Собеседование на ML Engineer в Playrix

Почему Playrix — особенный работодатель для MLE

Playrix — международная игровая студия, один из крупнейших mobile gaming-разработчиков в мире. Известна хитами Homescapes, Gardenscapes, Township, Fishdom — casual F2P игры с механикой match-3 + meta-game (декорирование, ремонт). Сотни миллионов скачиваний, аудитория глобальная (США, Европа, Япония). Playrix активно нанимает русскоязычных специалистов на полную удалёнку, что делает компанию популярной среди MLE.

ML-системы: monetization (recommendation внутри-игровых офферов, dynamic pricing IAP), retention / churn prediction (D1-D30 retention, propensity for return), ad personalization (выбор форматов и сетей под игрока), антифрод (детекция ботов, refund-fraud), recommendation в магазине IAP. Особенность Playrix — фокус на casual F2P unit economics и lifetime value optimization.

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей + K8s для deployment + AWS как основная инфраструктура + Spark для тяжёлых ETL + MLflow для трекинга экспериментов.

Актуальные вакансии — на hh.ru и сайте Playrix.

Этапы собеседования

Цикл занимает 4-6 недель и включает 5-7 этапов. Playrix — международная компания, процесс структурированный, часть собеса на английском.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, mobile gaming / F2P background — плюс. Английский — обязателен. Готовь питч 90 секунд.

2. ML-теория (60-90 минут)

Базовая секция. Темы: градиентный бустинг, recommendation, churn prediction, monetization ML (uplift modeling, propensity). Будь готов про mobile-specific фичи.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: алгоритмы (LeetCode Medium), ML pipeline. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсы: «monetization pipeline для casual F2P», «churn prediction для retention», «ad personalization». Уточнить бизнес-метрику (revenue per DAU, retention, LTV), описать архитектуру.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

K8s deployment, AWS-инфраструктура, мониторинг. Знание AWS (S3, EMR, SageMaker) — плюс.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое + английский (45 минут)

С тимлидом. STAR-формат. Часть на английском.

Особенности по командам

Monetization ML. Ядро F2P-аналитики: офферы, dynamic pricing IAP, рекомендации в магазине. Uplift modeling, propensity, recsys.

Retention / Churn ML. Прогноз оттока D1-D30, propensity re-engagement. Тесная работа с CRM.

Ad personalization. Выбор рекламных форматов (interstitial, rewarded, banner) и сетей. Балансировка ad-frequency vs retention.

Антифрод. Детекция ботов, накруток, refund-fraud. Behavior-анализ, device fingerprints.

Recommendation. Магазин IAP, contextual offers.

Что Playrix ценит в MLE

Production ML. Базовое требование.

Mobile gaming context. Понимание casual F2P unit economics.

F2P unit economics. LTV, CAC payback, ARPDAU, ARPPU.

K8s + AWS. AWS-знание критично.

Английский. Свободный — обязателен.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML. LeetCode Medium 30+ задач, F2P-метрики, uplift, recsys. 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. Python для DS, ML-теория.
2. Неделя 3 — K8s + AWS. Подними хотя бы 1 модель в EKS.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — System design + gaming ML. Кейсы monetization, retention, ad personalization. Model serving.
5. Неделя 6 — Monitoring + deployment. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral + английский. Mock на английском.

Частые ошибки

Без mobile gaming понимания. На System Design отвалится. Сильный — «изучил casual mobile F2P».

Без monetization. Кандидат говорит «делал классификацию» — слабо. Сильный — «делал uplift modeling, +18% revenue в treated cohort».

Без AWS. Слабо. Сильный — «деплоил в EKS, использовал managed-сервисы».

Только notebook. Кандидаты с Jupyter-only валятся.

Слабый английский. Для Playrix — критичное ограничение.

Связанные темы

• Собеседование на ML Engineer
• MLOps
• Feature stores
• Model serving
• Monitoring и drift
• Deployment strategies

FAQ

Удалёнка в Playrix для MLE?

Часто полная удалёнка, международная команда.

Зарплатные вилки 2026?

Middle MLE: 330-490k. Senior: 490-740k.

Английский нужен?

Да, обязательно.

Сколько этапов?

5-7 этапов, 4-6 недель.

Это официальная информация?

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