Менеджер по продукту

(1 год 1 месяц) В мои обязанности входит развитие трех продуктов Яндекс.Облака, на основе технологий AI: 1) SpeechKit - сервис синтеза и распознавания речи. Используется, например, для создания голосовых роботов, речевой аналитики 2) Vision - сервис распознавания изображений. Используется, например, для автоматизации документооборота 3) Translate - сервис машинного перевода Деятельность и результаты - Выстраивание отношений с ключевыми партнерами - компании, занимающиеся разработкой голосовых роботов, решений речевой аналитики (как аналитика звонков, так и аналитика оффлайн точек через диктофоны на бейджиках, например): 1) совместная проработка крупных сделок 2) сбор и отработка обратной связи по продукту, на основе обратной связи приоритизация в спринтах разработки 3) стратегическое планирование, форкастирование выручки (потребления сервисов) 4) совместные комаркетинговые активности (мероприятия, совместных диджитал маркетинг) 5) консультации 6) взаимодействие с PR и публикация совместных кейсов на сайте Яндекс.Облака и внешних ресурсах 7) поиск и онбординг в Яндекс.Облако новых партнеров - Организация и выстраивание системного процесса продажи сервисов на основе ML\AI (SpeechKit, Translate, Vision) отделом продаж Яндекс.Облака У сейлов обширный портфель продуктов Яндекс.Облака. Так как МЛ продукты довольно сложные, плюс их выручка не самая большая (по сравнению с инфраструктурными продуктами, например) то продажи МЛ сводились к отработке входящих запросов от заказчиков. Необходимо было наладить процесс проактивной продажи. Для этого мною было сделано: 1) упаковка кейсов партнеров в удобный формат (1 слайд: проблема, решение, результат) согласованный с сейлами. Формирование внутренней "библиотеки кейсов МЛ". В итоге сейлы получили конкретные кейсы и решения партнеров Яндекс.Облака для презентации заказчикам в удобном им виде (ранее они оперировали общей презентацией облачных продуктов МЛ Яндекса) 2) Серия внутренних обучающих мероприятий для сейлов 3) Внедрена система регулярных аудитов клиентского портфеля сейлов (их "территории") для формирования актуальных предложений МЛ их клиентам 4) Помощь в крупных сделках, знакомство с партнерами и выстраивание отношений сейлы - партнеры 5) Существенная доработка партнерской программы для возможности выделять потребление отдельных клиентов внутри потребления партнера. После этого сейлы смогли зачитывать закрытые через партнеров сделки себе в квоту по выручке. Обучение партнеров новой системе 6) Система вовлечения партнеров в процесс продажи - формирование ими точечных целевых предложений для отправки сейлом в нужный контакт внутри клиента В результате количество новых проактивных сделок и потенциальных сделок от отдела продаж выросло кратно - Участие в процессе разработки продукта 1) Продуктовый анализ рынка: конкуренты, сбор обратной связи от клиентов и партнёров. Обсуждение внутри команды разработки дальнейшего развития продукта, приоритизация фичей в спринтах 2) организация пилотных проектов с партнёрами по внедрению новых фичей (например, полное проектное ведение пилотных проектов по разработке кастомного синтеза переменных, от организации записи диктора в студии до внедрения синтеза в сценарии голосового робота) 3) исследование рынка и реагирование на актуальные запросы с точки зрения изменения продукта (например, специальная система тарификации для решений речевой аналитики) - Подготовка контента и выступления на вебинарах, конференциях. Например: INTERCOM'20 - Эволюция технологий распознавания и синтеза речи для бизнеса (https://www.youtube.com/playlist?list=PLtqT7syZpCVKwL..) Митап "Речевые технологии в действии" https://www.youtube.com/watch?v=oHHULG67Jvk Вебинар "Как избежать ошибок на этапе пилота голосовых роботов" https://www.youtube.com/watch?v=64S0_XbH164 Вебинар "Как стать партнером Яндекс.Облака по продукту SpeechKit https://www.youtube.com/watch?v=Jy7swVEQk-E Выступление на CCWF 2020 (записи пока нет)

(1 год 9 месяцев) Полное ведение проектов МЛ от выяснения потребности и продажи до внедрения модели в бизнес процессы: -Pre-sale заказчику - выяснение потребностей, первичный анализ ситуации. Понимание какими инструментами можно задачу решать, нужен ли вообще МЛ -Определение таргетов, аудит вместе с заказчиком, определение ТЗ -Составление ТЗ на датасет, первичный анализ семпла данных, прикидка по точности модели -Ведение проекта. Контакты с data scientists, с заказчиком, контроль сроков и актуальности создаваемого решения под изначальную задачу -Реагирование на изменения в проекте и прочие ситуации -Внедрение полученной модели в бизнес-процессы заказчика -Сопровождение Проекты: 1) Заказ от PWC (субподряд) На рабочего вешаются датчики (акселерометр и тд, фитнес-треккер, по сути), его работа снимается на камеру, делается разметка датасета. Задача обучить модель на этих данных, чтобы потом можно на камеру, делается разметка датасета. Задача обучить модель на этих данных, чтобы потом можно было знать (снимая показатели треккера) сколько времени какой работой занимался рабочий. Делали бустингом и нейросетью 2) Кредитный скоринг для МФО - определение вероятности возврата кредита по данным о клиенте. Делали бустингом, помогали внедрять в бизнес-процессы 3) Scoliologic.ru Нейросеть, которая получает на вход 3Д скан пациента и строчку параметров (рост, вес, возраст, тип сколиоза и тд) и на выходе выдает 3Д модель корсета для лечения сколиоза, который оптимально подходит данному пациенту. Сложность была в очень маленьком датасете (порядка 170 семплов) Решали задачу генеративно-состязательной нейросетью, искусственно увеличивая датасет путем добавления поворотов 3Д сканов. Также применяли капсульные сети 4) AlexFitness Предиктивная модель продления клиентом абонемента по его историческим данным посещений и тд. Получили точность порядка 80%. Заказчик использует эту модель для контроля за отделом продаж, а также для оптимизации маркетинговых бюджетов. Сейчас работаем над внедрением в их бизнес процессы модели, которая считает отдельно вероятность продления без скидки и вероятность продления со скидкой. Чтобы заказчик делал более точечные скидки 5) Сеть для автоматического подбора оптимального размера клапана сердца для процедуры TAVI (по анализу снимка КТ грудины). Совместно с НИИ им. Мешалкина Договорились о сотрудничестве с НИИ им. Мешалкина по данному проекту, получили семплы данных, поняли что реализовать сможем. Начали пресейл данного продукта в США (рынок таких операций в России - 500 в год, а в США - 10000 в год) через инвестфонды, клиники. Пресейл не получился, на рынке уже были похожие решения. В России реализовывать проект не стали 6) Крупный ретейлер зоотоваров (NDA) Предиктивная модель покупок пользователей. Если у пользователя высокая вероятность покупки определенного товара, ретейл сделает ему «умное» напоминание об этом товаре. Также модель, которая предсказывает вероятность того, что пользователь может перейти на другую марку корма (у разных кормов разная маржа) Интересно дальнейшее развитие в области ИИ, проектная деятельность.

(3 года 6 месяцев) Основал с партнером сеть образовательных центров подготовки к ЕГЭ. В данный момент полностью вышел из операционной деятельности