Как пройти собес продакт-менеджера в Самокат

Что за продукт Самокат

Самокат — q-commerce: доставка продуктов и товаров повседневного спроса за 15–30 минут из dark store (склад без покупателей). Это нечто среднее между ритейлом, складской операцией и логистикой. Цифровой продукт — приложение и сайт — это лишь верхушка айсберга. Под ним — ассортимент, наличие на складе, время сборки, маршрутизация курьеров и плотность сети.

Если на собесе говорить только про экраны приложения — половину контекста теряем. Любая продуктовая гипотеза должна учитывать операционную сторону. Например, идея «добавим в каталог 10 000 SKU» звучит круто, пока не вспомнишь, что каждый SKU занимает место на полке dark store с фиксированной площадью, и каждый дополнительный товар замедляет сборку.

Уровень планки. Самокат — продукт с высокой операционной сложностью и тонкой юнит-экономикой. От продакта ждут понимания, как фича переживёт реальный день на складе, и умения считать на салфетке. На senior — стратегии по гео-расширению и P&L направления.

Этапы собеса

Типовая воронка:

1. Рекрутер — 20–30 минут.
2. Hiring-менеджер.
3. Продуктовый кейс — 60 минут.
4. Аналитика — SQL, A/B, метрики.
5. Cross-functional с операциями или дизайном.
6. Финал.

Всего 4–6 встреч, 3–5 недель — это ориентир, а не гарантия.

Этап	Длительность	Что проверяют
Скрининг	20–30 мин	Мотивация
Hiring-менеджер	45–60 мин	Опыт
Кейс	60 мин	Структура мышления
Аналитика	60–90 мин	SQL, A/B
Cross-functional	45–60 мин	Работа со смежниками
Финал	30–45 мин	Стратегия, фит

Кейсы по q-commerce

Кейс на retention. «Падает retention в городе N. Что копать?» Сегментация по складу, времени доставки, ассортименту, доли out-of-stock, отказам. Внешние: погода, конкуренты (Яндекс Лавка, Купер, ВкусВилл), плотность складов.

Кейс на конверсию. «Снизилась конверсия в заказ. Гипотезы?» Цена, ассортимент, минимальный заказ, время доставки, наличие, релиз приложения, новый макет каталога.

Кейс на новый формат. «Запускаем доставку готовой еды. Метрики и риски?» Каннибализация заказов продуктов, операционная сложность (готовка vs сборка), AOV, маржа, зависимость от партнёров-кухонь.

Кейс на новый склад. «Открываем dark store в районе X. Какие метрики важны в первые 90 дней?» Заказы в день на склад, стоимость заказа, утилизация курьеров, OOS, retention пилотных юзеров.

Кейс на ассортимент. «Хотим решить, какие 200 SKU убрать из каталога. По каким признакам?» Sell-through, маржа, доля в корзине, частота покупки, заменяемость аналогами.

Шаблон ответа:

1. Уточнение целей.
2. Декомпозиция воронки.
3. Сегментация — обязательно по складу.
4. Гипотезы по продукту, ассортименту, операциям.
5. Анти-метрики — время доставки, доля отказов, маржа.
6. План эксперимента — обычно гео.

Развёрнутый пример. «Падает конверсия в заказ». Уточняю — на сколько, по всем складам или одному, дата падения. Декомпозирую: конверсия = добавление в корзину × доход до чек-аута × оплата. Сегментирую по складу, новым/старым юзерам, AOV. Гипотезы: вырос out-of-stock на топовых SKU, сезонный сдвиг (лето → зима), цены подросли, ассортимент сузили, время доставки выросло. Антиметрика — маржа: убирать минимальный заказ — поднимем конверсию, но убьём юнит-экономику.

Метрики dark store

Знать обязательно:

• Заказы, AOV, частота на пользователя.
• Конверсия в заказ, retention.
• Время доставки (медиана, 90-й перцентиль).
• Доля заказов с просрочкой.
• Out-of-stock rate (доля товаров, отсутствующих в нужный момент).
• Sell-through и оборачиваемость склада.
• Утилизация курьеров.
• Юнит-экономика заказа: AOV × маржа − стоимость доставки − стоимость сборки − промо.
• GMV на склад в день.
• Стоимость заказа на склад.

Q-commerce — экономика на грани. Один просчёт по плотности заказов и склад убыточен. Маржа в продуктах низкая (порядка единиц процентов как ориентир — конкретика зависит от категории), и вытягивает её только высокая частота заказов и плотная логистика.

Связь метрик друг с другом. AOV растёт — частота может упасть (большие заказы реже). Время доставки падает — стоимость заказа растёт (нужно больше курьеров). OOS падает — оборачиваемость склада падает (больше товара лежит на полках). Хороший продакт держит этот трейд-офф в голове и на кейсе показывает, что видит обе стороны.

Решение	Главная метрика	Контр-метрика
Расширение ассортимента	AOV, конверсия	OOS, скорость сборки
Снижение мин. заказа	Частота, конверсия	Маржа на заказ
Промо на новых юзеров	Активация	CAC, payback
Подписка на доставку	Retention, частота	Маржа на заказ
Новый склад	GMV в день	Стоимость заказа

Цифры — ориентир, не гарантия. На конкретном гео и сезоне всё может выглядеть иначе.

Аналитическая секция

SQL — оконки, когорты, воронки. Часто задача на расчёт частоты заказов в когортах, retention M1/M3, топ SKU по выручке, доля заказов с OOS.

A/B — нужно понимать гео-эксперименты, потому что эффекты часто проявляются на уровне склада/города. Классический рандомизированный A/B в q-commerce работает не всегда: ассортимент и время доставки общие для всего склада. Поэтому используют:

• Гео-эксперименты (один склад/район — тест, другой — контроль).
• Switchback (одно временное окно — фича включена, другое — выключена).
• Кластерную рандомизацию.
• Synthetic control для оценки эффектов на больших гео-единицах.

На senior — про мощность теста, MDE, поправки на множественную проверку, CUPED. На middle — понимать, почему классический A/B не подходит, и что вместо него.

Полезный мини-кейс для тренировки. Тебе говорят: «хотим проверить, поднимет ли GMV увеличение каталога на 500 SKU». Классический рандомизированный A/B по юзерам не сработает — каталог общий для всего склада. Решение: запустить новые SKU на одном складе, сравнить с похожим контрольным складом, мерить через synthetic control с поправкой на сезонность и базовый тренд. Горизонт — минимум 4–8 недель, чтобы успеть пройти полный цикл закупки.

Поведенческая секция

Истории STAR. Что хорошо ложится:

• Решение, которое улучшало пользовательский опыт, но било по операциям.
• Конфликт с командой склада или закупок.
• Запуск, который пришлось откатить.
• Работа в условиях неполных данных.
• Cross-functional проект — продакт, операции, дизайн вместе.

Формула — Situation → Task → Action → Result, обязательно с цифрами. Цифры не выдумывать — лучше честно сказать «точных данных не помню, порядки такие-то», чем попасться на проверке.

Как готовиться

1. Неделя 1 — продукт. 5+ заказов в Самокате, разобрать поиск, корзину, чек-аут, статусы, сравнить с Лавкой и ВкусВиллом.
2. Неделя 2 — метрики q-commerce. Разобрать unit-экономику, ассортимент, OOS, оборачиваемость склада.
3. Неделя 3 — кейсы по 30–45 минут, минимум 5.
4. Неделя 4 — SQL, гео-эксперименты, мок-интервью.

Ежедневный минимум — 5–10 вопросов в тренажёре, один разобранный кейс на бумаге. Перед собесом — повторение базы, не нахвататься новых тем.

Что почитать. Публичные интервью продактов q-commerce, разборы dark store экономики, базовая литература по retention и юнит-экономике. Лекции и записи доступны бесплатно — не обязательно покупать курсы. Главный фокус — практика, а не объём прочитанного.

Что спросить интервьюера

• Какая north star у команды?
• Как устроены приоритизация и эксперименты на уровне складов?
• Какие самые провальные запуски и что вынесли?
• Как взаимодействуют продуктовая и операционная команды?
• Как выглядят первые 90 дней нового продакта?

Частые ошибки

• Думать только про приложение, забывая про склад и курьера.
• Не учитывать ассортимент и OOS — а это половина продукта.
• Пытаться запустить классический A/B там, где нужны гео.
• Не считать unit-экономику.
• Лезть в фичу без декомпозиции.
• Игнорировать сезонность и погоду.
• Зачитывать фреймворки по буквам.

Связанные темы

• Как пройти собес продакт-менеджера в X5
• Как пройти собес продакт-менеджера в Delivery Club
• A/B-тесты простыми словами
• Метрики продуктовой аналитики
• Когортный анализ

FAQ

Сколько этапов собеса в Самокате?

4–6: рекрутер, hiring-менеджер, кейс, аналитика, cross-functional, финал.

Какой уровень SQL?

Middle. Оконки, когорты, воронки, JOIN, GROUP BY.

Нужен ли опыт в q-commerce?

Не обязательно. Подойдёт e-commerce, доставка, маркетплейсы.

Спрашивают ли про unit-экономику?

Часто. Ждут, что вы умеете считать на салфетке.

Делают ли тестовое?

Иногда. Чаще кейс на интервью.

Сколько готовиться к собесу?

3–5 недель при наличии опыта. С нуля — 2–3 месяца.

Какие гео-эксперименты ждут?

На senior — понимание switchback, synthetic control, кластерной рандомизации. На middle — общее понимание, почему классический A/B плохо работает на уровне склада.

Как готовить STAR-истории?

Заранее, на бумаге. 8–10 штук, разной формы (конфликт, провал, лидерство, решение без данных). Без цифр — слабо.

---

Готовьтесь к собесу системно — откройте тренажёр с разборами кейсов, SQL и метрик для продактов.