Как Т-Банк выделил специализации у продактов и ускорил найм в них в 2 раза

Почему поиск продактов буксовал

Разный профиль задач — одна воронка

Роль продакта в Т-Банке годами рассматривалась как универсальная. Однако на практике задачи команд различались радикально: в одних случаях требовался продакт, работающий с интерфейсами, A/B-тестами и пользовательскими воронками, в других — специалист, глубоко погруженный в архитектуру, системный дизайн и инфраструктуру, в третьих — человек, способный проектировать продукт на основе ML/AI-технологий.

Общий процесс найма не позволял учесть эту разницу. Рекрутеры ориентировались на массовый профиль B2C-продакта и направляли кандидатов на оценку по универсальным критериям. В результате продакты с редкими нестандартными профилями, техническим или ML-бэкграундом не попадали в воронку или получали некорректную оценку. Не потому, что были слабы, а потому, что их навыки не соответствовали ожиданиям для B2C-продактов.

Кандидаты с нужными навыками не проходили оценку

На этапе унифицированного найма технические продуктовые менеджеры оценивались по тем же критериям, что и классические B2C-продакты. Такой подход не всегда учитывал специфику технических и ML-направлений, где фокус смещён с пользовательских метрик на архитектурные решения, работу с данными и взаимодействие с инженерными командами. Это приводило к тому, что:

• кандидатам задавали вопросы про A/B-тесты и пользовательские эксперименты, которые не являлись ключевыми для роли и в ряде случаев были неприменимы
• архитектурные и системные навыки, критичные для успеха на позиции, оказывались вне фокуса оценки
• интервьюеры с опытом преимущественно в B2C-продуктах снижали оценки из-за «нерелевантности» опыта

Вследствие этого сильные технические кандидаты могли получать заниженную итоговую оценку, несмотря на наличие именно тех компетенций, которые были востребованы командами.

Вакансии долго не закрывались

Когда специализации не были определены:

• отдельные продуктовые позиции не закрывались по 6–12 месяцев
• нанимающие менеджеры иногда принимали компромиссные решения, чтобы оперативно закрыть потребность в ресурсах
• на испытательном сроке нередко становилось заметно, что ожидания бизнеса и профиль кандидата не до конца совпадают
• в отдельных случаях это сказывалось на темпах работы над продуктовыми и техническими задачами

Как Т-Банк настроил процесс найма для новых направлений

Поводом стали запросы руководителей — в текущих условиях было непросто подобрать специалистов, максимально соответствующих задачам команд. Тогда команда стала пересматривать, какие навыки действительно важны для идеального кандидата, а какие требования лишние. 

Анализ открытых позиций показал, что около 20% вакансий фактически относились к специализированным направлениям, но продолжали находиться в общем продуктовом пуле. На основе повторяющихся запросов приняли системное решение: выделить отдельные продуктовые роли. Первую специализацию — техпродактов — выделили два года назад, вторую — ML-продактов — год назад.

Каждая роль получила чёткий профиль: ключевые навыки, уровни владения, типовые задачи и критерии оценки. Например, техпродакт должен уметь:

• проектировать архитектуру
• понимать системные ограничения
• работать с инженерными командами: обсуждать дизайн будущего продукта на уровне, который разработчики воспринимают всерьёз

ML-продакт должен уметь строить продукты на основе ML/AI-технологий и оценивать качество их работы.

Что изменилось в процессе найма

Навыки стали проверять с учётом требований роли

Оценку навыков перестроили на основе матриц компетенций для разных типов продуктовых ролей. Для технических и ML-продактов были зафиксированы отдельные наборы навыков и уровни ожиданий, которые затем легли в основу интервью и ассесмента.

Для техпродактов в матрицу добавили блок system design (проектирование высоконагруженных систем), а также расширенный набор управленческих компетенций: delivery-менеджмент, инцидент-менеджмент, приоритизация, управление стейкхолдерами и взаимодействие с разработкой. Для ML-продактов выделили отдельный блок ML system design — проектирование продуктов на основе ML/AI-технологий и управление метриками качества ML/AI.

Для продуктовой секции пересмотрели чек-листы, убрали снижение оценки за отсутствие A/B-тестов, уточнили, какие продуктовые решения ожидаются от техпродактов — например, работа с архитектурными ограничениями, техническими компромиссами и нефункциональными требованиями, а не с классическими B2C-метриками.

Интервьюеров и рекрутеров подготовили к работе с разными продактами

Рекрутеров научили определять типы продактов, подготовив дополнительные вопросы для собеседования и определив ключевые компетенции, которые должны быть отражены в резюме у кандидатов. Интервьюеров научили задавать правильные вопросы. Так шансы найти нужного человека выросли.

Например, для техпродактов уточняют опыт работы с хардовыми навыками: участвовал ли кандидат в проектировании архитектуры, работал ли с высоконагруженными системами, принимал ли решения с учётом технических ограничений. Для ML-продактов отдельно проверяют понимание ML/AI-подходов: есть ли опыт запуска продуктов на основе моделей, работа с метриками качества ML, взаимодействие с дата-командой.

Специализации стали частью карьерного роста

При повышении начали учитывать не только общий уровень сотрудника, но и его профиль работы и зону компетенций. Это позволило связать рост с реальным вкладом в продукт и команду, а решения о повышении сделать понятнее и прозрачнее.

Карьерные треки стали гибче: сотрудники могли развиваться как в рамках своей специализации, углубляя знания, так и расширяя компетенции за счёт смежных навыков. Для оценки готовности к росту использовались ассесменты, ориентированные на практические задачи и требования конкретного грейда.

Какие результаты получили

Найм стал заметно быстрее

Выделение специализаций сократило поиск технических и ML-продактов в 2 раза. Вакансии стали закрываться стабильнее, а команды начали получать более релевантных кандидатов в предсказуемые сроки.

Меньше ошибок на входе — выше закрепление

Благодаря корректной оценке и точному соответствию роли:

• стало меньше ситуаций, когда компетенции сотрудника не совпадают с требованиями роли просто потому, что он не того профиля
• стали больше получать позитивного фидбэка от нанимающих менеджеров
• рекрутеры стали забирать в процесс кандидатов, которым раньше могли отказывать

Команды получили эффективных специалистов

Более точный подбор снизил дефицит сотрудников с архитектурными знаниями в технических продуктах. В команды стали приходить продакты с экспертизой в ML/AI, необходимой именно для развития продуктов на базе этих технологий.

Повысилась профессиональная культура

Неожиданный эффект — рост прозрачности и зрелости профессии:

• продакты перестали сравнивать себя по единой шкале B2C-показателей
• асессоры начали оценивать кандидатов и сотрудников с учётом типа продукта и профиля роли
• компании стало проще объяснять сотрудникам, что разные продукты требуют разных ролей

Т-Банк пока не перешёл к полной карте компетенций для каждого сотрудника, но специализации стали работающим шагом к этому: меньше хаоса в оценке, меньше ошибок при найме, больше точности в росте и развитии. Подход масштабируется и на другие профессии.

Какие выводы сделали

В крупных компаниях нередко стремятся укрупнять роли и делать их более универсальными, чтобы упростить процесс найма. Однако такой подход не всегда оказывается эффективным: в ряде случаев более точное выделение специализаций помогает лучше учитывать потребности бизнеса и масштаб организации. 

На практике специализации превращают разрозненные ожидания команд в понятную систему. Такой подход масштабируется и остаётся устойчивым по мере роста компании.