Собес в Яндекс · Старший аналитик данных (Практикум, привлечение)
Материал Эйч · Опубликовано 27 октября 2026
Обзор
Глубокая проверка SQL, статистики и экспериментов на стыке маркетинга, продукта и продаж образовательного бизнеса
Фишка: Сильный акцент на эксперименты и воспроизводимую аналитику; типичны развёрнутые SQL-задачи на доставку коммуникаций и оконные функции, плюс прикладные задачи на Python в духе внутренних метрик Яндекса.
| Этап | Длительность | Что проверяют |
|---|---|---|
| Скрининг / HR | 30–45 мин | Опыт в маркетинговой или продуктовой аналитике, мотивация к Практикуму, формат работы (офис Москва/СПб), ожидания по senior-уровню |
| Техническое интервью | 60–90 мин | SQL на реальных схемах (кампании, коммуникации, пользователи), статистика, дизайн A/B-тестов, разбор воронки от контакта до покупки |
| Алгоритмы / код | 45–60 мин | Задачи на Python: массивы, вероятность, иногда имплементация метрик; оценка сложности и краевых случаев |
| Кейс / продукт | 45–60 мин | Гипотезы роста в каналах привлечения, ценовые механики, интерпретация эксперимента для нетехнических стейкхолдеров |
| Финал с командой | 30–60 мин | Культура аналитики в Яндексе, автоматизация и ИИ-инструменты, ваши вопросы к команде |
Стек и темы
Обязательный минимум
- SQL: JOIN, GROUP BY, подзапросы, оконные функции, порядок выполнения (WHERE → GROUP BY → HAVING → ORDER BY → LIMIT)
- Дизайн и интерпретация A/B-тестов: MDE, размер выборки, длительность, метрики успеха
- Воронки привлечения: от первого контакта до покупки, каналы, скидки, CRM
- Python для EDA и проверки гипотез (pandas, воспроизводимые расчёты)
- Базовая вероятность и статистика (распределения, условная вероятность)
- Коммуникация результатов для бизнеса
Плюсом будет
- BI и дашборды для бизнес-пользователей
- Оценка инкрементального эффекта маркетинговых каналов
- Автоматизация и внутренние библиотеки для аналитиков
- ИИ/LLM как инструмент в аналитике с критической проверкой вывода
- Понимание бенчмарков и метрик качества моделей (для смежных задач)
SQL и аналитические запросы
Как называется оператор сортировки в SQL и когда он выполняется? Где в порядке выполнения находится LIMIT?
ORDER BY — после SELECT/GROUP BY/HAVING; LIMIT/OFFSET — в самом конце цепочки выполнения запроса.
Что изменится, если заменить COUNT(*) на COUNT() без аргумента?
В стандарте SQL COUNT() без аргумента недопустим; в диалектах с COUNT() как COUNT(*) поведение как у подсчёта строк; уточняйте диалект (ClickHouse, PostgreSQL).
По промо-кампаниям: вывести число пользователей, успешно получивших коммуникацию, по каждой кампании; затем — число пользователей без ни одной успешной доставки.
Нужна таблица получателей кампании + факты communications; успех по status; для «ни одной успешной» — anti-join или NOT EXISTS по user_id в рамках campaign_id.
Добавили event_timestamp: для всех кампаний посчитать долю пользователей, у которых успешная доставка с первой попытки.
Первая успешная попытка: ROW_NUMBER() PARTITION BY campaign_id, user_id ORDER BY event_timestamp; сравнить с первой попыткой вообще; учесть кампании без запуска (LEFT JOIN от campaigns).
Ловушка: Считать только по communications без списка получателей — занижает/искажает охват кампании.
Совет: Проговаривайте схему таблиц вслух и оптимизацию (фильтры до join, индексы по campaign_id, user_id).
Статистика и A/B-тесты
Перечисли критерии, при которых данные можно считать нормально распределёнными.
Симметрия, колокол, близость среднего/медианы/моды, умеренные выбросы; на практике ещё смотрят на CLT для средних.
Как настроить A/B-тест для нового алгоритма поиска? Как определить размер выборки и длительность?
Метрики (CTR, конверсия), рандомизация, MDE + alpha/beta → power analysis; длительность с учётом сезонности и достаточного числа событий на вариант.
Как бы ты оценивал качество мультимодальной модели? Что такое бенчмарк?
Бенчмарк — стандартный набор задач и метрик; для multimodal — accuracy/F1 на поднаборах, human eval, robustness, latency/cost.
Фишка: Для Практикума типичны эксперименты в продукте и маркетинге: связывайте тест с выручкой и воронкой, а не только с CTR.
Маркетинг, продукт и метрики привлечения
Как оценить эффективность каналов привлечения и ценовых механик?
Когортный LTV/CAC, атрибуция (с оговорками), инкрементальность (holdout/geo), воронка по этапам, контроль сезонности.
Как бы ты создал бенчмарк по геометрии — цепочка от идеи до датасета?
Цели навыков → спецификация задач → генерация/разметка → валидация → версионирование → метрики и baseline.
Насколько вам интересно машинное обучение и хотели бы применять его как инструмент?
Честный ответ: где ML даёт value (скоринг, прогноз, ассистенты аналитика), где достаточно SQL+статистики; критическая проверка моделей.
Совет: Готовьте 1–2 истории: гипотеза → эксперимент/анализ → решение о масштабировании или отказе.
Python, алгоритмы и сложность
Какова сложность по памяти у Product of Array Except Self и какие переменные используются?
O(1) доп. памяти при двух проходах с выходным массивом; prefix/suffix произведения в одном массиве результата.
Расскажите, каким стеком и инструментами пользовались?
SQL-движок, Python (pandas), BI, git, оркестрация; для вакансии — акцент на воспроизводимость и автоматизацию.
Ловушка: На коде важны краевые случаи и читаемость, не только правильный ответ.
Вероятность
Три неразличимых фейерверка с разной надёжностью (0.9, 0.8, 0.6). Первый успешно сработал. Какова вероятность, что второй и третий тоже успешны?
Байес: обновить вероятности типов после первого успеха, затем условные вероятности для оставшихся двух; ответ округлить до 3 знаков.
Совет: Запишите полную вероятность по гипотезам о типе первого фейерверка.
Задачи
Префиксы и суффиксы (массив)
Из нулей массива длины n за операции «+1 ко всем элементам префикса или суффикса» можно ли получить заданный массив ai (ai ≤ 10^18)?
Проверка монотонности разностей соседних элементов: массив достижим iff a[i] ≤ a[i+1] для всех i (инвариант операций). Иначе NO, иначе YES.
Сложность: O(n) по времени, O(1) по памяти
Метрика IoU по цветам (сканворд)
Две матрицы n×m — решение и оригинал. Для каждого ненулевого цвета считать IoU-подобную метрику по клеткам этого цвета, усреднить по числу цветов в оригинале; нули не цвет.
Для каждого color>0: intersection = совпавшие клетки, union по правилу задачи (одна единица за совпавшую пару); усреднить; округление до 2 знаков.
Сложность: O(n·m·C) где C — число цветов
SQL: доставка промо-коммуникаций
Схемы campaigns, campaign_recipients, communications (status, event_timestamp). Метрики: успешные получатели, получатели без успеха, доля «с первого раза».
Агрегации с GROUP BY campaign_id; для первого успеха — оконные ROW_NUMBER; LEFT JOIN от campaigns для незапущенных.
Сложность: Зависит от объёма; избегать дублирования join без DISTINCT там, где нужен user-level
System Design
- Спроектируйте набор метрик для оценки нового канала привлечения в Практикум (от показа до оплаты).
- Как бы вы организовали дашборд для маркетинга и продуктовых экспериментов?
- Как детектировать и объяснять просадку конверсии в воронке продаж?
Каркас ответа
- Бизнес-цель и decision, который должен принять стейкхолдер
- Источники данных и гранулярность (user, session, order)
- Определения метрик (north star + guardrails)
- Сегментация и известные смещения (сезонность, новые курсы)
- Валидация: sanity checks, A/A, согласованность с финансами
- План действий по результатам анализа
Поведенческое
- Расскажите о сложном аналитическом проекте на стыке маркетинга и продукта: что было вашей зоной ответственности?
- Пример, когда результаты A/B-теста были неоднозначны — как вы помогли принять решение?
- Как вы объясняли нетехнической команде, почему нельзя «просто докрутить» метрику?
- Как используете ИИ-инструменты в работе и как проверяете их ошибки?
- Есть ли у вас вопросы к интервьюеру?
План подготовки
3 дня
- Повторить порядок выполнения SQL и решить 3 задачи на JOIN + window functions
- Освежить power analysis для A/B (MDE, sample size)
- Прорешать одну задачу на условную вероятность и одну на массивы на Python
7 дней
- Полный прогон SQL-кейса «кампании + communications» с оконными функциями
- Подготовить 2 STAR-истории: эксперимент и влияние на выручку/воронку
- Изучить продукты Практикума и типичные каналы привлечения
- Повторить критерии нормальности и интерпретацию p-value / доверительных интервалов
14 дней
- Систематизировать знания по атрибуции и инкрементальности (хотя бы на уровне концепций)
- Mock-интервью: 45 мин SQL + 30 мин кейс по каналу привлечения
- Автоматизировать один учебный пайплайн на Python (воспроизводимый отчёт)
- Список вопросов к команде: эксперименты, стек, ожидания от senior
| Блок | Готов, если... |
|---|---|
| SQL и аналитические запросы | можете без подсказки написать запрос с оконными функциями для «первого успеха» и объяснить порядок ORDER BY / LIMIT |
| Статистика и A/B-тесты | можете за 5 минут описать дизайн теста для продуктовой фичи с метриками и расчётом длительности |
| Маркетинг, продукт и метрики привлечения | можете нарисовать воронку Практикума и назвать 3 гипотезы роста с измеримым критерием |
| Python, алгоритмы и сложность | решаете типовую задачу на массив за O(n) и озвучиваете память/время |
| Вероятность | решаете задачу на обновление вероятностей после наблюдения (Байес) |
В день собеседования
- Проверить доступ к IDE/звонку и тихое место
- Держать под рукой шаблон рассуждения для SQL (схема → логика → edge cases)
- На кейсах сначала уточнить метрику успеха и ограничения данных