Как строили процесс подбора
Департамент продвинутой аналитики вместе с бизнес-линиями разработал единый профиль роли, который не менялся для всех подразделений. Однако в разных командах требовался разный баланс навыков: где‑то важнее глубокое понимание технологий, где‑то — продуктовая экспертиза и способность выстраивать бизнес-логику вокруг ИИ.
Профиль объединил четыре направления экспертизы:
- Доменная экспертиза: создание и оптимизация банковских бизнес-процессов
- Продвинутая аналитика: понимание принципов ИИ, знание ключевых алгоритмов и математических метрик
- Управление продуктом: бэклог разработки моделей, A/B‑тесты, оценка финансового эффекта
- Консалтинговые навыки: диалог между бизнесом и ИИ, приоритизация инициатив, оценка потенциального эффекта
Чтобы минимизировать ошибки найма, создали четырёхступенчатую систему оценки.
Этап 1. Скрининг рекрутера
Здесь отсекали нерелевантных кандидатов по базовым критериям: понимание ключевых моделей, знание метрик качества, опыт кросс-функционального взаимодействия, бизнес-насмотренность.
Этап 2. Fit‑интервью с департаментом продвинутой аналитики
Оценивали понимание роли ИИ‑продакта и способность выстраивать системный процесс работы с моделями. Ключевой акцент — на разборе предыдущего опыта: глубине вовлечённости, способности принимать решения и оценивать их эффект.
Этап 3. Техническое интервью
Chief Data Scientist проверял не только базовую экспертизу в ML, но и готовность вести ИИ‑инициативы внутри бизнеса. Обсуждались финансовый эффект моделей, жизненный цикл ИИ‑решений, A/B‑тесты и лидерские навыки: умение договариваться, обосновывать приоритеты и привлекать ресурсы.
Этап 4. Бизнес-фильтр
Финалисты встречались с руководителями бизнес-линий, где подтверждали доменную экспертизу, понимание банковских процессов и способность генерировать ИИ-инициативы. До интервью с руководителями бизнес-линий доходили только 3–4 самых сильных кандидата на позицию, уже прошедших всестороннюю проверку.
Решение о выдаче офера принималось на основании двух независимых оценок — со стороны бизнеса и со стороны департамента продвинутой аналитики.
Где искали редких специалистов
Понимая, что одним каналом не обойтись, команда задействовала несколько источников:
- hh.ru — основной инструмент для входящего потока и прямого поиска
- ИИ-сообщества — размещение вакансий в профессиональных группах и чатах
- Университетские каналы — один из сотрудников разместил пост в канале своего вуза, что привлекло нескольких сильных кандидатов
- Реферальная программа — учитывая относительную малочисленность ИИ-сообщества, персональные рекомендации часто приводили к релевантным контактам
Запустили школу продактов
Параллельно с внешним наймом запустили школу ИИ-продактов — программу подготовки специалистов внутри компании. В неё привлекали опытных продуктовых менеджеров, которым не хватало технической глубины, и сильных аналитиков, желающих развить продуктовые компетенции.
Обучение было практическим: участники проходили полный цикл работы над ИИ‑инициативой — от формулирования идеи до пилота и подготовки к промышленному внедрению. Банк получил кадровый резерв, а сотрудники — возможность понять, подходит ли им новая роль.
Какие результаты получили
Проект позволил не просто закрыть 17 позиций, а сделать это в рекордные 28 рабочих дней — на 40% быстрее внутреннего норматива. Все нанятые сотрудники успешно прошли испытательный срок, подтвердив эффективность многоэтапной системы оценки.
Часть специалистов быстро начала расти внутри компании. Один из ИИ‑продактов уже через девять месяцев был назначен начальником управления. Проект по внедрению ИИ‑продактов в структуру банка настолько себя оправдал, что его масштабировали ещё на 8 позиций.
Главные выводы команды
Гибридные роли требуют чётких правил. Когда позиция находится на стыке экспертиз, критически важно договориться со всеми заинтересованными командами о требованиях и перевести их в измеримые чек‑листы. Финальное решение по кандидату должно быть коллегиальным — согласование независимых подразделений снижает риск ошибки найма.
Если рынок не даёт нужного объёма — стройте внутренний конвейер. Школа ИИ‑продактов стала инвестицией в устойчивость функции AI Product Management, позволив продуктовым менеджерам нарастить ИИ‑грамотность, а аналитикам — усилить продуктовые навыки.
Сильным специалистам нужна свобода. Решающим фактором для многих кандидатов стала возможность быстро доводить идеи до внедрения. В Альфа-Банке путь от гипотезы до запуска на реальной клиентской базе занимает минимум времени. Как говорит Дмитрий Андроников, начальник управления алгоритмизации и обработки данных фродмониторинга, «нанимайте умных, талантливых людей — и не мешайте им работать».
Так банк решил задачу закрытия редчайших позиций в дефицитном рынке через навыкоцентричный подход: разложил роль на конкретные компетенции, выстроил прозрачную систему оценки и подключил бизнес к отбору. В результате получил управляемый процесс с понятными критериями и возможностью доращивать таланты внутри.