Собеседование на AI PM в Naumen

Почему Naumen — особенный работодатель для AI PM

Naumen — крупная российская B2B SaaS-компания с штаб-квартирой в Екатеринбурге. Продукты — Service Desk (ITSM/ESM-платформа), Contact Center, NauJobs (HR-tech), LMS, антифрод-решения. Клиенты — крупные банки, госорганы, телеком, промышленные группы, ритейл. Для AI PM это работа с enterprise B2B SaaS, где customer success-цикл длинный, а каждая фича валидируется через customer interview с CIO-уровнем заказчика.

AI PM в Naumen отвечает за AI-фичи на стыке ITSM/Contact Center/HR-tech и NLP: NLP-классификация тикетов (auto-routing в категории по тексту обращения), sentiment звонков и чатов клиентского центра, chatbots для первичной обработки обращений, recommendation в HR-tech (вакансий, кандидатов), OCR для документов, LLM-копилоты для IT-операторов и HR-специалистов. Главный челлендж — каждая фича должна работать на разных tenant с очень разной спецификой (банк vs медицинская клиника vs промышленность).

Стек: классические ML (XGBoost, CatBoost) для скоринга и классификации, NLP (BERT-семейство, fine-tuned под русский ITSM/HR-домены), LLM (open-source с on-premise deployment + проксированные коммерческие) для копилотов, ClickHouse для аналитики, kafka-based pipeline, кастомные интеграции под каждый клиентский tenant.

Актуальные вакансии — на hh.ru и сайте Naumen.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в B2B SaaS, ITSM, NLP. Любой experience в enterprise SaaS или service-desk-tooling — большой плюс. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал, насколько глубоко работал с enterprise-стейкхолдерами.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: метрики классификации (precision/recall для auto-routing), NLP-подходы (классификация интентов, sentiment, NER на русском ITSM-лексиконе), особенности голосовых данных contact-центра. На LLM-блоке — копилоты для операторов и hallucinations в money-кейсах (например, бот пообещал клиенту банка возврат комиссии).

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс — например, «спроектируй AI-копилот для IT-оператора в Service Desk». Жди вопросов про аудиторию (T1-операторы vs senior-инженеры эскалации), JTBD (быстро закрыть тикет / правильно отмаршрутизировать), UX (где встроен copilot в интерфейсе), риски (hallucinations с procedure-описаниями, неактуальный knowledge base), метрики (FCR — first call resolution, AHT, время на закрытие, NPS клиентов B2B), MVP (на каком клиентском tenant пилотируем). Сильные кандидаты сразу разводят «accuracy модели» и «реальный эффект на FCR».

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в B2B SaaS: множественные tenant с разной спецификой. Спросят, как изолировать эффект AI-фичи на tenant-level, как сравнивать pre/post с поправкой на сезонность. Готовь evaluation для LLM: gold set с разметкой клиентских экспертов, online accuracy на критичных категориях.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR. Истории про конфликт с клиентом, факап в проде, спор о scope. В Naumen клиенты — крупные корпорации с давним сотрудничеством, нужна способность вести длинные customer-success-разговоры.

Особенности по командам

Service Desk AI. Auto-routing тикетов, классификация incidents/requests/problems, copilot для операторов. Тесно работает с продактом ITSM-платформы и customer success. Подойдёт PM с ITSM/SaaS-опытом.

Contact Center AI. NLP звонков и чатов, sentiment, авто-классификация диалогов, голосовой бот. Подойдёт PM с call-center-tech background.

Chatbot. Первичная обработка клиентских обращений на сайтах и в мессенджерах, классификация интентов, эскалация на оператора. Подойдёт PM с conversational AI опытом.

HR-tech AI. NauJobs: матчинг кандидатов и вакансий, scoring резюме, recommendation. Тесно работает с HR-tech продактами. Подойдёт PM с HR/HRM-tech background.

OCR / Document AI. Обработка документов клиентов: извлечение полей, классификация типов. Подойдёт PM с document-AI / RPA фокусом.

Что Naumen ценит в AI PM

AI понимание. Слабый: «возьмём LLM». Сильный: «для классификации — BERT fine-tuned на ITSM-данных; для copilot — LLM с RAG в клиентский KB; для chatbot — intent-classifier с эскалацией на человека при low confidence».

B2B SaaS / ITSM context. Знание MTTR, FCR, SLA, ITIL-практик. Слабый: «улучшим UX». Сильный: «снизим MTTR с 4 часов до 2.5, FCR с 35% до 52%, ROI 18 месяцев для tier-1 клиентов».

NLP fluency. Базовое понимание BERT, embeddings, intent classification, NER на русском. Слабый: «возьмём готовое». Сильный: «для русского ITSM нужен fine-tune, лексика отличается от general-domain BERT».

Business metrics. Не «F1», а MRR клиентов, retention SaaS, NPS клиентских B2B, expansion revenue.

Cross-team. ML, customer success, продакт-стейкхолдеры, sales engineers, заказчики.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + ITSM primer. Метрики, NLP basics, ITIL терминология. 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. Multi-tenant RAG для разных клиентов. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. Per-tenant cost модели. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock-кейс ITSM с другом из enterprise.
6. Неделя 6 — Polish. Перечитай ITIL 4, новости Naumen.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI-бот». Сильно: «у клиента 80k тикетов в месяц, T1-операторы тратят 6 минут на ручную маршрутизацию; auto-classifier снижает до 1 минуты, FCR +12 pp, retention клиента +6 pp».

Игнор hallucinations. В ITSM halluc = бот пообещал клиенту банка возврат денег. Слабый: «модерируем». Сильный: «для money/SLA — обязательная эскалация на человека».

Без B2B SaaS / ITSM. Кандидат не знает ITIL — это видно. Изучи MTTR, FCR, SLA.

Без NLP. Слабый: «возьмём API». Сильный: «русский ITSM-домен требует fine-tune, accuracy с 70% до 92% после».

AI metrics only. Слабо: F1. Сильно: «MRR клиентов +8%, retention 95%, NPS +14».

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 Naumen для AI PM?

Гибрид и удалёнка распространены. Главный офис — Екатеринбург.

Зарплатные вилки 2026?

Middle AI PM: 340-490k. Senior: 490-720k.

Английский нужен?

Базовый — желательно. Большинство клиентов — российские.

Сколько этапов?

4-5 этапов, 2-3 недели.

Это официальная информация?

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