Собеседование на AI PM в ЮKassa

Почему ЮKassa — особенный работодатель для AI PM

ЮKassa — один из крупнейших платёжных сервисов в РФ, входит в экосистему Сбера (через ЮMoney). Бизнес — онлайн-эквайринг для тысяч интернет-магазинов, маркетплейсов, подписочных сервисов; миллиардные обороты, интеграции с топ-банками и платёжными системами. Для AI PM это значит работу в жёстко регулируемой fintech-среде с серьёзной денежной ответственностью.

AI PM в ЮKassa отвечает за фичи вокруг рискменеджмента и UX оплаты: anti-fraud scoring транзакций в реальном времени, chargeback prediction, 3DS-rule engine, рекомендации платёжных методов на чекауте мерчанта, LLM-саппорт мерчантов, GigaChat-интеграции для копилотов. Главный челлендж — low-latency инференс под нагрузкой пик-трафика (Чёрная Пятница) при near-zero false-positive rate на честных платежах.

Стек: классические ML (XGBoost, CatBoost) для скоринга с акцентом на интерпретируемость, графовые модели для корреляции карт/устройств/мерчантов, real-time feature store на ClickHouse/Redis, low-latency serving (<50ms p99), GigaChat для копилотов и саппорта.

Актуальные вакансии — на hh.ru и сайте ЮMoney / ЮKassa.

Этапы собеседования

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

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в fintech, payments, anti-fraud. Любой experience с платежами или fraud-detection — большой плюс.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом fraud-team. Темы: метрики класс-имбаланса, class imbalance в fraud, adversarial ML, особенности low-latency инференса.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй AI anti-fraud для платежей». Жди вопросов про аудиторию (маркетплейсы, ритейл, подписки), JTBD, UX (что показываем при дропе), риски (FP теряет выручку мерчанта; FN — потери), метрики (fraud rate, approval rate, chargeback rate, P99 latency), MVP. Сильные кандидаты сразу разводят «минимизация фрода» и «максимизация approval rate».

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты с rare-event и big-revenue stakes. Спросят про shadow-mode, ROI модели в рублях.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR. Истории про конфликт с риск-командой, факап с FP на крупном мерчанте, спор с регулятором.

Особенности по командам

Anti-Fraud AI. Real-time scoring транзакций, <50ms inference. Подойдёт PM с anti-fraud / AML / security background.

Chargeback AI. Предсказание chargeback на этапе платежа и постфактум. Подойдёт PM с credit risk / payments-доменов.

3DS / Risk AI. Динамические правила 3DS-вызова. Балансирует approval rate и фрод. Подойдёт PM с issuer-acquirer пониманием.

Payment method recommendation. Подбор оптимальных платёжных методов на чекауте мерчанта. Подойдёт PM с UX/conversion-optimization опытом.

Support AI / GigaChat. LLM-саппорт для мерчантов, копилоты для аналитиков. Подойдёт PM с B2B SaaS / customer-success background.

Что ЮKassa ценит в AI PM

AI понимание. Слабый: «XGBoost». Сильный: «XGBoost с SHAP + графовая корреляция карт/устройств; для саппорта — GigaChat с RAG в docs API».

Fintech / anti-fraud context. Знание базы: chargeback codes, MCC, dispute lifecycle, 3DS 2.0, PCI DSS.

Low-latency constraints. P99 50ms — hard requirement.

Business metrics. Fraud rate в bps, approval rate, chargeback rate, ROI в рублях.

Cross-team. Риск, операционка, sales, банки-партнёры.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + payments primer. ML для PM.
2. Неделя 2 — LLM глубже. 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. P99 50ms — как достигают. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock anti-fraud с другом из fintech.
6. Неделя 6 — Polish. Перечитай Stripe Engineering, Adyen. Новости ЮKassa.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI-бот». Сильно: «у мерчантов 4k тикетов в неделю, 65% — типовые „почему не прошёл платёж“; LLM с RAG в логи закроет 50%, FRT с 6 часов до 2 минут».

Игнор hallucinations / FP. В платежах halluc = ложный отказ. Слабый: «доучим». Сильный: «для high-risk — manual review, для low-risk — порог FP 0.05%».

Без fintech / anti-fraud. Изучи 3DS, chargeback, MCC.

Без low-latency. Слабый: «оптимизируем». Сильный: «бюджет 50ms: features 5ms, model 15ms, decision 5ms, network 25ms».

AI metrics only. Слабо: PR-AUC. Сильно: «снижение fraud-rate с 0.3% до 0.08%, approval +1.8 pp, ROI 12М в квартал».

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 ЮKassa для AI PM?

Гибрид и удалёнка распространены. Часть встреч с банками-партнёрами — очно.

Зарплатные вилки 2026?

Middle AI PM: 400-560k. Senior: 560-810k. Сбер-экосистема платит выше рынка.

Английский нужен?

Базовый — желательно.

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.