек воронки
Одной метрики «конверсия упала» недостаточно: нужно быстро понимать, на каком шаге, у каких сегментов и почему. Предстоит строить инструменты и дашборды, которые позволяют разложить проблему на составляющие и найти причину.

Анализ A/B-экспериментов
Эксперименты в чекауте напрямую влияют на то, доходит ли пользователь до заказа. Нужно уметь оценивать результат, когда одна метрика растёт, а другая падает, и делать однозначный вывод — проводить эксперимент или нет.

Анализ ретеншена в чекауте
В перспективе вас ждёт анализ ретеншена в чекауте. Важно понимать, возвращаются ли пользователи и что влияет на их повторное обращение к чекауту.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

• Работали с большими объёмами событийных данных и логами различных сервисов
• Анализировали воронки продукта и метрики конверсии
• Уверенно владеете Python и SQL
• Знаете статистику и теорию вероятностей
• Можете самостоятельно разбираться в данных, находить проблемы качества и причины аномалий
• Умеете доводить анализ до конкретного вывода и рекомендации, а не только до графика

• Участвовали и побеждали в олимпиадах по математике, физике, программированию
• Работали с архитектурой аналитических данных продукта: собирали витрины, понимаете, что такое ETL
• Разрабатывали и внедряли новые метрики
• Проводили и анализировали A/B-эксперименты