Собеседование на AI PM в Финам

Почему Финам — особенный работодатель для AI PM

«Финам» — одна из крупнейших российских инвестиционных групп: брокер, банк, инвестконсультирование, обучение, аналитика рынков. Аудитория — от розничных частных инвесторов до институциональных клиентов. Это означает, что AI PM здесь работает в очень специфической среде: продукт принимают зарегулированные взрослые с реальными деньгами на счетах, любая ошибка в скоринге или рекомендации мгновенно превращается в жалобу регулятору и репутационный кризис.

AI PM в «Финаме» отвечает за AI-фичи на стыке brokerage и fintech: scoring клиентов (анти-фрод, проверка квалификации), recommendation инвестидей и финансовых продуктов, робо-эдвайзер для розницы, NLP для анализа новостного потока и аналитики, LLM-копилоты для аналитиков и клиентских менеджеров. Главный челлендж — explainability и регуляторный комфорт: модель должна не «работать хорошо», а уметь объяснять решение клиенту, юристу и ЦБ.

Стек: классические ML-модели (XGBoost, CatBoost) для скоринга и propensity, time-series модели для прогноза рынков (с обязательной осторожностью — рыночные предсказания не делают как продакт-обещание), LLM-API для NLP новостей и копилотов, ClickHouse и Greenplum для аналитики, специфические инструменты для рисков и compliance.

Актуальные вакансии — на hh.ru и сайте Финама.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. Параллельно — проверка СБ, для финансового сектора это норма.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в brokerage, банкинге, fintech. Любой опыт с инвестпродуктами или регулируемой средой — большой плюс. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал, насколько глубоко понимаешь специфику инвестпродуктов.

2. AI / ML grounding (45-60 минут)

С ведущим PM или data science лидом. Темы: метрики классификации/регрессии, time-series подходы для рыночных данных (ARIMA, LSTM, и важно понимать, почему наивные подходы плохо работают на финансовых рядах), nonstationarity и режимные сдвиги (рынок поменялся — модель устарела). На LLM-блоке — hallucinations в money-контексте, какие фразы запрещены в коммуникации с инвестором.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй robo-advisor для розницы». Жди вопросов про аудиторию (новичок с 50k vs продвинутый с 5М), JTBD (хочу собрать сбалансированный портфель / хочу не нервничать в просадке), UX (как объясняем рекомендации без юр-рисков; как ведём в просадке), риски (mis-selling, регулятор, поведенческие реакции), метрики (AUM in/out, retention по когортам, удержание клиента в просадке, NPS), MVP (бесплатные советы → конверсия в платный сервис). Сильные кандидаты сразу обозначают, что robo-advisor — про «удержать клиента в стратегии», а не «дать максимум доходности».

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в brokerage: разные клиенты получают разные портфели, наивный A/B бесполезен. Спросят, как использовать paired backtest, propensity-matching cohorts, как разводить эффект модели и эффект рынка. Готовь evaluation для LLM-копилота: gold benchmarks от аналитиков, regulatory red-team на запрещённые формулировки.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR с тимлидом или директором продукта. Истории про конфликт с compliance, факап с моделью на просадке рынка, спор с юристами. В Финаме высокий темп выпуска фич и сложная регуляторная среда — нужно уметь жить в этом противоречии.

Особенности по командам

Robo-advisor. Автоматические инвест-стратегии для розничного приложения, ИИС и продуктов модельного портфеля. Тесно работает с управляющими и compliance. Подойдёт PM с опытом в wealth management или роботизированной торговле.

Recommendation. Подбор инвестидей под профиль клиента, рекомендации в торговом приложении, cross-sell услуг. Подойдёт PM из e-commerce/recsys-доменов с интересом к финансам.

Market NLP. Анализ новостного потока, выделение сигналов для аналитиков, sentiment по эмитентам, авто-аннотации к статьям и аналитике. Подойдёт PM с NLP-бэкграундом и интересом к рынкам.

Anti-fraud. Скоринг подозрительных транзакций, выявление аккаунт-такеоверов, отслеживание market-абьюзов (wash-trading, pump&dump). Подойдёт PM с anti-fraud / AML background.

LLM-копилоты. Внутренние помощники для аналитиков (суммаризация отчётностей, генерация драфтов аналитических заметок), для клиентских менеджеров (подбор аргументов, авто-генерация сводок по клиенту). Подойдёт PM с интересом к enterprise productivity.

Что Финам ценит в AI PM

AI понимание. Слабый: «обучим бустинг». Сильный: «XGBoost с SHAP для объяснимости перед регулятором; для рыночных сигналов — статистические тесты Granger causality перед запуском в продакшен».

Brokerage / fintech context. Знание базы: ИИС, торговые активы, маржинальная торговля, регуляторные роли (квалифицированный инвестор vs неквал), типы рисков. Слабый: «увеличим доходность». Сильный: «учитываем риск-профиль и квал-статус клиента, для неквалов — ограниченный список инструментов».

Time series / NLP. Понимание особенностей финансовых рядов и текстов (новости, отчётности). Слабый: «LSTM решит». Сильный: «на финансовых рядах LSTM переобучается, нужны рацио-фичи и осторожный walk-forward backtest».

Regulator compliance. Понимание роли ЦБ и регуляторных формулировок. Слабый: «выкатим бету». Сильный: «согласуем с юристами, для money-сценариев — human-in-the-loop, в коммуникации избегаем слов „гарантирую“».

Business metrics. Не «accuracy», а «удержанный AUM, retention клиентов в просадке, рост ARR от премиум-сервисов». Привязывай AI к money.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + finance primer. Метрики, time-series базовые модели, основы инвестпродуктов. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура, hallucinations, function calling. 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 + evaluation. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock-кейс robo-advisor с другом из брокереджа.
6. Неделя 6 — Polish. Перечитай свежие новости рынка, новинки Финама и продуктов.

Частые ошибки

«Добавим robo-advisor» без бизнес-кейса. Слабо: «AI подберёт портфель». Сильно: «у нас 150k клиентов с AUM < 300k без персонального менеджера; robo-advisor закроет сегмент, удержит AUM 2.8 млрд, конверсия в премиум 7%».

Игнор regulator / compliance. Слабый: «выкатим A/B». Сильный: «согласуем формулировки, для рекомендаций — обязательная подпись клиента о принятии риска, regulatory review каждой новой стратегии».

Без brokerage / fintech. Кандидат не различает ИИС от брокерского счёта — это сразу провал. Изучи: типы счетов, маржинальная торговля, типы активов, регуляторные требования.

Без financial modeling. Слабый: «обучим». Сильный: «walk-forward backtest на 5-летнем горизонте, оценка max drawdown, Sharpe, оценка устойчивости к режимным сдвигам».

AI metrics only. Слабо: accuracy 0.7. Сильно: «retention клиентов в просадке +14 pp, AUM-удержание 4.2 млрд в год, рост ARR премиум-сервисов 18%».

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 Финаме для AI PM?

Гибрид и удалёнка распространены. Часть встреч с управляющими и compliance — очно.

Зарплатные вилки 2026?

Middle AI PM: 380-540k. Senior: 540-780k.

Английский нужен?

Базовый — желательно для CFA-материалов и западных fintech-кейсов.

Сколько этапов?

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

Это официальная информация?

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