Mail — крупнейший в России сервис, объединяющий в себе Почту № 1 в России, Облако, Покупки, Документы, Календарь и Заметки. Все сервисы построены на базе технологий искусственного интеллекта, высокого уровня защиты данных, гибкости и персонализации.

Задачи

- Маркетинговая аналитика Облака и Почты Mail: анализ каналов привлечения (включая установки приложения), оценка эффективности рекламных кампаний, поиск инсайтов и точек роста ROI. Анализируем каналы, щёлкаем инсталлы как орешки и собираем все сливки с точек роста, пока они сами просятся в руки

- Развитие систем атрибуции: автоматизация маркетинговой атрибуции для оценки влияния каналов на подписную выручку и другие целевые действия

- Сквозная аналитика (маркетинг + продукт): работа с воронкой от показов коммуникации/рекламы до удержания пользователя (Retention), выявление узких мест и генерация гипотез по их устранению

- Проектирование, запуск и анализ A/B-тестов: оценка эффективности лендингов, промо оферов и рекламных креативов, контроль корректности методологии, валидация результатов экспериментов

- Построение систем отчётности и прогнозных моделей: создание дашбордов для маркетинга, когортный анализ, драйверные декомпозиции и моделирование окупаемости трафика (LTV, CAC) для принятия data driven решений

- Развитие внутренних аналитических инструментов и процессов: автоматизация рутинных задач подготовки данных, повышение скорости и качества аналитической поддержки маркетинговой команды

- Итого: полный карт-бланш на внедрение крутых инструментов, огромная аудитория для тестов и возможность стать архитектором аналитики в Mail. Это не просто работа с цифрами, а полноценный хакинг роста на максималках

Требования

- Уверенное владение SQL, опыт работы с большими объёмами данных. Большим плюсом будет опыт работы с YTSaurus (YQL) и ClickHouse

- Практический опыт проведения A/B-тестов: понимание статистических критериев, расчёт размера выборки, работа с ошибками первого и второго рода, навыки применения теории вероятностей

- Свободное владение как маркетинговыми, так и продуктовыми метриками (CAC, ROAS, ROMI, LTV, ARPU, Retention, Conversion Rate) и умение строить на их основе аналитические выводы

- Понимание принципов построения моделей атрибуции и сквозной аналитики

- Python для анализа данных: Pandas, NumPy, библиотеки визуализации (Matplotlib, Plotly, Seaborn)

- Опыт построения дашбордов и визуализации в BI-инструментах (DataLens и Superset в приоритете, но подходят и аналоги)