10 продуктовых кейсов для собеседования на продакт-менеджера в российском IT

Как работать с этой подборкой

Формат максимально приближен к реальности: это не учебные задачки, а ситуации, похожие на те, с которыми сталкиваются продакты в российских продуктах уровня Авито, Ozon, Wildberries.

• Для подготовки к собесу. Можно прогонять кейсы вслух, записывать ответы, разбирать их с ментором.
• Для тренировки мышления. Считать это ежедневными «упражнениями» на продуктовое мышление, метрики и приоритизацию.
• Для своих кейсов. Брать структуру (контекст → данные → вопросы → проверки) и пересобирать под собственный опыт.

Во всех кейсах структура одинакова: контекст → проблема → данные → вопросы → что проверяют. Это ровно тот каркас, по которому вас оценивают на реальных собеседованиях.

Кейс 1. Авито Авто — ускорение диагностики автомобиля

Контекст

Авито запускает сервис перепродажи автомобилей. Чтобы машина попала на витрину, мастера проходят по чек-листу из более чем 1000 критериев: толщиномер, внешний осмотр, фото всех дефектов, состояние салона, подвески и т. д. Сейчас полная оценка одной машины занимает около часа.

Проблема

Бизнес хочет сократить время оценки до 30 минут, не потеряв качество диагностики и доверие покупателей к сервису.

Дано

• Мастера работают в разных точках, уровень опыта сильно отличается.
• Они жалуются на неудобный интерфейс, дублирование шагов и лишние поля.
• Часть полей заполняется «для галочки», но формально обязательна.
• Есть исторические данные по времени оценки и частоте ошибок/возвратов.

Вопросы для кандидата

• Какие направления оптимизации ты бы рассмотрел (процессы, интерфейс, чек-лист, обучение, автоматизацию)?
• С чего начнёшь исследование проблемы: какие данные и наблюдения соберёшь в первую очередь?
• Как приоритизируешь изменения, если ресурсов команды мало?
• Какие метрики возьмёшь в качестве целевых (кроме времени оценки)?
• Какие риски видишь у агрессивного сокращения времени диагностики?

Что проверяет интервьюер

Умение работать не только с UI, но и с процессом и операционкой, внимательность к рискам качества, способность мыслить в терминах метрик и приоритизации, а не «просто сократить количество полей».

Кейс 2. Авито Недвижимость — падение контактов по объявлениям бизнес-класса

Контекст

В сегменте «квартиры бизнес-класса» на Авито заметили, что пользователи реже инициируют контакт с продавцами (звонки и чаты с объявлений).

Проблема

Ключевая метрика «контакты с объявления» в этом сегменте просела на ~18%. Бизнес переживает, что это бьёт по выручке и отношениям с крупными застройщиками и агентствами.

Дано

• Падение неравномерное: в одних городах оно сильнее, в других почти отсутствует.
• Параллельно запускались:
  • эксперимент с новым алгоритмом ранжирования объявлений;
  • изменения в карточке риелтора и его рейтингах;
  • тестовое выделение «профессиональных продавцов» в выдаче.
• Количество просмотров объявлений почти не изменилось.

Вопросы для кандидата

• Как ты будешь локализовывать источник падения метрики?
• Как разделишь влияние изменений ранжирования, карточки риелтора и выделения профи-продавцов?
• Какие срезы и отчёты построишь в первую очередь?
• Какие гипотезы кажутся тебе самыми вероятными и почему?
• Как дальше действовать: возвращать старое поведение или искать новые решения?

Что проверяет интервьюер

Способность не паниковать при падении метрик, а системно проводить расследование, грамотно пользоваться данными, разделять влияние параллельных экспериментов и не поддаваться на «давайте всё откатим» без анализа.

Кейс 3. Авито Доставка — продавцы массово отключают доставку

Контекст

Авито активно развивает собственную доставку, чтобы увеличить долю сделок, проходящих через платформу. Но всё больше продавцов в ряде категорий отключают доставку в своих объявлениях.

Проблема

Доля объявлений с включённой Авито Доставкой в ключевых категориях (Электроника, Товары для дома) за квартал снизилась на 10–15 п.п., что бьёт по обороту и комиссионному доходу.

Дано

• Продавцы жалуются на:
  • повышенный процент возвратов при доставке;
  • сложности логистики для крупногабаритных товаров;
  • комиссии, «съедающие всю маржу».
• Покупатели по-прежнему активно включают фильтр «с доставкой».
• В ряде регионов нет удобных пунктов выдачи, только курьерка.

Вопросы для кандидата

• Какие гипотезы о причинах отказа продавцов от доставки ты видишь?
• Как будешь проверять эти гипотезы (данные, интервью, эксперименты)?
• Какие изменения продукта/условий предложишь для увеличения adoption?
• Как измеришь успех: какие метрики важнее остальных?
• Как балансировать интересы продавцов, покупателей и самой платформы?

Что проверяет интервьюер

Понимание двухсторонних маркетплейсов, умение видеть мир глазами всех сторон сделки, чувствительность к экономике продавца и способность предлагать решения, а не «ещё один попап».

Кейс 4. Авито Услуги — снизился CTR карточек мастеров

Контекст

В категории «ремонт бытовой техники» на Авито Услуги заметили падение CTR по карточкам мастеров в выдаче по запросу.

Проблема

Средний CTR карточек мастеров в выдаче за месяц упал на 12–15%. Количество показов осталось примерно тем же.

Дано

• За последний квартал в категорию пришло много новых мастеров.
• Качество фото в новых карточках сильно просело.
• Параллельно запускался эксперимент с новым алгоритмом сортировки мастеров.
• Кол-во заказов на услуги просело чуть меньше, чем CTR.

Вопросы для кандидата

• Какие гипотезы о причинах падения CTR ты сформулируешь?
• Как разделишь влияние качества контента и влияния нового алгоритма?
• С каких данных и срезов начнёшь анализ?
• Какие продуктовые изменения предложишь в краткосрочной и долгосрочной перспективе?

Что проверяет интервьюер

Умение работать с балансом supply/demand, чувствительность к качеству контента, понимание, как изменения алгоритма и поведения исполнителей совместно влияют на опыт пользователя и метрики.

Кейс 5. Авито — рейтинги и отзывы о продавцах

Контекст

На Авито давно работает блок «Рейтинги и отзывы» о продавцах. Он доступен частникам и большинству профессиональных сегментов — особенно важен в Электронике и Транспорте.

Проблема

За последний квартал доля сделок, по которым был оставлен отзыв, снизилась с 30% до 22%. Количество совершённых сделок при этом почти не изменилось.

Дано

• Пользователи жалуются, что «оставить отзыв сложно и долго».
• Продавцы не всегда видят ценность отзывов и не мотивируют покупателей их оставлять.
• Часть сделок уходит в «серую зону» (расчёт/общение вне платформы).
• Флоу оставления отзыва одинаковый для всех категорий.

Вопросы для кандидата

• Зачем вообще нужны отзывы в таком продукте? Какую проблему они решают?
• Какие барьеры возникают при попытке оставить отзыв со стороны покупателя и продавца?
• Как бы ты исследовал этот опыт (качественно и количественно)?
• Какие изменения предложишь в флоу и мотивации?
• Какие метрики возьмёшь за NSM и продуктовые метрики блока?
• Как бы ты проверял гипотезы и проводил A/B-тесты?

Что проверяет интервьюер

Способность мыслить не только конверсией в UI, но и ценностью функции для экосистемы, понимание поведения людей после сделки, умение проектировать мотивацию и флоу отзывов.

Кейс 6. Ozon / Wildberries — падение переходов в карточку товара с выдачи

Контекст

Ты продакт, который отвечает за конверсию с выдачи в карточку товара на крупном маркетплейсе (Ozon или Wildberries).

Проблема

В одной из ключевых категорий (например, смартфоны) метрика «переходы в карточку товара с выдачи» неожиданно просела на 10–20%. До нуля не упала, но падение заметное.

Дано

• Ребята из поиска тестировали новый ML-алгоритм ранжирования.
• Коллеги из рекламного продукта параллельно тестировали новую выдачу рекламных плиток.
• Общий трафик в категорию почти не изменился.
• Сильнее всего просели переходы по товарам в середине выдачи.

Вопросы для кандидата

• Какие гипотезы ты видишь относительно причин падения?
• Как будешь изолировать влияние изменений поиска и рекламы?
• Какие данные и эксперименты тебе понадобятся?
• В каких случаях ты бы откатил изменения, а в каких — продолжил эксперимент?

Что проверяет интервьюер

Понимание работы сложной многокомандной воронки, умение разруливать пересечения экспериментов, мыслить в терминах причинно-следственных связей, а не «нам всё сломали».

Кейс 7. Wildberries — очереди и эффективность пунктов выдачи

Контекст

Wildberries обрабатывает миллионы заказов в день. Пункты выдачи — критическая точка клиентского опыта. В последние месяцы растут очереди и недовольство пользователей.

Проблема

Среднее время обслуживания в ПВЗ выросло на 30% в пиковые часы. Количество негативных отзывов на тему «долгие очереди» растёт.

Дано

• Растёт доля мелких заказов (по 1–2 товара).
• Часть пользователей приходит только «примерить» и часто ничего не выкупает.
• Система сортировки заказов внутри ПВЗ устарела, много ручных операций.
• Есть данные по времени обслуживания и типам заказов в разрезе ПВЗ.

Вопросы для кандидата

• Как можно оптимизировать работу пунктов выдачи с продуктовой стороны?
• Нужны ли новые форматы обслуживания (отдельная зона примерки, экспресс-выдача, выдача без примерки и т. п.)?
• Какие технологии можно внедрить для сокращения очередей и улучшения управления запасами (сканеры, цифровые очереди, предзапрос выбора размера)?
• Как измеришь эффект от изменений (какие метрики возьмёшь)?

Что проверяет интервьюер

Мышление в категориях операционной эффективности, умение связывать цифровой продукт и офлайн-процессы, работать с ограничениями реального мира, а не только с пикселями.

Кейс 8. Маркетплейс — сегментация продавцов и разные продуктовые режимы

Контекст

Крупный маркетплейс хочет по-разному развивать продавцов: новичкам — подсказки и обучение, крупным продавцам — инструменты аналитики и автоматизации.

Проблема

Сейчас все продавцы видят один и тот же функционал. Это неэффективно и тормозит рост сильных продавцов, а новичков — наоборот перегружает.

Дано

• Есть данные по обороту, количеству SKU, частоте входа в кабинет, конверсии в заказы.
• Непонятно, где провести границу между «микро», «средними» и «крупными» селлерами.
• Часть селлеров торгует только в сезон (например, перед праздниками).

Вопросы для кандидата

• Как ты бы сегментировал продавцов? Какие метрики использовал бы для кластеризации?
• Какие продуктовые режимы/наборы фич предложил бы для каждого сегмента?
• Как бы ты протестировал, что сегментация действительно полезна бизнесу и продавцам?
• Какие риски видишь (например, «ущемление» части продавцов или усложнение продукта)?

Что проверяет интервьюер

Навык работы с B2B-аудиторией, понимание разных стадий зрелости клиентов, умение проектировать разные пути развития внутри одного продукта.

Кейс 9. Маркетплейс — низкое качество отзывов о товарах

Контекст

Отзывы есть, их много, но покупателям они мало помогают. Большинство отзывов однотипные: «всё ок», «пришло вовремя», «нормальный товар».

Проблема

Полезность блока отзывов снижается. Покупатели меньше доверяют звёздочкам и перестают читать отзывы, принимая решения «по картинке и цене».

Дано

• Много коротких комментариев без деталей.
• Функционал «полезно / не полезно» есть, но используется слабо.
• Фильтры отзывов (по оценке, по фото) есть, но ими почти не пользуются.
• Часть отзывов явно относится к доставке, а не к товару.

Вопросы для кандидата

• Как можно повысить качество и полезность отзывов с продуктовой точки зрения?
• Какие изменения в UI/UX ты бы сделал (структурированные поля, шаблоны, теги, раздельные оценки товара и доставки)?
• Как бы ты измерял прогресс? Какие метрики важны помимо количества отзывов?
• Как стимулировать пользователей оставлять более содержательные отзывы, не превращая это в анкету из 20 вопросов?

Что проверяет интервьюер

Понимание, как превращать сырую UGC-массу в структурированную полезную информацию, навык проектирования флоу, подсказок и мотиваций для пользователей.

Кейс 10. Маркетплейс — система trust score для продавцов

Контекст

Площадке нужно лучше контролировать недобросовестных продавцов: фейки, подделки, обман с описанием товара. Модерация по жалобам не успевает, пользователи страдают, репутация проседает.

Проблема

Сейчас модерация работает в основном реактивно — по жалобам. Это медленно и не предотвращает проблемы заранее. Нужно научиться оценивать «надежность» продавца и реагировать проактивно.

Дано

• Есть данные по:
  • проценту отмен, возвратов, спорных ситуаций;
  • жалобам покупателей;
  • истории изменения цен и описаний;
  • гео, возрасту аккаунта и активности;
  • связям между аккаунтами (одни и те же телефоны, адреса, реквизиты).
• Бизнес боится ошибочных банов и потери выручки от «токсичных, но прибыльных» продавцов.

Вопросы для кандидата

• Какие сигналы ты бы использовал для расчёта trust score продавца?
• Какой градации score достаточно для MVP (3–5 уровней или непрерывная шкала)?
• Какие продуктовые действия можно привязать к уровню доверия (ограничения, доп. проверки, понижение в выдаче, ограничения по категориям)?
• Как проверять корректность модели и снижать риски ошибочных санкций (ручной пересмотр кейсов, white-list, объяснимость решений)?
• Как коммуницировать эту систему продавцам, чтобы не вызвать бунт и не разрушить доверие к платформе?

Что проверяет интервьюер

Умение мыслить в терминах рисков, политики и fairness, способность проектировать систему правил и действий, работа с trade-off'ами между выручкой, безопасностью и репутацией.

Подписывайтесь на мой канал про продукты и карьеру

В Telegram-канале я разбираю реальные продуктовые кейсы, собеседования, карьеру в IT. Меньше теории, больше живых ситуаций и разборов.

Если вам откликается такой формат — буду рад видеть вас в канале.

📣 Подписаться на Telegram-канал