Аналитик качества рекомендаций в VK Музыку

VK Музыка — стриминговый сервис, который объединил музыкальную платформу ВКонтакте и отдельное приложение VK Музыка. Миллионы пользователей слушают здесь музыку, а тысячи артистов находят свою аудиторию.
Мы разрабатываем, улучшаем и поддерживаем крупнейший музыкальный сервис в России, выпускаем приложения для iOS и Android, открываем новые имена и собираем лучшую музыку, обучаем наши рекомендательные системы, чтобы пользователи находили новое любимое, а музыканты — новых преданных слушателей.

Наша команда занимается аналитикой рекомендаций в алгоритмических подборках VK Музыки, ведь разным пользователям важно показать интересную ленту и 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 — решением этих вопросов занимается команда аналитики качества рекомендаций. Мы ищем аналитика, который будет создавать метрики и инструменты оценки качества рекомендаций.

• создавать метрики качества рекомендаций;
• развивать методы определения тематик треков и авторов;
• находить связи компонент рекомендаций с верхнеуровневыми метриками (DAU, Timespent, NPS), валидировать их и встраивать важные компоненты в общую иерархию метрик;
• выявлять текущие проблемы рекомендаций и находить точки роста;
• анализировать поведение пользователей, извлекать инсайты из данных, генерировать гипотезы и проверять их в A/B-тестах;
• строить дашборды, по которым команды продукта и ML смогут принимать решения, основываясь на данных.

• высшее техническое или математическое образование;
• знание SQL (вся обработка больших данных происходит на нём, уровня понимания оконных функций будет достаточно);
• умение писать простые скрипты на Python в Jupyter ноутбуке (для анализа небольших данных и их визуализации);
• хорошее знание математической статистики (мы анализируем много A/B-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 машинным обучением и пониманием работы рекомендательных систем.

• нетривиальные задачи;
• команда, с которой можно экологично спорить, шутить и работать;
• вечеринки, о крутости которых неприлично рассказывать, но невозможно молчать;
• офис у ст. м. «Павелецкая», в котором все мечтают остаться жить;
• большой спортзал, арена для пинг-понга, фрукты, овощи и ещё многое полезное для здоровья.