Собеседование на AI PM в Дикси

Почему Дикси — особенный работодатель для AI PM

«Дикси» — крупная сеть магазинов формата convenience («у дома») в РФ, тысячи точек преимущественно в европейской части и на Урале. Это специфический формат retail: маленькая площадь, узкий ассортимент, импульсные покупки, прайс-чувствительная аудитория. Для AI PM это значит работу с задачами, где SKU-mix и pricing напрямую двигают трафик и средний чек — нет места абстрактным «улучшениям UX».

AI PM в «Дикси» отвечает за фичи, где AI снижает out-of-stock, оптимизирует ассортимент и цены, прогнозирует промо: рекомендации товаров в приложении и программе лояльности, dynamic pricing, forecasting спроса по точкам, оптимизация supply chain, LLM-чатботы для саппорта покупателей. Главный челлендж — масштаб (тысячи точек, сотни тысяч SKU) и операционная сложность (заказы фуры, сроки годности fresh-категорий).

Стек: классические ML-модели (gradient boosting) для forecasting и пricing, time-series (Prophet, темпоральные нейросети) для спроса, recsys-подходы для приложения лояльности, оптимизационные модели (linear programming, OR-tools) для логистики, ClickHouse для аналитики, LLM-API для саппорта.

Актуальные вакансии — на hh.ru и сайте Дикси.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. В retail-сетях возможна дополнительная встреча с операционным руководителем направления.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в retail или FMCG. Любой experience с merchandising, pricing или supply chain — большой плюс. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал (GMV, средний чек, OOS-rate), насколько глубоко работал с операционкой.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: метрики forecasting (MAPE, WAPE, bias), особенности retail-данных (сезонность, weekday-эффекты, промо-каннибализация), supply chain constraints (lead time, MOQ, shelf life). На LLM-блоке спросят про чатбота для саппорта покупателей и какую долю обращений он реально может закрыть.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй AI для оптимизации ассортимента». Жди вопросов про аудиторию (магазин в спальном районе vs у метро), JTBD (зайти быстро купить нужное; импульсная покупка), UX (как меняется выкладка/SKU-mix в зависимости от точки), риски (out-of-stock, излишки на fresh, каннибализация промо), метрики (GMV, средний чек, OOS-rate, write-off), MVP (пилот на 20-30 точках одного кластера). Сильные кандидаты сразу видят, что оптимизация SKU-mix — это не одна точка, а кластер похожих магазинов.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в retail: store-level A/B с поправкой на сравнимость кластеров (трафик, конкурентное окружение). Спросят, как изолировать эффект новой модели от сезонности и от внешних факторов (погода, праздники). Готовь evaluation framework для forecasting: backtest на исторических данных, online tracking bias.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR с тимлидом или директором продукта. Истории про конфликт с категорийным менеджером, факап с прогнозом спроса (либо OOS, либо переторы), спор с операционной командой. В FMCG операционка близка к продукту — нужно уметь говорить с людьми, которые управляют физическими магазинами.

Особенности по командам

Recommendation. Персонализация в мобильном приложении лояльности и push-коммуникациях. Не классический e-commerce-recsys: меньше SKU и больше про категории/локальные предпочтения. Подойдёт PM с retail / loyalty-tooling опытом.

Pricing AI. Динамическое ценообразование, прогноз эластичности по SKU, оптимизация промо. Тесно работает с категорийным менеджментом и финансами. Подойдёт PM с pricing/revenue-management background в FMCG или e-commerce.

Forecasting. Прогноз спроса по точкам и SKU, основа для заказов поставщикам. Самый «backbone»-домен. Подойдёт PM с supply chain / planning опытом.

Supply chain AI. Маршрутизация фур, distribution-планирование, размещение товаров в распределительных центрах. Тесно работает с логистикой и закупкой. Подойдёт PM с logistics / operations research интересом.

Loyalty AI. Программа лояльности, propensity-модели для апсейла, churn по картам лояльности, целевые промо. Подойдёт PM с CRM / lifecycle-marketing опытом.

Что Дикси ценит в AI PM

AI понимание. Слабый: «обучим модель». Сильный: «для forecast — LightGBM с фичами сезонности и промо-каннибализации, для pricing — bayesian elasticity per кластер».

Retail / FMCG context. Знание базы: OOS-rate, write-off, planogram, категорийный менеджмент, MOQ. Слабый: «увеличим выручку». Сильный: «сократим OOS на fresh-категории с 4.2% до 2.1%, write-off с 1.8% до 1.2%».

Convenience store knowledge. Понимание, что у формата «у дома» аудитория покупает на 1-2 раза в день, корзина 300-700 рублей, доминируют товары первой необходимости. Слабый: «как в гипермаркете». Сильный: «фокус на fresh, ready-to-eat, импульсный сегмент у кассы».

Business metrics. Не «MAPE прогноза», а «прирост GMV +3.4%, сокращение OOS на 2 п.п., средний чек +12 рублей». Связывай AI с money.

Cross-team. Категорийщики, логистика, IT, операционка магазинов — PM собирает консенсус.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + retail primer. Метрики forecasting, базовые алгоритмы, основы retail-метрик. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура, hallucinations, function calling для саппорт-сценариев. 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. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock-кейс по ассортименту/pricing.
6. Неделя 6 — Polish. Перечитай отраслевые статьи (NielsenIQ, X5 Tech), погугли новости Дикси.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI-бот для покупателей». Сильно: «80% обращений в саппорт — статус заказа в приложении или возврат бонусов; LLM-бот закроет 60%, освободит саппорт на эскалации, NPS +12 pp».

Игнор hallucinations. В retail halluc = бот пообещал клиенту скидку, которой нет. Слабый: «модерируем». Сильный: «бот отвечает только из размеченной базы FAQ, для money-кейсов — эскалация».

Без FMCG. Слышно по фразам типа «оптимизируем UX чек-аута». Изучи: OOS, write-off, planogram, sell-out vs sell-in.

Без convenience store. Слабый: «как в гипере». Сильный: «корзина 500 рублей, 1-2 визита в день, доминирует fresh и snacks».

AI metrics only. Слабо: MAPE 8%. Сильно: «снижение write-off на 0.6 п.п. экономит 180 млн в год по всей сети».

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 «Дикси» для AI PM?

Гибрид часто, полная удалёнка обсуждаема. Иногда нужны визиты в точки и распределительные центры.

Зарплатные вилки 2026?

Middle AI PM: 320-460k. Senior: 460-680k.

Английский нужен?

Базовый — желательно. Большинство партнёров и поставщиков — российские.

Сколько этапов?

4-5 этапов, 2-3 недели от первого скрининга до оффера.

Это официальная информация?

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