Мок-собеседование: рассказ о проекте, продуктовая секция и A/B

Лада · руководитель агентства «Северный Тракт»

SQL и Python на время ты отработал. Теперь соберём всё в одно собеседование, как настоящее: я интервьюер, у тебя час. Расскажешь о себе и об одном проекте, решишь кейс про «Кубик» и ответишь на вопросы про A/B. Потом разберём, где споткнулся.

В SQL-секции и Python-задачах ты тренировал куски собеседования по отдельности. На собеседовании куски идут подряд, и устаёшь не от задачи, а от переключений: только что рассказывал о себе, и вот уже считаешь мощность теста. Поэтому перед настоящим собеседованием проводят мок-собеседование. Сегодня проведём его целиком.

Как устроено собеседование

Названия секций в разных компаниях свои, но порядок почти всегда такой:

Секция	Что проверяют	Где готовиться
Знакомство	интервьюер рассказывает о команде и задачах	слушай и записывай, что им важно: пригодится в вопросах в конце
Рассказ о себе и о проекте	умеешь ли ты довести задачу от вопроса до вывода	этот урок и портфолио
SQL	JOIN, группировки, окна, ловушки данных	SQL-секция, задачи iq-*
Продуктовая секция	думаешь ли по порядку, когда готового запроса нет	продуктовые кейсы
Статистика и A/B	понимаешь ли, когда тесту можно верить	блок от мощности до квазиэкспериментов
Вопросы кандидата	интересна ли тебе работа, а не только оффер	конец урока

Иногда Python идёт отдельным этапом или заменяет SQL, иногда продуктовую секцию и A/B сливают в одну. Сценарий ниже собирает всё в один час.

Рассказ о себе: опыт не придумывают

На курсах подготовки к собеседованиям иногда учат «легенде»: придумать опыт работы аналитиком в компании, где ты не работал, и выучить его наизусть. Не делай этого. Выдуманный опыт рассыпается на втором уточняющем вопросе («кто был заказчиком?», «на какой базе это крутилось?»), его ловят на проверке рекомендаций, а если не поймали, ты выходишь на работу, где от тебя ждут навыков, которых нет.

Опыт не придумывают, а упаковывают. У тебя уже есть настоящий: шесть проектов курса, сотни решённых задач и, возможно, прошлая работа. Если ты собирал отчёты в Excel на складе или вёл таблицу заявок в поддержке, это тоже работа с данными, и о ней стоит сказать.

Рассказ о себе занимает одну-две минуты и отвечает на три вопроса:

1. Кто ты сейчас. Откуда пришёл и что делал до аналитики.
2. Что умеешь и на чём это проверено. Не список технологий, а один-два проекта с результатом.
3. Что ищешь. Почему эта компания и эта роль, а не любая.

Шаблон: «До аналитики я [чем занимался]. Последние [срок] учился аналитике: SQL, Python, статистика и A/B-тесты, и сделал шесть учебных проектов на данных, похожих на настоящие. Самый интересный: [проект одной фразой с выводом]. Ищу роль [продуктового аналитика], потому что [что тебя цепляет в этой компании]». Слово «учебный» не прячь: интервьюер всё равно спросит, а честный ответ вызывает больше доверия, чем уклончивый.

Рассказ о проекте: шесть частей

В уроке о карьере проект в портфолио оформлялся из четырёх частей. Устный рассказ требует ещё двух: как ты считал и что сделал бы иначе. Вторая из них показывает, что ты видишь слабые места своей работы.

Возьмём финальный кейс курса, кешбэк «Монетки» (разведка, анализ, записка). Так он звучит за две минуты:

1. Вопрос. Необанк дал части клиентов кешбэк 5% в кафе на квартал. Продукт хотел раскатить его на всех, потому что «траты выросли на 10%». Риск-менеджер спросила: окупился ли кешбэк?
2. Данные. Клиенты, группы теста, операции по картам и выплаты кешбэка за квартал до теста и квартал теста.
3. Чистка. 30 клиентов попали в обе группы, я их исключил: осталось 976 в тесте и 994 в контроле. До теста группы тратили похоже, 26 082 и 26 769 ₽ на клиента. А «рост на 10%» оказался фродом: 20-22 мая по 40 украденным картам тестовой группы прошло 627 операций в одном интернет-магазине.
4. Метод. Сравнение средних на клиента с z-статистикой, отдельно для трат в кафе и для всего оборота. Главная метрика: чистая выручка банка на клиента, комиссия 1,5% с покупок минус кешбэк.
5. Вывод. В кафе клиенты стали тратить на 18,6% больше, z = 3,53, это не случайность. Но общий оборот не вырос, 27 148 ₽ против 27 340 ₽: покупки переехали в кафе. Банк зарабатывал на клиенте контроля 120 ₽ за квартал, а на клиенте теста терял 106 ₽. Рекомендация: не раскатывать, а проверить новым тестом кешбэк за счёт партнёров или меньшую ставку.
6. Что сделал бы иначе. До старта посчитал бы мощность: по доле клиентов, сходивших в кафе, у теста было всего 44%, а по частоте походов 98% (урок про мощность). Ставку комиссии спросил бы у финансистов, а не брал допущением. И взял бы траты до теста как ковариату: CUPED сужает интервал эффекта на 14%.

Заметь, чего в рассказе нет: названий функций SQL и рассказа о том, как долго ты писал запрос. Есть вопрос, болячки данных и решение.

Уточняющие вопросы

Дальше интервьюер копает. Вопросы предсказуемые, к ним готовятся заранее:

• «1,5% откуда?» Допущение, в данных ставки нет. Но вывод от неё почти не зависит: чтобы кешбэк окупился, каждый клиент должен был тратить на 14,8 тысячи ₽ больше, больше половины всех своих трат. Даже при ставке 3% нужно плюс 7,4 тысячи.
• «Почему z, а не t-тест?» При тысяче клиентов в группе z и тест Уэлча дают почти одно и то же. В Python-блоке частоту походов я перепроверил тестом Уэлча, а разницу медиан бутстрэпом.
• «Что было бы без чистки?» Фрод нарисовал бы рост, и банк раскатил бы убыточный кешбэк на всех клиентов.
• «Это реальные данные?» Нет, учебные, сгенерированные с подвохами. Вопрос, чистка и ход решения такие же, как на настоящих.