Дзен — это контентная платформа, ленту рекомендаций которой ежедневно используют более 20 млн пользователей. Наша команда занимается аналитикой рекомендаций в основной ленте, на странице видео и в коротких вертикальных роликах.

Почему Дзен:

• масштаб: Дзен — один из крупнейших по аудитории интернет-сервисов России; мы строим метрики по терабайтным логам и размечаем миллионы документов через краудсорсинг;
• full stack: аналитики выполняют широкий спектр задач, от оценки точек роста сервиса до создания KPI метрик, проведения А/Б-экспериментов, анализа конкурентов — можно прокачаться во всех аспектах промышленной аналитики;
• уникальность: мы решаем «задачу трех тел», уделяя внимание всем заинтересованным сторонам — пользователям, авторам и бизнесу с их разными потребностями; прокачаетесь не только в hard, но и soft скиллах.

Задачи

• Продуктовые качества рекомендаций.

В Дзен приходят разные пользователи, и всем им важно показать интересную ленту. По онлайн-сигналам нужно понимать, что из показанного понравилось, а что нет; как показывать больше подходящего контента (и что это за контент такой) и при этом балансировать между поиском новых интересов и использованием уже существующих; какие факторы увеличивают вовлеченность, а какие приводят к оттоку пользователей. Будем проводить исследования и разрабатывать метрики, чтобы ответить на эти вопросы.

• Рекомендации в роликах.

Короткие вертикальные видео популярны на многих площадках, в том числе в Дзене. Это молодая аудитория и новые авторы, создающие тренды. Из-за небольшой длины ролика и малого количества явного фидбэка от пользователя очень сложно понять, действительно ли ролик зашел, или его просмотрели по инерции. Здесь нужна своя логика рекомендаций, отличная от основной ленты. Будем разбираться, как прогревать пользователей, что считать позитивным взаимодействием с роликом, искать точки роста.

Требования

• опыт работы аналитиком от 3х лет;
• высшее техническое или математическое образование;
• знание SQL (вся обработка больших данных происходит на нем, уровня понимания оконных функций будет достаточно);
• умение писать простые скрипты на Python в Jupyter ноутбуке (для анализа небольших данных и их визуализации);
• знание математической статистики (мы анализируем много А/Б-тестов, в которых нужно понимать, насколько случайны получившиеся результаты);
• опыт построения продуктовых метрик (большинство решений принимается, основываясь на data-driven подходе — будет полезно понимать, как обложить сервис метриками и как их валидировать);
• приветствуется опыт работы с краудсорсингом (используем Толоку для сбора данных и построения офлайн-метрик — но если что, научим);
• понимание принципов ML на базовом уровне (как использовать обученные модели, что такое precision/recall).