Маркетинговый аналитик в Mail (Senior)
Описание
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)