---
title: Качество данных
questionDates:
  q-transfer-0130: '2026-10-01'
  q-transfer-0131: '2026-10-01'
  q-transfer-0132: '2026-10-01'
seo:
  description: >-
    Тема «Качество данных» для собеседования Product Analyst. Как обнаружить
    drift продуктовых данных во времени? Как проверить валидность новой
    аналитической метки?
  title: Качество данных — Product Analyst
---

[Все темы Product Analyst](/prep/product-analyst)

## Как обнаружить drift продуктовых данных во времени? [#q-transfer-0130]

Сначала фиксируют сопоставимые временные окна и сегменты, отделяя сезонность и изменение состава трафика. Контролируют схему, пропуски, категории и объем, затем сравнивают распределения: PSI как диагностический индекс, KS для непрерывных данных, chi-square или divergence для категорий. `p-value` на больших данных реагирует на крошечные сдвиги, поэтому нужен размер эффекта. Change-point методы помогают локализовать момент. Drift сам по себе не доказывает ухудшение продукта, после сигнала ищут источник и сверяют downstream-метрики.

:::note[Ссылки для изучения]

1. [Обнаружение drift: сравнение распределений по временным окнам на примере Azure ML](https://learn.microsoft.com/ru-ru/azure/machine-learning/concept-model-monitoring?view=azureml-api-2)
   :::

---

## Как проверить валидность новой аналитической метки? [#q-transfer-0131]

Сначала задают точное значение метки и независимый ground truth. На стратифицированной ручной выборке оценивают precision, recall и пропуски, а для субъективной разметки проверяют согласие оценщиков и разбирают расхождения. Смотрят coverage, стабильность по сегментам и времени, граничные случаи и источник missing labels. Инструкцию, версию логики и выборку сохраняют для воспроизводимости. После запуска мониторят долю метки и периодически повторяют аудит, потому что данные и поведение меняются.

:::note[Ссылки для изучения]

1. [Проверка качества меток: независимая эталонная разметка и разбор расхождений в Альфа-Банке](https://habr.com/ru/companies/alfa/articles/883822/)
   :::

---

## Как расследовать аномалию в продуктовой метрике? [#q-transfer-0132]

Сначала подтверждают аномалию: определение метрики, знаменатель, свежесть, дубли, join и изменения схемы. Затем локализуют ее по времени, версии, платформе, стране, каналу и другим независимым срезам, избегая бесконечного поиска случайных сегментов. Сверяют связанные метрики, релизы, кампании и календарные события. После гипотезы воспроизводят причинную цепочку на сырых событиях и оценивают масштаб. Итог расследования содержит причину, влияние, решение, владельца и проверку, предотвращающую повторение.

:::note[Ссылки для изучения]

1. [Расследование падения конверсии: проверка цели и локализация по отчётам Яндекс Метрики](https://blog.icontextgroup.ru/articles/snizilas-konversiya-kakie-otchety-metriki-pomogut-ponyat-prichinu)
   :::