Яндекс постоянно улучшает свои сервисы. Мы измеряем «счастье» пользователя: удобно ли пользоваться Яндекс Поиском, как быстро он помогает решить задачу, — а также определяем пользу коммерческого среза: какие покупки помог совершить Яндекс, сколько их было. Чтобы понять, будет ли планируемое нововведение полезным, мы обычно проводим A/B-эксперименты: делим пользователей на две группы, каждой из которых показываем свою версию продукта. Мы не ограничиваемся базовыми подходами к построению метрик и повышению чувствительности: стараемся разрабатывать новые сигналы удовлетворённости пользователей, находим решения в условиях неполных данных, придумываем неожиданные способы применения машинного обучения. Вы присоединитесь к одной из сильнейших аналитических команд Яндекса, которая создаёт метрики, определяющие развитие Поиска. Мы разрабатываем собственные методы оценки качества, решаем сложные исследовательские задачи и внедряем современные ИИ-инструменты, включая LLM-агентов, чтобы автоматизировать рутинную аналитику и сосредоточиться на поиске новых продуктовых инсайтов.

Обязанности:

Создание системы метрик для выбора той или иной версии продукта
Мы смотрим на все действия пользователя и понимаем, когда задача в Поиске была решена успешно. Мы видим, насколько успешное решение было простым и удобным. В итоге получается разметка успешности сессий пользователя, по которой обучается ML-модель. Наша команда отвечает не только за таргет этой модели, но и за превращение предсказаний модели в конечную метрику — основную приёмочную метрику Поиска. Разработка метрик удовлетворённости пользователя на фокусных срезах
Мы уделяем большое внимание фокусным срезам. Если запрос коммерческий, то действия пользователя сильно отличаются от действий при информационных запросах. При этом нам гораздо сложнее понять, когда задача была решена, а когда нет. На помощь приходят сигналы покупок и добавления товара в корзину. Мы разделяем интент пользователя на информационный и покупочный и по-разному определяем успешность в зависимости от цели запроса. Построение прокси-метрики к заданной верхнеуровневой метрике
Приёмочная метрика должна не только локально отражать «счастье» пользователя, но и быть прокси-метрикой к таким бизнес-метрикам «счастья», как SpU в общем для Поиска и количество покупок пользователей на коммерческом срезе. Мы показываем, что локальная польза связана с долгосрочной, а также находим способы изменения метрик «счастья», чтобы эта связь усиливалась. Адаптация Поиска к ограничениям
На мобильных устройствах периодически включаются «белые списки». Мы, естественно, хотим показывать лучшие доступные ссылки даже в таких условиях. При этом нельзя просто отдать пользователю новую выдачу, состоящую из доступных документов, потому что пользователь будет упорно искать именно то, что он ожидал увидеть. Эти особенности пользовательского поведения нужно исследовать, и они превращают задачу в очень интересную для аналитики.

Ключевые навыки:

  • Программируете на Python
  • Любите математику
  • Владеете основами теории вероятностей и математической статистики
  • Умеете решать нестандартные математические задачи
  • Читаете и понимаете профильные тексты на английском языке
  • Способны спокойно и аргументированно отстаивать свою точку зрения и выслушивать чужую

Дополнительные требования:

  • Применяли машинное обучение
  • Победитель или призёр международных или всероссийских олимпиад по математике