Аналитик данных | Собеседование | karpov.courses

Коротко о видео

Запись постановочного собеседования на позицию аналитика данных: ведущий проводит два интервью и поясняет логику вопросов. С первым кандидатом разбирают p-value, гипотезы и полный кейс прогнозирования оттока — от признаков и разметки до персонализированных действий по удержанию. Со вторым кандидатом обсуждают построение алертов с учётом сезонности, доверительные интервалы и Fermi-оценки на примерах слов английского языка и месячной аудитории «Одноклассников».

Затронутые темы

Что взять на заметку

• На интервью p-value следует определять как вероятность получить наблюдаемый или ещё более экстремальный результат при верной нулевой гипотезе, а не вероятность ровно наблюдаемой разницы.
• Для модели оттока нельзя использовать сырые накопительные признаки: лайки стоит нормировать на число просмотренных постов, время — на недавнюю среднюю активность, число друзей — на прирост за период.
• Порог, после которого пользователя считают ушедшим, можно обосновать распределением пауз между сессиями и долей пользователей, вернувшихся после такой паузы, а не выбирать произвольные «две недели».
• Работа модели оттока должна завершаться полезным действием: персонализированным поводом вернуться, например непрочитанными сообщениями или новым контентом из подписок; абстрактный пуш «зайди в приложение» может оттолкнуть пользователя.
• Для алертов нужно строить базовый уровень отдельно по времени суток и типу дня, сравнивать сопоставимые периоды, например с тем же днём прошлой недели, и учитывать праздники.
• Порог алерта можно привязать к исторической вариативности метрики: использовать диапазон нормальных колебаний, стандартное отклонение или Z-score, а бизнес-значимость порога согласовывать с владельцами метрики.
• В Fermi-задачах важнее прозрачная цепочка допущений и проверка единиц измерения: нельзя напрямую умножать дневные посещения на 30, если требуется число уникальных месячных пользователей.