Материал Эйч · Опубликовано 27 октября 2026
Техлид ML/R&D в команде ценообразования и прогноза спроса: табличный ML, causal inference, production и data stack ритейла.
Фишка: Фокус на измеримый бизнес-эффект (маржа, EBITDA, plan/fact после применения цены), а не только на offline-метрики модели.
| Этап | Длительность | Что проверяют |
|---|---|---|
| Скрининг / HR | 30–45 мин | Мотивация, опыт senior/lead, ритейл и pricing, формат работы (Москва/Краснодар/удалёнка), ожидания по роли техлида ML. |
| Техническое интервью ML | 60–90 мин | Классический ML, forecasting, эластичность, валидация на временных рядах, Python/SQL, разбор прошлых кейсов доведения моделей до prod. |
| Углублённое / архитектура | 60–90 мин | Дизайн системы рекомендаций цен SKU×магазин, feature pipeline, batch inference, метрики бизнеса vs ML, A/B и plan/fact. |
| Команда и лидерство | 45–60 мин | Менторинг, code/design review, road map исследований, взаимодействие с backend/data. |
Обязательный минимум
Плюсом будет
Как бы вы спроектировали систему рекомендации регулярных цен на уровне SKU × магазин?
Исторические продажи, промо, остатки, поставки, признаки товара/ТТ; сценарии цен → прогноз спроса → эластичность → оптимизация с ограничениями; confidence и риск; plan/fact.
Чем offline-метрика прогноза отличается от метрики ценового решения?
MAPE/WAPE на спросе vs влияние на оборот, маржу, EBITDA; смещение из-за промо и каннибализации; нужен backtest на исторических изменениях цен.
Как работать с intermittent demand и long-tail SKU?
Классификация ритма продаж, Croston/TSB, иерархическое сглаживание, pooling признаков категории, cold start через эмбеддинги товара/магазина.
Как оценивать uncertainty и confidence рекомендации цены?
Квантильные модели, conformal prediction, bootstrap по кластерам магазинов; пороги для «не менять цену» при высокой неопределённости.
Фишка: Вакансия явно требует сравнивать прогноз с фактом после применения рекомендации — готовьте примеры post-deployment оценки.
Ловушка: Оптимизация только по спросу без ограничений (минимальная маржа, MAP, конкуренты, юридические лимиты) — слабый ответ для lead-роли.
Что такое Causal Forest?
Ансамбль деревьев для CATE: разбиения максимизируют различие эффекта лечения; честные доверительные интервалы при корректных предпосылках.
Как оценить эффект изменения цены без рандомизированного A/B на всех SKU?
DiD, synthetic control, instrumental variables, regression discontinuity; осторожность с confounders (промо, сезонность).
Чем uplift-модель отличается от обычной модели отклика?
Целевая переменная — инкрементальный эффект treatment vs control; метрики Qini/uplift curves; двухмодельный и class transformation подходы.
Какие ошибки в тренировочном цикле могут ухудшить обучение и качество модели?
Leakage из будущего, неправильный shuffle split на рядах, несогласованная нормализация train/test, слишком большой LR без warmup, отсутствие early stopping, игнор calibration.
Совет: Связывайте causal-методы с бизнес-вопросом: «что будет, если поднять цену на 3% в этой группе магазинов?»
Почему для табличного forecasting часто выбирают LightGBM/CatBoost?
Нелинейности, категории, скорость на больших данных, важность признаков; CatBoost — ordered target encoding.
Как бороться с переобучением в boosting?
depth, num_leaves, min_data_in_leaf, subsample/colsample, early stopping, регуляризация L1/L2.
Что такое calibration и зачем она в pricing?
Согласованность predicted probability/ожидания с фактом; isotonic/Platt; важно для risk-aware решений.
Ловушка: Высокий AUC на uplift не означает хороший бизнес-эффект — проверяют инкремент на holdout с treatment.
Как устроить временную валидацию для цен и спроса?
Rolling/expanding window, embargo между train и test, несколько cutoff-дат; не перемешивать будущее в прошлое.
Где типичный data leakage в retail forecasting?
Будущие остатки/поставки, post-facto промо-флаги, агрегаты с глобальной статистикой включая test, target encoding на всём датасете.
Какие приёмы автоматического обнаружения broken pipelines?
Мониторинг распределений и null-rate, SLA задач Airflow, алерты на дрейф, contract tests между слоями dbt, сравнение row counts.
Совет: Назовите конкретные бизнес-метрики backtest: lost sales из-за out-of-stock, штраф за промо-каннибализацию.
В чём смысл MergeTree в ClickHouse и что мержится при вставке?
Данные в сортированных parts; фоновые merge сжимают parts; при insert — новые parts, не мгновенный глобальный merge.
Что такое дистрибуция данных в ClickHouse?
Distributed table как прокси; sharding key; локальные MergeTree на шардах; запросы агрегируются на координаторе.
Какие движки ClickHouse используются и известны?
MergeTree семейство (Replacing, Summing, Aggregating), Log/TinyLog для мелочи, Kafka engine, Materialized views.
Как посчитать количество ненулевых элементов в столбце?
COUNT(*) WHERE col <> 0 AND col IS NOT NULL; в ClickHouse — countIf(col != 0).
Фишка: Стек вакансии: Trino + Iceberg + Parquet + ClickHouse — готовьте, как читаете фичи для batch training.
Почему раньше возникала проблема исчезающего градиента?
Цепное правило через глубокие слои; сигмоида/tanh с малыми производными; решения: ReLU, residual, нормализация, careful init.
Как считается параметрика трансформера от d_model и числа слоёв?
4 матрицы d×d на слой attention + FFN ~ 8d²; умножить на L; embeddings vocab×d.
Что такое expert routing и методы балансировки нагрузки?
MoE: router выбирает k экспертов; load balancing loss, capacity factor, auxiliary losses против collapse.
Расскажите про LongRAG и длинные единицы поиска.
Длинные retrieval units вместо мелких чанков — меньше потери контекста, другой trade-off recall/latency.
У кого больше рецептивное поле: две 3×3 или одна 5×5?
Две 3×3 дают 5×5 RF при том же padding, но больше нелинейностей и меньше параметров.
Какие метрики качества генерации (FID, IS, KID, CLIPScore)?
FID — Fréchet distance в feature space; IS — entropy+sharpness; KID — polynomial MMD; CLIPScore — text-image alignment.
Совет: Вопросы про YOLO/антифрод на кассах — из CV-практик ритейла; кратко: детекция → ROI → классификация/вес.
Почему выбирают YOLOv8 для детекции?
Баланс speed/accuracy, удобный train/deploy pipeline, anchor-free head в v8.
Почему сначала детекция, а не сразу сегментация?
Дешёвый ROI; сегментация на полном кадре дорога; каскад latency/accuracy.
Как работает антифрод на кассах самообслуживания?
Весовые датчики, CV-события, правила + ML на аномалиях сканирования; human-in-the-loop.
Почему архитектура VGG сегодня не используется?
Огромное число параметров; устарела vs ResNet/EfficientNet; медленный inference.
Что такое Tensor Cores и что они ускоряют?
NVIDIA: mixed-precision матричные умножения FP16/BF16 в GEMM conv/attention.
Ловушка: Путать offline accuracy CV-модели с ROI антифрода — важны precision на редких событиях и cost false positive.
Что такое SARSA и чем отличается от Q-learning?
SARSA on-policy обновляет по фактическому следующему действию; Q-learning off-policy — по max Q(s',a').
Фишка: Для pricing RL встречается реже boosting+causal, но вопрос проверяет фундамент.
Временная валидация с embargo
Дан дневной ряд продаж по SKU с признаками цены и промо. Опишите функцию разбиения на train/val с горизонтом прогноза H=14 и embargo E=7 дней, чтобы исключить leakage.
Для каждой cutoff-даты t: train — наблюдения с date ≤ t−E; val — (t, t+H]. Никаких признаков, агрегированных с date > t. Rolling: сдвиг t с шагом 7 дней.
Сложность: O(n) по числу дат
SQL: ненулевые в столбце
Таблица sales(store_id, sku_id, qty). Посчитайте по каждому store_id число SKU с хотя бы одной ненулевой продажей за последние 30 дней.
SELECT store_id, COUNT(DISTINCT sku_id) AS active_skus FROM sales WHERE sale_date >= today() - 30 AND qty <> 0 AND qty IS NOT NULL GROUP BY store_id;
Сложность: O(rows)
Эластичность из двух цен
При цене p1 средний дневной спрос q1, при p2 — q2 (локально линейная аппроксимация). Оцените точечную эластичность и знак.
ε = (Δq/q) / (Δp/p) ≈ ((q2−q1)/q1) / ((p2−p1)/p1). Обычно ε < 0 для нормальных товаров.
Сложность: O(1)
Каркас ответа
3 дня
7 дней
14 дней
| Блок | Готов, если... |
|---|---|
| Прогноз спроса и pricing | можешь описать pipeline SKU×магазин и plan/fact без подсказок |
| Causal inference | объясняешь Causal Forest и когда нужен A/B vs observational |
| Валидация | называешь 3 источника leakage в retail TS |
| ClickHouse/SQL | объясняешь MergeTree insert/merge и пишешь COUNT DISTINCT с фильтром |
| System design | рисуешь batch inference и мониторинг за 15 минут |
| Лидерство | есть STAR про менторинг и production с бизнес-метрикой |
В день собеседования
