Источник: Ориентировочно по открытым данным 2026: вакансии Dodo Brands на getmatch — Data Analyst 140-230K, Аналитик B2C (Dodo Pizza) 150-250K, Data Analyst в Drinkit 287-321K (все «на руки», грейд middle+). Цифры по конкретным вакансиям, не официальная вилка компании; junior/lead — экстраполяция.
Grade ladder: Junior → Middle → Senior Data Analyst → Lead / Product Analyst. По открытым вакансиям Dodo Brands базовый вход — уровень middle (2-3+ года опыта): роли Data Analyst и Аналитик B2C требуют 2+ лет, Data Analyst в Drinkit — 3+ лет со сложными A/B, Switchback и региональными тестами. Есть отдельный трек Lead Product Analyst (Dodo Engineering) — отвечает за качество продуктовой аналитики приложения и сайта Dodo Pizza по всему миру и строит команду. Рост чаще идёт в сторону продуктовой аналитики и лидерства над направлением/командой, а не только вглубь техники.
SQL: выборки, JOIN, агрегаты, оконные функции; в части команд встречается KQL (Kusto) поверх Dodo IS на стеке Azure/Cosmos Python для обработки, визуализации и статистики (pandas, numpy, статпакеты) Оценка A/B-тестов: как теоретически и методологически измерять эффект, размер выборки, длительность, статзначимость Дизайн экспериментов в офлайне: охват пиццерий, кластерная логика; для senior — Switchback-тесты, региональные тесты, Causal Impact Продуктовые и foodtech-метрики: конверсия, retention, повторные заказы, средний чек, Service Time, Cooking Time, время доставки Декомпозиция и поиск причин: аномалии, закономерности, разложение метрики на факторы Прогнозные модели метрик и базовые ML-задачи: регрессия, классификация, сегментация Франчайзинговая специфика и LFL: корректное сравнение пиццерий разных городов/регионов с учётом географии и сезонности BI и дашборды: Redash, Tableau, Power BI или Superset — быстро собрать отчёт и сделать метрики прозрачными для команд Продуктовое мышление: генерация и проверка гипотез, оценка impact вместе с продуктовыми командами
Каждый вопрос задокументирован в публичной статье (Habr, vc.ru). Источник проверен.
Плюс 3000+ обучающих вопросов, 520+ SQL-задач, 530+ Python — бесплатно первые 5 каждого типа.
Открыть тренажёр →Отдельного публичного отчёта с точным ТЗ по офисной DA-роли в открытом доступе нет, поэтому ниже — задание, максимально приближённое к требованиям реальных вакансий Dodo Brands (SQL + продуктовая метрика + дизайн A/B). Типовой формат: дают выгрузку или доступ к таблицам заказов пиццерий (orders: order_id, pizzeria_id, city, order_ts, delivery_ts, revenue, is_repeat) и просят: (1) на SQL посчитать среднее время доставки и долю повторных заказов по городам за месяц; (2) найти пиццерии с аномальным ростом времени доставки и декомпозировать причину; (3) спроектировать A/B-тест для новой фичи в приложении — сформулировать метрику, прикинуть размер выборки и длительность, объяснить, как выбрать и сколько пиццерий/пользователей охватить. Разбор подхода: сначала проверяете качество данных (пропуски, выбросы по IQR), для доставки используете разницу timestamp'ов, повторные заказы — оконной функцией по клиенту; для аномалий сравниваете период к периоду и раскладываете метрику на факторы (город, время суток, загрузка кухни); в A/B чётко разделяете primary/guardrail-метрики и обосновываете MDE и мощность. Оценивают не только правильный ответ, но и то, как рассуждаете вслух и учитываете франчайзинговую специфику (нельзя в лоб сравнивать Москву и малый город).
По формулировкам вакансий Dodo Brands ядро — SQL и статистика экспериментов. Реально спрашивают: напиши SQL-запрос под задачу (выборка, агрегация, оконные функции); как ты оцениваешь A/B-тест теоретически и методологически; как определить размер выборки и длительность теста и сколько пиццерий охватить; чем офлайн-эксперимент в сети точек отличается от онлайн A/B (ответ: единица наблюдения — пиццерия/день, ломается чистая рандомизация, нужны matching и causal-подходы); что такое Switchback и региональный тест (для senior); как декомпозировать падение метрики. Разбор: держите структуру ответа — сначала метрика и гипотеза, потом дизайн и статкритерий, потом интерпретация практической значимости, а не только p-value.
По вакансиям: уверенный SQL (в любом синтаксисе), в части команд — KQL/Kusto поверх Dodo IS (платформа исторически на стеке Azure/Cosmos DB); Python с pandas, numpy и статпакетами для обработки и визуализации; BI — Redash (быстро собрать дашборд), а также Tableau, Power BI или Superset. Полезно понимать базовые ML-задачи (регрессия, классификация, сегментация) и уметь строить прогнозные модели метрик.
Критически. Во всех аналитических вакансиях Dodo Brands статистика и эксперименты идут первым пунктом: middle-роль требует понимать, как теоретически и методологически оценивать A/B-тесты и применять статистику и теорию вероятностей на практике; senior-роль (Data Analyst в Drinkit) прямо требует опыт со сложными A/B, Switchback, региональными тестами и Causal Impact. Готовьтесь объяснять дизайн эксперимента в сети из сотен офлайн-точек, где чистая рандомизация по пользователям не работает.
Додо — исторически очень открытая компания. Есть публичный дашборд выручки всех активных пиццерий (dodostats.ru, данные из публичного Dodo IS API, обновление раз в ~30 минут), блог основателя Фёдора Овчинникова про прозрачность бизнеса и материалы Dodo Engineering. Перед собесом стоит полистать эти открытые данные, разобраться, как устроена франчайзинговая модель и LFL-анализ (like-for-like) как ключевой индикатор здоровья сети, и подумать, как корректно сравнивать пиццерии разных регионов с учётом географии и сезонности.
Ориентировочно по открытым данным 2026 (конкретные вакансии Dodo Brands на getmatch, суммы «на руки»): Data Analyst — 140 000–230 000 ₽/мес, Аналитик B2C (Dodo Pizza) — 150 000–250 000 ₽/мес, Data Analyst в Drinkit (senior, 3+ года) — 287 000–321 000 ₽/мес. Это цифры по отдельным вакансиям, а не официальная вилка компании; формат — удалёнка или гибрид (офисы в Москве на Автозаводской и в СПб).
По отраслевому профилю DA-роли и косвенным сигналам из отзывов о найме в Додо процесс обычно 3-5 этапов: скрининг с рекрутером, техническое интервью (SQL + Python + метрики), тестовое или лайв-кейс, секция про эксперименты/статистику и финал с командой. Точное число этапов и наличие тестового зависят от команды и уровня позиции; отдельных публичных пошаговых отчётов именно по офисной аналитической роли мало, поэтому ориентируйтесь на требования конкретной вакансии.
Яндекс · Ozon · Т-Банк (Tinkoff) · Авито · Wildberries · VK · X5 Group · Сбер · Lamoda · МегаФон · Tutu.ru · Альфа-Банк · МТС · Самокат · Райффайзенбанк · Циан · 2ГИС · ВТБ · Билайн (ВымпелКом) · Точка · Магнит · Skyeng · Лаборатория Касперского · HeadHunter (hh.ru) · Aviasales · Ростелеком · Совкомбанк · Газпромбанк · Домклик