Собеседование на AI PM в Альфа-Капитал

Почему Альфа-Капитал — особенный работодатель для AI PM

«Альфа-Капитал» — одна из крупнейших независимых управляющих компаний в России, входит в «Альфа-Групп». Под управлением — сотни миллиардов рублей в ПИФах, ИИС, индивидуальном доверительном управлении и пенсионных программах. Для AI PM это значит, что любая фича работает в плотно зарегулированном пространстве: каждое инвест-предложение требует юридического и compliance-review, а ошибка модели в робо-эдвайзере может стоить лицензии и репутации.

AI PM в Альфа-Капитале отвечает за продукты на стыке asset management и data: робо-эдвайзеры для розничных инвесторов, prediction churn по AUM, recommendation финансовых продуктов под профиль клиента, NLP для отчётности, AML-сигналы, LLM-копилоты для управляющих и клиентских менеджеров. Главный челлендж — explainability и regulatory comfort: модель должна не просто работать, а уметь объяснить решение клиенту и регулятору.

Стек: классические ML-инструменты (CatBoost, XGBoost) для предсказания AUM-flow и churn, time-series модели для прогноза доходностей, LLM-API (OpenAI совместимые российские провайдеры, открытые модели) для NLP и копилотов, ClickHouse и Greenplum для аналитики, продуктовая аналитика на Amplitude/PostHog-аналогах.

Актуальные вакансии — на hh.ru и сайте Альфа-Капитала.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. Финансовый сектор всегда подразумевает проверку службой безопасности — она параллельная и обычно не блокирует прогресс по техническим этапам.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус резюме, понимание ML и opyt в финансовом или продуктовом контексте. Asset management или fintech-бэкграунд — очень большой плюс: упоминай в первые секунды, если есть. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал, насколько глубоко влезал в compliance.

2. AI / ML grounding (45-60 минут)

С ведущим PM или data science лидом. Темы: метрики классификации (precision/recall для churn, ROC AUC для propensity), time-series подходы (ARIMA, Prophet, простые ML-подходы для прогноза AUM), специфика финансовых данных (нестационарность, регулярные структурные сдвиги по политике ЦБ). На LLM-блоке спросят про galussinations в money-контексте и почему RAG критичен для compliance.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй робо-эдвайзер для розницы». Жди вопросов про целевую аудиторию (новичок vs опытный с портфелем 1М+), JTBD (хочу собрать портфель / хочу обоснование почему держу/продаю), UX (как объясняем рекомендации без юр-рисков), риски (mis-selling, регулятор, поведенческие реакции в просадке), метрики (AUM in vs AUM out, retention по когортам, win rate по портфелю vs benchmark), MVP (бесплатный режим советов, потом конверсия в платный ИДУ). Сильные кандидаты сразу формулируют, что робо-эдвайзер — не «дать максимум доходности», а «удержать клиента в долгосрочной стратегии при просадках».

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Секция про эксперименты и evaluation в финансовом продукте. Спросят, как A/B-тестировать робо-эдвайзер, если разные клиенты получают разные портфели; как защитить от sample selection bias; как декомпозировать метрику AUM-flow на новую активность и переоценку. Для LLM-фичи готовь evaluation framework: gold set с ответами от управляющих, regulatory red-team на запрещённые формулировки.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR с тимлидом или директором продукта. Расскажи про конфликт с compliance, про факап в проде с финансовой ошибкой, про спор о feature, который замедлял time-to-market. В asset management всегда есть напряжение между скоростью и регуляторным комфортом — проверяют твою способность находить баланс.

Особенности по командам

Robo-advisor AI. Команда отвечает за автоматические инвест-стратегии в мобильном приложении и личном кабинете. Тесно работает с управляющими и compliance — каждая рекомендация проходит review. Подойдёт PM с опытом в брокеридже, банкинге или wealth management. Главные челленджи: как сделать advisor explainable и юридически безопасным, как продавать без активного «совет купить».

Portfolio AI. Оптимизация портфелей: Markowitz, Black-Litterman, факторные модели, ребалансировка. Работает в плотной связке с управляющими активами и квантами. Подойдёт PM с финансовым образованием или сильным аналитическим бэкграундом, знающим, что такое Sharpe, drawdown, информационный коэффициент.

Churn / Retention AI. Прогноз оттока AUM, propensity-модели для апсейла премиум-сервисов, ML-driven CRM. Тесно работает с клиентским сервисом и маркетингом. Подойдёт PM из banking/telco-churn-доменов — паттерны очень похожи.

Recommendation. Продуктовые рекомендации (фонды, стратегии, ИИС) под профиль клиента и его текущий портфель. Пересекается с робо-эдвайзером, но больше про cross-sell, чем про инвестрешения. Подойдёт PM из e-commerce/recsys с интересом к финансам.

LLM-копилоты для управляющих. Внутренние инструменты: суммаризация рисёрча, помощь в составлении investment-меморандумов, конференц-коллы с автоконспектом, авто-генерация клиентских отчётов. Подойдёт PM с интересом к внутренним enterprise-инструментам и опытом B2B.

Что Альфа-Капитал ценит в AI PM

AI понимание с фокусом на explainability. Слабый ответ: «возьмём чёрный ящик с большим accuracy». Сильный: «возьмём CatBoost с SHAP-объяснениями, потому что для регулятора и клиента нужно объяснить, почему мы рекомендовали этот фонд».

Asset management / fintech context. Знание базовых концепций: ПИФы, ИИС, рынок облигаций, дюрация, Sharpe, риск-профиль клиента. Слабый: «AI подберёт оптимальный портфель». Сильный: «учитываем риск-профиль и горизонт клиента, ребалансируем не чаще раза в квартал, чтобы не разогнать комиссии».

Regulator compliance. Понимание, что банк России и ФСФР контролируют коммуникации с инвесторами. Слабый: «LLM-чатбот будет давать инвестсоветы». Сильный: «бот даёт справочную информацию и образовательный контент, для рекомендаций — human-in-the-loop с управляющим».

Business metrics. Не «accuracy churn-модели», а удержанный AUM в рублях, прирост ARR от премиум-подписок, retention по продуктам. Слабый: «AUC 0.85». Сильный: «модель удерживает 2.3 млрд AUM в год, окупает команду в 4 раза».

Cross-team. Управляющие, аналитики, compliance, юристы, IT — PM должен договариваться с каждым. Проверяется на поведенческом и кейсе.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + финансовые модели. Освежи метрики классификации/регрессии, time-series базовые модели, понятие feature engineering для финансовых данных. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура Transformer, context window, hallucinations, function calling в продуктах. Параллельно — прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. LLM-фичи.
3. Неделя 3 — Prompt + RAG. Системные промпты, RAG для compliance, как делают grounding для money-сценариев. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency + evaluation. Считай стоимость LLM-копилотов, продумай fallback, освой eval-метрики для финансовых ответов. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Прорешай mock-кейс по робо-эдвайзеру с другом из fintech. Подготовь STAR-истории про compliance-конфликты.
6. Неделя 6 — Polish. Перечитай ключевые риск-понятия (Sharpe, drawdown, дюрация), погугли свежие новости Альфа-Капитала и продукты.

Частые ошибки

«Добавим робо-эдвайзер» без бизнес-кейса. Слабо: «AI сам подберёт портфель». Сильно: «у нас 200k клиентов с AUM < 500k, для них персональный управляющий нерентабелен; робо-эдвайзер закроет этот сегмент, удержит AUM 4.5 млрд, конверсия в премиум 8%».

Игнор regulator / compliance. Слабый ответ: «выкатим бету и посмотрим». Сильный: «согласуем с юристами формулировки рекомендаций, добавим disclaimer, для money-операций — human-in-the-loop с управляющим».

Без asset management background. Кандидат не различает ПИФ от ИИС, не понимает разницу между активным и пассивным управлением — это видно сразу. Изучи базу: ИИС типа А и Б, ETF/БПИФ, налогообложение инвест-доходов.

Без financial modeling. Слабый: «оптимизируем accuracy». Сильный: «оптимизируем риск-скорректированную доходность, ограничиваем drawdown 15%, ребалансируем при выходе за коридор».

AI metrics only. Кандидат рассказывает precision/recall — слабо. Сильный: «модель churn даёт 30% lift на топ-10% скоре, retain-команда работает только с этим топом, удерживаем 1.8 млрд AUM в год».

Связанные темы

• Собеседование на AI PM
• LLM-фичи в продукте
• Prompt engineering
• RAG и context
• AI-метрики и evaluation
• AI cost и latency

FAQ

Удалёнка в Альфа-Капитале для AI PM?

Гибрид распространён, полная удалёнка обсуждаема для senior-уровней. Часть встреч с compliance и управляющими лучше проводить очно.

Зарплатные вилки 2026?

Middle AI PM: 400-560k. Senior: 560-810k. Финансовый сектор обычно платит выше рынка, но требования к compliance и качеству выше.

Английский нужен?

Базовый — желательно для чтения CFA-материалов и западных fintech-кейсов. Свободный говорящий — плюс для общения с зарубежными контрагентами.

Сколько этапов?

4-5 этапов, 2-3 недели. Дополнительно — проверка СБ, обычно параллельно.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера — команды и грейды могут менять процесс.