Системный аналитик Middle / Middle+

Задачи: — масштабировать A/B-тестирование: гипотезы, дизайн, приоритизация, запуск и анализ экспериментов — рассчитывать метрики, sample size и длительность тестов, контролировать рандомизацию и статистическую корректность — настраивать и мониторить эксперименты, проводить QA и взаимодействовать с продуктом, разработкой и QA — анализировать результаты и сегменты, применять sequential testing, переводить выводы на бизнес-язык — развивать data pipelines, ETL/ELT и единый слой метрик для экспериментов — контролировать качество данных и оценивать их влияние на бизнес-метрики и статистическую достоверность — проводить sensitivity analysis и оптимизировать сбор данных без потери качества результатов — разрабатывать self-service инструменты для запуска и анализа экспериментов — автоматизировать аналитику с помощью LLM: SQL, отчёты, первичный анализ результатов — развивать документацию, стандарты и best practices по experimentation Требования: — от 2 лет опыта в A/B-тестировании — полный цикл от гипотезы до интерпретации результатов — практический опыт масштабирования experimentation-программ — хорошее понимание p-value, доверительных интервалов, статистической мощности, sample size — опыт работы с ratio-метриками: AOV, ARPPU, conversion rate и др. — знание методов анализа ratio-метрик: линеаризация, bootstrap — понимание рисков peeking и multiple testing, знание sequential testing — продвинутый SQL: оконные функции, сложные JOIN, агрегации на больших объёмах данных — Python для анализа данных и автоматизации: pandas, numpy, scipy / statsmodels — понимание архитектуры ETL/ELT и data pipelines, принципов построения витрин и контроля качества данных — опыт оценки влияния объёма и качества данных на бизнес-метрики и статистическую достоверность экспериментов — опыт применения sensitivity analysis для оценки ценности отдельных сессий и событий — опыт работы с платформами экспериментов: Optimizely, SiteSpect или внутренними решениями — опыт работы с product analytics: GA4, Amplitude, Mixpanel — понимание архитектуры сбора и обработки экспериментальных данных Будет плюсом: — опыт автоматизации аналитических задач с помощью LLM и AI-агентов (генерация SQL, первичный разбор результатов) — навыки разработки self-service инструментов для продуктовых команд — опыт создания internal experimentation platform: хранение метаданных, расчёт метрик, логика сегментации — знание особенностей mobile app testing и ограничений in-app экспериментов — опыт работы с персонализацией: Dynamic Yield, Nosto