Найм

Быстрый справочник

• Structured interview надёжнее unstructured в 2x — одинаковые вопросы всем кандидатам
• Scorecard до интервью: без неё решение принимается "по ощущению"
• 5 cognitive biases в найме: affinity, halo, recency, attribution, confirmation
• Job description: требования vs nice-to-have — будь честен, иначе теряешь кандидатов
• Take-home задания: не более 3–4 часов; оплачивай если можешь
• Онбординг: 30/60/90 план + buddy системa — снижает время до продуктивности
• Решение о найме: совет директоров принципа "hire for strength, not absence of weakness"

• Один сильный инженер может заменить 3 средних по продуктивности
• Средняя стоимость неудачного найма — от 1 до 3 годовых зарплат кандидата (рекрутинг, онбординг, потеря производительности, увольнение)
• Культура команды формируется через людей, которых в неё нанимают
• Тимлид несёт ответственность за результат — значит, должен влиять на то, кто в команде

Помните: лучше потратить 3 месяца на правильный найм, чем 12 месяцев на управление неправильным человеком.

Мы строим платёжную инфраструктуру для 2M+ пользователей.
Backend Engineer будет отвечать за надёжность платёжного pipeline
и владеть сервисами обработки транзакций.

• Must-have: 3+ года опыта с Python, понимание распределённых систем, опыт с PostgreSQL
• Nice-to-have: Знакомство с Kafka, опыт в финтех, контрибьюции в open source

• Убирайте слова "рок-звезда", "ниндзя", "гений" — они отпугивают разнообразных кандидатов
• Не требуйте диплом, если это не критично для роли
• Не указывайте конкретные годы опыта без обоснования (правило "5 лет с React" при существовании React 8 лет — красный флаг)
• Используйте гендерно-нейтральный язык
• Инструменты проверки: Textio, Gender Decoder

• Стек технологий (реальный, а не aspirational)
• Как выглядит типичный день/неделя
• Как принимаются технические решения в команде
• Процесс найма (сколько этапов, что ожидать)
• Компенсационная вилка (прозрачность привлекает сильных кандидатов)

1. Intro (5 мин): расскажите о компании и роли
2. Мотивация (5 мин): почему эта роль, почему сейчас
3. Ключевые вопросы (15 мин): 2-3 вопроса по must-have критериям
4. Вопросы кандидата (5 мин)

• Кандидат не может объяснить, что делал в предыдущих ролях
• Ищет только деньги/статус без интереса к задачам
• Не задаёт ни одного вопроса

• Ограничение по времени: 3-4 часа (и соблюдайте его)
• Реальная задача, похожая на работу (не абстрактные алгоритмы)
• Платите за время (для senior-задач >4 часов)
• Давайте чёткие критерии оценки заранее

• Ход мышления: уточняет ли требования, называет ли assumptions?
• Коммуникация: думает ли вслух?
• Итеративность: начинает ли с brute force, оптимизирует ли?
• Обработка edge cases: помнит ли о null, пустых массивах, переполнении?
• Тестируемость: пишет ли тесты или думает о них?

1. Уточнение требований (functional + non-functional)
2. Оценка масштаба (QPS, хранилище)
3. High-level дизайн
4. Deep dive в компоненты
5. Трейд-оффы и alternatives

• Situation: Опишите контекст
• Task: Какая была задача/проблема
• Action: Что конкретно вы сделали (именно вы, не команда)
• Result: Каков измеримый результат

• "Расскажите о ситуации, когда вы не согласились с техническим решением команды. Что сделали?"
• "Опишите самый сложный баг, который вы расследовали. Как вы к нему подошли?"
• "Расскажите о проекте, который провалился. Что вы из этого вынесли?"

• "Через 30 дней успех выглядит так: ..."
• "Через 90 дней успех выглядит так: ..."

• Systemic bias: AI обучается на исторических данных — если исторически нанимали однородных кандидатов, AI усилит этот паттерн
• Proxy discrimination: AI может научиться дискриминировать по признакам которые коррелируют с защищёнными характеристиками (почтовый индекс → раса)
• Screening false negatives: автоматические системы отсеивают нетрадиционных кандидатов (кандидаты без диплома, смена отраслей)

1. AI — фильтр для уменьшения нагрузки, не принимает финальные решения
2. Регулярно аудитируй: какой % отсеянных кандидатов — женщины / недопредставленные группы?
3. Дай кандидатам возможность объяснить нетрадиционный бэкграунд
4. Проверяй AI решения на репрезентативной выборке вручную

• Перейди к задачам где важно объяснение решения (почему это решение, какие trade-offs)
• Используй live coding с обсуждением вместо take-home
• Оценивай thinking process, не только правильность кода

1. Выпишите все требования двумя столбцами: Must-have и Nice-to-have
2. Для каждого must-have ответьте: "Почему без этого нельзя начать работу с первого дня?"
3. Проверьте текст через сервис Gender Decoder (decoder.net): сколько мужских/женских слов?
4. Посчитайте: сколько требований осталось в must-have? Если больше 7 — сократите.

1. Выберите 4-5 критериев оценки (не больше)
2. Для каждого критерия опишите, что означает оценка 1, 3, 5 по шкале
3. Назначьте вес каждому критерию (в сумме 100%)
4. Напишите по 2 вопроса для каждого критерия

• Критерий: Системное мышление
• 1/5: Думает только о текущей задаче, не видит зависимостей
• 3/5: Учитывает смежные сервисы, задаёт уточняющие вопросы
• 5/5: Проактивно называет трейд-оффы, предлагает альтернативы с аргументами