Собеседование на маркетинг-аналитика в Pixonic

Почему Pixonic — особенный работодатель для маркетинг-аналитика

Pixonic — мобильная игровая студия, выпустившая хит War Robots (несколько сотен миллионов установок). Часть холдинга Astrum / экосистемы VK Play. Это один из крупнейших mobile-gaming-операторов в РФ с многолетним стажем в F2P, продвинутой data-driven культурой и серьёзными UA-бюджетами. Маркетинг — ключевая функция: львиная доля бюджета компании уходит на привлечение пользователей.

Маркетинг-аналитик в Pixonic работает с UA на масштабе для F2P-mobile. Главные задачи: моделирование ROAS и LTV по каналам и кампаниям, attribution через AppsFlyer и Adjust, creative testing (какие креативы приводят какого качества пользователей), retention-аналитика, A/B-эксперименты в UA и в самой игре. Кросс-функциональная работа с UA-командой, продактом, креативной командой.

Стек: SQL (ClickHouse / Greenplum) для cohort, funnel, attribution, Python для регулярной автоматизации и LTV-моделирования, Power BI как BI, AppsFlyer и Adjust как MMP.

Что важно понимать про работодателя: F2P mobile gaming — это бизнес с экстремальной разницей между ARPU обычного пользователя и top-spender (paying users — 1-3% базы, делают 80-90% выручки). Это значит, что классическая ROAS-логика тут работает иначе: средняя цифра вводит в заблуждение, важна распределённая аналитика по спендерам. Creative testing — отдельная серьёзная функция: команды могут тестировать сотни видео-креативов в неделю с фокусом на ранние D1-D7 LTV-сигналы. iOS SKAdNetwork и privacy-изменения с iOS 14.5+ переломили рынок mobile UA, и аналитик в Pixonic обязан понимать, как работать с агрегированными SKAN-данными и сопоставлять их с probabilistic-attribution на Android.

Актуальные вакансии — на hh.ru и сайте Pixonic.

Этапы собеседования

Полный цикл — обычно 2-3 недели и 4-5 этапов. В геймдеве процесс обычно быстрее, чем в больших медиа: команды UA работают в ритме недельных решений по бюджету, и аналитик нужен «вчера». Это упрощает кандидату жизнь, но требует прийти подготовленным к собесу без раскачки.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет базу: опыт маркетинг-аналитики в mobile gaming / F2P. Если работал в Playrix, Belka Games, Lesta Games, 1C Game Studios — упомяни сразу. Если опыта в geймдеве нет, но есть в performance-маркетинге на масштабе (e-commerce, fintech apps), это тоже считается, но придётся показать, что понимаешь специфику F2P. Готовь питч на 90 секунд: какие игры/приложения, какие масштабы UA-бюджета, какой эффект на ROAS/LTV-метрики. Параллельно — мотивация: почему именно Pixonic, почему именно сейчас.

2. SQL deep dive (60-90 минут)

Технический разбор: дают схему таблиц (installs, IAP, ads, campaigns, sessions) и просят написать запросы. Типовые задачи: ROAS по cohort install date с разбивкой по media source и кампании, retention D1/D7/D30 по сегменту платящих и неплатящих, LTV-кривая с накопительным ARPU на cohort install month, top-spenders-аналитика (например, top-1% paying users — какой их LTV vs остальная база). Window functions (LAG, LEAD, SUM OVER), CTE, дедупликация привязки атрибуции (один пользователь — одна привязка к media source). Слабый кандидат пишет SELECT GROUP BY и не использует window. Сильный — обсуждает производительность на ClickHouse, фильтрацию по install_date partition, materialized views для часто запрашиваемых cohort-отчётов.

Подготовка: SQL для маркетинг-аналитика.

3. Marketing-метрики и кейсы (60 минут)

Темы: LTV (predicted vs actual), CAC по каналам, ROAS на горизонтах (D7, D30, D90, D365), payback period. Жди вопросов уровня «как ты предсказываешь LTV нового пользователя через 7 дней после установки, если знаешь только D1 retention и одно платежей»: это типовая прикладная задача для F2P. Сильный кандидат сразу обсуждает predicted LTV через кривую кумулятивного ARPU, fit на исторических cohort, экстраполяцию до D360, обсуждает confidence interval и калибровку модели на новых cohort. Слабый — говорит «LTV = ARPDAU * lifetime», без понимания, что в F2P lifetime и LTV крайне распределены.

Подготовка: LTV и CAC, Attribution models.

4. A/B + experiments (45 минут)

Разбор экспериментов с акцентом на creative testing. Типовые кейсы: спроектируй A/B на 2 креатива в UGC-канале с бюджетом 500k рублей в неделю, оцени, какой креатив выиграл с учётом разной install-quality. Сильный кандидат сразу обсуждает короткий early indicator (D1 retention или D7 ARPU вместо долгого payback), различает creative-эффект на acquisition vs на quality of users, понимает Simpson's paradox в подобной аналитике. Слабый — оценивает по простому CTR/CPI и не учитывает, что дешёвый install может быть низкокачественным.

Подготовка: A/B-эксперименты.

5. Поведенческое (45 минут)

С маркетинг-руководителем. STAR-формат: расскажи про кейс, где ты остановил UA-кампанию из-за плохого LTV; про факап с моделью LTV, которая дала неправильный сигнал; про конфликт с UA-buying team по интерпретации результатов A/B. В Pixonic UA-команда работает с миллионными бюджетами, и аналитик должен уметь твёрдо обосновывать решения, особенно если они дорогие или непопулярные.

Особенности по командам

UA / Performance. Ядро бизнеса: scale UA с миллионными бюджетами. Команда работает по media source — Facebook/Meta, Google Ads, TikTok, Unity Ads, IronSource, AppLovin, Mintegral, плюс десятки мелких сетей. Аналитик считает ROAS-curves по сетям, помогает UA-buyers решать про scale-up и shutdown кампаний на основе D7-D30 сигналов, выстраивает blended LTV-модели. Подойдёт кандидату с опытом большого performance-бюджета и комфортом в условиях быстрых решений с неполной информацией.

Creative testing. Сильная отдельная функция: команда тестирует креативы (видео, плейаблы, статика) и ищет, какие из них дают качественных платящих пользователей. Аналитик помогает выстраивать pipeline экспериментов, строит decision-rules для остановки слабых креативов на ранней стадии, измеряет creative fatigue. Это работа на стыке data и creative production, и подойдёт кандидату с интересом к продуктовому маркетингу и способностью объяснять данные creative-team.

Retention / CRM. Winback-кампании для оттёкших пользователей (push-уведомления, email, ремаркетинг), in-game CRM (личные предложения, события для high-LTV игроков), churn-prevention. Аналитик строит propensity-модели, считает uplift от ремаркетинг-кампаний vs hold-out. Подойдёт кандидату с интересом к lifecycle-маркетингу и retention-метрикам.

Brand. Brand vs performance: измерять brand-эффект в F2P непросто, потому что brand-метрики (awareness, intent) и performance-метрики (D7 ROAS) на разных горизонтах. Аналитик помогает интерпретировать brand-tracker исследования, оценивает halo-эффект brand-кампаний на performance-каналы. Подойдёт кандидату с медианным опытом в brand-аналитике и комфортом в работе с микс-моделями.

Influencer. Работа со стримерами — специфика mobile gaming. Twitch, YouTube, российские стримеры, специфичные геймерские медиа. Аналитик считает ROI каждого инфлюенсера, отслеживает quality of users по реферралу, помогает выбирать партнёров. Подойдёт кандидату с интересом к creator economy и нестандартной attribution.

Что Pixonic ценит в маркетинг-аналитике

SQL уверенно. Слабый кандидат говорит «SQL знаю на базе, в работе использовал», но не умеет писать window functions или оптимизировать запрос на ClickHouse. Сильный — пишет cohort-аналитику с CTE и SUM OVER, знает специфику ClickHouse (materialized views, AggregateFunction, sampling), может разобрать чужой запрос и найти баг с дедупликацией. SQL в Pixonic — основной рабочий инструмент, без него никак.

Mobile gaming + ROAS. Сильный кандидат знает специфику F2P: 1-3% paying users делают 80-90% выручки, ARPDAU и ARPPU — две очень разные метрики, retention D1-D7-D30-D90 — главные индикаторы качества cohort, ROAS меряется на горизонтах D7/D30/D90/D365 одновременно. Слабый — говорит про ROAS как про однозначную цифру без горизонта и не понимает, что D7 ROAS 50% может означать прибыльную кампанию.

LTV / cohort. Сильный кандидат говорит конкретно: «фитим LTV-кривую по cohort через power-law или log-fit на ранние D1-D14 ARPU, экстраполируем до D360, на новых cohort калибруем коэффициенты раз в неделю, MAPE на D90 в районе 8-12%». Слабый — отвечает абстрактно: «LTV это пожизненная ценность, считаем по формуле».

A/B-тесты. Сильный кандидат глубоко понимает creative testing: early indicator (D1 retention или D7 ARPU вместо D90 ROAS), Bayesian-подходы для быстрых решений, sequential testing с раннюю остановкой, sample size calculator с учётом скрытой Variance в paying users. Слабый — пытается применить классический B2B-фреймворк или, наоборот, считает по простому CTR.

AppsFlyer / Adjust. Сильный кандидат глубоко понимает MMP: SKAdNetwork и privacy-изменения с iOS 14.5+, probabilistic vs deterministic attribution, postback timing, view-through vs click-through, attribution window, deferred deep linking. Слабый — знает только название инструмента и не понимает, как читать сырые MMP-данные.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1-2 — SQL. Прорешай вопросы по SQL и Python в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. Фокус на window functions, cohort retention, ROAS. SQL для маркетинг-аналитика.
2. Неделя 3 — Marketing метрики. F2P-метрики. LTV и CAC.
3. Неделя 4 — Attribution и Retention. AppsFlyer, SKAdNetwork. Attribution, Retention.
4. Неделя 5 — A/B и MMM. Creative testing, MMM. MMM.
5. Неделя 6 — Mocks + behavioral.

Частые ошибки

Слабый SQL. Кандидат пишет SELECT GROUP BY и не использует window functions для cohort-аналитики. Что работает вместо: за неделю до собеса прогнать 30-40 задач на cohort retention, LTV-кривые, multi-touch attribution; разобраться с ClickHouse-специфическими функциями (AggregateFunction, quantile, runningDifference); уметь объяснить EXPLAIN.

Last click only. Кандидат говорит «считаем по последнему касанию» — для F2P-mobile с десятками сетей и креативов это слабо. Сильный кандидат сразу обсуждает MMP-привязку, view-through vs click-through, SKAdNetwork limitations, probabilistic attribution на Android и iOS отдельно.

Без mobile gaming specifics. Кандидат не различает paying и non-paying users, не понимает что в F2P top-1% делают 80% выручки, не знает что такое payer ratio и conversion to first purchase. Что работает: за две недели до собеса прочитать 5-7 статей про F2P unit economics (GameAnalytics, deltaDNA blogs, Mobile Dev Memo).

Без cohort understanding. Кандидат считает среднее retention по всей базе, не разбивая по install date — это серая аналитика, которая скрывает реальные паттерны. Сильный — сразу думает в когортах, понимает, что сезонность установок влияет на ARPU, может сравнить D30 retention installs january vs march.

Без A/B понимания. Кандидат говорит «делали A/B, смотрели на p-value», не различая creative-эксперимент от продуктового и не понимая, как оценивать значимость на разных горизонтах LTV. Что работает: прорешать кейсы по дизайну экспериментов в F2P, понимать MDE, sample size, peeking problem, sequential testing, multi-armed bandits.

Связанные темы

• Собеседование на маркетинг-аналитика
• SQL для маркетинга
• Attribution models
• LTV и CAC
• Retention и cohort
• MMM (media mix)

FAQ

Удалёнка в Pixonic для маркетинг-аналитика?

Гибрид и удалёнка распространены.

Зарплатные вилки 2026?

Middle: 220-320k. Senior: 320-450k.

Английский нужен?

Базовый — желательно.

Сколько этапов?

4-5 этапов, обычно 2-3 недели.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера.