Привет! Меня зовут Дарина Кухтина, я руководитель аналитики в компании, которая разрабатывает мобильные игры, и собеседую аналитиков уже 4 года, а ещё я наставник на курсе «Аналитик данных» в Практикуме. В статье я расскажу, о чём важно помнить, чтобы интервью проходили спокойнее и проще.
Аналитик — почти универсальная специальность. Качественный анализ данных и грамотное прогнозирование на основе результата — по сути, основа стратегического планирования в любом бизнесе, поэтому к компетенциям и опыту специалистов предъявляются нешуточные требования.
Чтобы оценить, сможет ли кандидат выполнять аналитические задачи вашего бизнеса, попробуйте задать ему вопросы из нашей подборки.
Вторая часть масштабной статьи про собеседования. Первая — тут. В прошлый раз мы поговорили об идеальном кандидате в вакууме, а также о презентационной части собеседования. Здесь же будем говорить про техническую часть и про то, в каком направлении бы хотелось развивать тему с собеседованиями.
В конце добавила секцию с бонусными рубриками — советами и наблюдениями для тех, кто проводит собеседования или приходит на них как кандидат =)
- Что такое аналитика данных и какова ее роль?
- Как вы принимаете решения на основе данных?
- Как вы применяете методы машинного обучения в анализе данных?
- Общие вопросы на собеседовании на должность аналитика
- Симулятор собеседования аналитика
- 23 дня
- 20+
- более 6
- более 150
- Программа симулятора
- Интересно узнать подробнее? Оставьте заявку
- Что я смогу после прохождения Симулятора?
- Быстро устроиться аналитиком
- Получить выгодное предложение
- Избавиться от страха
- Образование от практиков
- Simulative — команда профессионалов в области аналитики и программирования
- Какие навыки должен обладать аналитик данных?
- Ну а как ты сама себя ведешь в роли кандидата
- О чем спросить на собеседовании аналитика?
- Как вы обновляете свои знания в области анализа данных?
- Как вы оцениваете качество данных перед анализом?
- Как вы работаете в команде и обмениваетесь данными?
- Какие инструменты и технологии вы используете в своей работе?
- Примеры тестовых заданий в Симуляторе
- Тарифы обучения Можно оплатить в рассрочку на 3, 6, 12 и 24 месяца
- Базовый
- Продвинутый
- VIP
- Интересно узнать подробнее? Оставьте заявку
- Преподаватели Симулятора
- Алексанян Андрон
- Кожевникова Кристина
- Бережная Елизавета
- Томберг Илья
- Рожкова Наталья
- Обучайтесь в Симуляторах, как это уже делают 1000+ наших студентов
- FAQ
- Устройтесь аналитиком без стресса с гарантией результата!
- Что спросят у джуна, но не спросят у мидла
- Что повторить перед собеседованием
- Что обычно спрашивают на собеседовании
- Что важно сделать до собеседования
- Чего не стоит делать на собеседовании
- Можно ли сделать собеседования еще эффективнее
- Как вы проводите исследовательский анализ данных?
- Как вы проводите анализ данных? Опишите свой процесс работы.
- Как вы визуализируете данные и создаете отчеты?
- Что я думаю о джунах
- Что важно понимать начинающему аналитику
- Специально для кандидатов — приоткрываем завесу мира интервьюеров
- Как вы обеспечиваете конфиденциальность данных?
- Как вы работаете с отсутствующими данными?
- Вопросов для отбора аналитика
- Что же на собеседовании со мной увидеть сложно
- Что делать, если…
- Что делать, чтобы не бояться собеседований
- Каким образом вы проверяете гипотезы в анализе данных?
- Гармоничное сосуществование в паре
- Не забывай про ближнего своего
- Поиск верной стратегии
- Что сделать после собеседования
- (ладно, 7) кругов технического собеседования
- Бонусная рубрика 0
- Как вы обрабатываете большие объемы данных?
Что такое аналитика данных и какова ее роль?
Аналитика данных — это процесс сбора, обработки, анализа и интерпретации больших объемов данных с целью извлечения ценной информации и понимания тенденций. Роль аналитика данных заключается в том, чтобы помочь организации принимать обоснованные решения, опираясь на фактические данные. Аналитики данных используют различные методы и инструменты, чтобы обрабатывать данные и предоставлять ценные выводы, которые помогают бизнесу развиваться и достигать своих целей.
Профессия аналитика данных стала невероятно востребованной в современном мире. Каждый день мы генерируем огромные объемы данных, и умение извлекать ценную информацию из них становится ключевым фактором успеха для компаний во всех отраслях. Аналитики данных играют важную роль в обработке, анализе и интерпретации данных, помогая организациям принимать обоснованные решения и достигать своих бизнес-целей.
В этой статье мы представляем вам 15 важных вопросов, которые рекрутер может задать вам на собеседовании на должность аналитика данных. Каждый вопрос позволит вам продемонстрировать свои навыки и знания в области анализа данных. Мы также предоставим подробные ответы на каждый вопрос, чтобы помочь вам подготовиться и успешно пройти собеседование. Готовы начать? Давайте перейдем к вопросам!
Хотите узнать, насколько хорошо у вас налажены HR-процессы по найму? Скачивайте бесплатно Чек-лист здоровья найма!
Как вы принимаете решения на основе данных?
Аналитики данных играют важную роль в помощи организациям принимать обоснованные решения на основе данных. Вот несколько шагов, которые аналитик данных может предпринять при принятии решений:
- Определение цели принятия решения: ясное определение проблемы или вопроса, который требует решения.
- Сбор и анализ данных: сбор и обработка данных, применение статистических методов и моделей для анализа данных и выявления закономерностей.
- Оценка альтернатив: рассмотрение различных вариантов решений и их возможных последствий на основе анализа данных.
- Оценка рисков: определение рисков, связанных с каждым решением, и оценка их влияния на достижение целей.
- Принятие решения: выбор наилучшего варианта решения на основе анализа данных и оценки рисков.
- Мониторинг и оценка: отслеживание реализации принятого решения и оценка его эффективности на основе последующего анализа данных.
Принятие решений на основе данных позволяет организациям принимать обоснованные и информированные решения, что способствует их успеху и развитию.
Как вы применяете методы машинного обучения в анализе данных?
Методы машинного обучения предоставляют возможность автоматизировать анализ данных и выявлять скрытые паттерны и зависимости. Аналитики данных могут использовать различные методы машинного обучения в своей работе:
- Регрессия: предсказание численных значений на основе зависимостей между переменными.
- Классификация: определение принадлежности объектов к определенным классам или категориям.
- Кластеризация: группировка объектов на основе их сходства и выявление скрытых структур в данных.
- Рекомендательные системы: предлагание персонализированных рекомендаций на основе исторических данных и предпочтений пользователей.
- Обработка естественного языка: анализ текстовых данных для определения смысла, тональности или категории текста.
- Анализ временных рядов: прогнозирование будущих значений на основе предыдущих временных данных.
Методы машинного обучения позволяют аналитику данных автоматически обрабатывать и анализировать большие объемы данных и находить скрытые зависимости, которые могут быть незаметны при традиционном анализе.
Общие вопросы на собеседовании на должность аналитика
- Умеете ли структурировать и соединять информацию из разных источников? Приведите примеры.
- Есть ли опыт работы аналитиком или на аналогичных должностях?
- На каком из рынков у вас есть успешный опыт работы на позиции аналитика?
- На основании какого количества вводных делали выводы? Какой был самый неочевидный вывод за вашу практику? Приведите примеры.
- Оцените свой уровень владения различными CRM системами.
- Если ли успешный опыт ведения одновременно нескольких проектов? Какие это были проекты? Какое максимальное количество проектов вели одновременно? Каких результатов удалось достичь?
- Есть ли у вас опыт анализа рынка, конкурентов, поставщиков?
- Умеете ли работать на долгосрочную перспективу? Приведите примеры из опыта.
- Оборот компании 100 млн рублей, необходимо вырасти в 10 раз. Рынок — расходные материалы для госпитального сегмента. Ограничений во вводу товара в портфель нет. На основании каких 5 показателей для анализа вы сформулируете предложение по вводу товара в портфель? Данные можно брать из открытых источников.
- На основании анализа вы составили список из 10 продуктов. Необходимо провести переговоры с потенциальными поставщиками. Какие дополнительные данные необходимо получить, чтобы из 10 продуктов выбрать 5 и по ним сформировать окончательный проектный лист?
- Перечислите программы, которые используете для работы.
- Есть ли опыт выгрузки отчетов из маркетплейсов и интеграции их в общую систему отчетности?
Симулятор
собеседования аналитика
Поможем вам подготовиться к любому собеседованию на позицию аналитика данных и получить работу мечты. Карьерный трекинг с гарантией результата!
23 дня
за столько дней в среднем студенты симулятора получают оффер
20+
столько вакансий мы будем находить и откликаться каждую неделю
более 6
тестовых собеседований вы пройдете в Симуляторе
более 150
дополнительных задач, кейсов и вопросов вы разберете
Программа симулятора
Интересно узнать подробнее? Оставьте заявку
Что я смогу после прохождения Симулятора?
Быстро устроиться аналитиком
Джуну сложно найти работу ‐ на одну вакансию претендует 400+ человек. После Симулятора вы будете выделяться среди конкурентов и быстро найдете работу.
Получить выгодное предложение
При трудоустройстве важно выгодно себя «продать», чтобы получить более высокую зарплату и более комфортные условия. В Симуляторе расскажем, как это сделать.
Избавиться от страха
Благодаря Симулятору неуверенность в себе на собеседовании пропадет ‐ после «тренировки» в безопасных условиях вы будете уверены в себе на все 100%.
Образование от практиков
строк кода наша команда пишет в месяц
задач наши студенты и пользователи решают ежемесячно
строк кода написано нашей командой за последние 2 года
студентов мы трудоустроили за последние 3 года
Simulative — команда профессионалов в области аналитики и программирования
Наша цель — подготовить вас к любому собеседованию по аналитике данных. И наша методика работает — это подтверждается историями более 500 студентов, которые успешно устроились в топовые компании России и мира!
Какие навыки должен обладать аналитик данных?
Аналитик данных должен обладать широким спектром навыков, включая:
- Владение статистическими методами и аналитическими инструментами.
- Умение работать с большими объемами данных и базами данных.
- Знание языков программирования, таких как Python или R.
- Умение проводить исследования и анализ данных.
- Навыки визуализации данных и создания информативных отчетов.
- Коммуникативные навыки для представления результатов анализа данных и общения с другими членами команды.
- Умение принимать решения на основе данных и предлагать рекомендации для улучшения бизнес-процессов.
Ну а как ты сама себя ведешь в роли кандидата
Как‑то так, если честно:
О своих интервьюерных повадках рассказала, поделюсь и тем, какой я кандидат.
1. Честно сообщаю о своих слабых сторонах / областях, куда я сейчас не хочу развиваться
2. Честно говорю, что где‑то мне надо погуглить и расширить знания
Как‑то мне рассказали про кандидата в программисты, который на собеседовании сказал: «Я помню, как это делать, но точный синтаксис не подскажу, могу нагуглить». Прекрасный ответ, я считаю:D
3. Докапываюсь до задач, пытаясь понять, какую проблему они призваны решить
Часто задачи после этого резко отваливаются. Как‑то мне задали такую ситуацию: «Вам необходимо добавить в отчет новую колонку, в которую нужно вывести среднее по строке значение. Что будете делать?». Говорю: спрошу, что решит это среднее для того, кто пользуется отчетом. Почему они раньше без него жили, а сейчас не могут? Либо это был ожидаемый ответ, либо интервьюер не нашелся, как продолжать. В итоге я всем понравилась:D
4. Не готовлюсь к собеседованиям
Это лично моя заморочка, основанная на том, что можно вложить ооочень много информации в краткосрочную память, вызубрив все за пару часов до собеседования, но после него, когда наступит период расслабления, 90% информации (а то и больше) благополучно выветрится из головы. Получается, я обманываю компанию, в которую прохожу собеседование, демонстрирую интервьюерам знания, которых нет. Мне не нравится как факт обмана, так и потенциально завышенные от меня ожидания на потенциальном месте работы. Ничего, кроме лишнего давления, это не добавит.
5. А в целом я достаточно душная =)
Потому что аналитик — это способ мышления. А как я его буду отображать в артефактах — задача многопараметрическая =)
О чем спросить на собеседовании аналитика?
Итак, делимся накопленным за 8 лет опытом.
Как вы обновляете свои знания в области анализа данных?
Аналитик данных должен постоянно развиваться и обновлять свои знания в области анализа данных, так как эта область быстро меняется и развивается. Вот несколько методов, которые аналитик данных может использовать для обновления своих знаний:
- Участие в профессиональных семинарах и конференциях: посещение мероприятий, посвященных анализу данных, для изучения новых методов и инструментов.
- Прохождение онлайн-курсов и образовательных программ: использование платформ, таких как Coursera, edX, для изучения новых навыков и получения сертификатов в области анализа данных.
- Чтение профессиональной литературы и публикаций: изучение книг, журналов и статей, посвященных анализу данных и связанным темам.
- Участие в сообществах и форумах: общение с другими аналитиками данных, обмен опытом и решением проблем в специализированных сообществах.
- Практическое применение новых методов и инструментов в работе: постоянное применение новых знаний в практической работе, чтобы улучшить свои навыки.
Постоянное обновление знаний помогает аналитику данных оставаться в курсе последних тенденций и инноваций в области анализа данных и быть успешным в своей профессии.
Это были все 15 вопросов для собеседования аналитика данных. Надеемся, что этот список поможет вам подготовиться к собеседованию и успешно пройти его. Удачи!
Как вы оцениваете качество данных перед анализом?
Оценка качества данных является важным шагом перед анализом данных. Вот несколько подходов к оценке качества данных:
- Проверка полноты данных: убедитесь, что все необходимые данные присутствуют и ничего не пропущено.
- Проверка точности данных: сравните данные с надежными источниками или золотым стандартом для проверки их точности.
- Проверка согласованности данных: убедитесь, что данные согласованы и не противоречат друг другу.
- Проверка уникальности данных: убедитесь, что данные не содержат дубликатов и уникальны.
- Проверка целостности данных: проверьте, что данные соответствуют заданным правилам и ограничениям.
- Проверка актуальности данных: убедитесь, что данные являются актуальными и отражают текущее состояние.
Как вы работаете в команде и обмениваетесь данными?
Работа в команде является важной частью работы аналитика данных, особенно когда необходимо сотрудничать с другими специалистами и заинтересованными сторонами. Вот несколько методов, которые аналитик данных может использовать для работы в команде и обмена данными:
- Общение и обсуждение: активное участие в совещаниях, обсуждениях и обмене идеями с коллегами и членами команды.
- Коллаборативные инструменты: использование инструментов для коллаборации, таких как Slack, Microsoft Teams, Google Docs, для обмена документами и информацией.
- Документирование исследований: ведение документации о проведенных исследованиях, используемых методах и полученных результатах, чтобы они были доступны другим членам команды.
- Обмен знаниями: активное участие в обучающих сессиях, семинарах и взаимном обучении с коллегами, чтобы расширять свои знания и делиться экспертизой.
- Учет потребностей пользователей: установление контакта с заинтересованными сторонами и понимание их потребностей в отношении анализа данных, чтобы предоставить им релевантную информацию.
Работа в команде и эффективный обмен данными позволяют максимально использовать потенциал анализа данных и достичь успешных результатов.
Какие инструменты и технологии вы используете в своей работе?
Аналитики данных используют различные инструменты и технологии в своей работе. Некоторые из наиболее популярных инструментов и технологий в области анализа данных включают:
- Языки программирования, такие как Python, R, SQL.
- Инструменты для работы с данными, такие как Pandas, NumPy, SQL Server, Oracle.
- Инструменты визуализации данных, такие как Tableau, Power BI, matplotlib.
- Методы машинного обучения и алгоритмы, такие как регрессия, классификация, кластеризация и т.д.
- Базы данных, такие как MySQL, PostgreSQL, MongoDB.
- Облачные платформы для обработки и анализа данных, такие как Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure.
Примеры тестовых заданий в Симуляторе
Вам предстоит проанализировать поведение студентов во время обучения, изучить их активность, найти выбросы и зависимости
Вы проведете когортный анализ пользователей, выявите паттерны оттока, предложите варианты адаптации
Вам нужно проверить, какие изменения в поведение пользователей внесла недавно проведенная акция
Вы будете анализировать абонентов и все, что с ними связано — выручку, динамику, начисления, трафик, устройства и сделаете важные бизнесовые выводы
Пристально изучите товары и их передвижение, изучите время, поищите задержки, посмотрите на динамику под разными углами
Тарифы обучения Можно оплатить в рассрочку на 3, 6, 12 и 24 месяца
Базовый
29 000 ₽
- Обучающие материалы
- Доступ к чату
- 30+ задач с реальных собеседований
- Разборы вопросов с технических собеседований
- Разборы продуктовых кейсов
- Тестовые задания
- Банк тестовых заданий из 50+ шт
- Комплексное тестирование, оценка навыков и поиск точек роста
- Живые пробные собеседования и live кодинги
- Помощь с резюме, сопроводительными письмами и портфолио
- Подбор вакансий и полное карьерное сопровождение
- Гарантия результата и возврат полной суммы
- Доступ на 6 месяцев
Продвинутый
59 000 ₽
- Обучающие материалы
- Доступ к чату
- 30+ задач с реальных собеседований
- Разборы вопросов с технических собеседований
- Разборы продуктовых кейсов
- Тестовые задания
(1 шт) - Банк тестовых заданий из 50+ шт
- Комплексное тестирование, оценка навыков и поиск точек роста
- Живые пробные собеседования и live кодинги (1 шт)
- Помощь с резюме, сопроводительными письмами и портфолио
- Подбор вакансий и полное карьерное сопровождение
- Гарантия результата и возврат полной суммы
- Доступ на 1 год
VIP
129 000 ₽
- Обучающие материалы
- Доступ к чату
- 30+ задач с реальных собеседований
- Разборы вопросов с технических собеседований
- Разборы продуктовых кейсов
- Тестовые задания
(3 шт) - Банк тестовых заданий из 50+ шт
- Комплексное тестирование, оценка навыков и поиск точек роста
- Живые пробные собеседования и live кодинги (3 шт)
- Помощь с резюме, сопроводительными письмами и портфолио
- Подбор вакансий и полное карьерное сопровождение
- Гарантия результата и возврат полной суммы
- Бессрочный доступ
Интересно узнать подробнее? Оставьте заявку
Преподаватели Симулятора
Алексанян Андрон
Опыт в аналитике: 7+ лет
Основал платформу IT Resume. Реализовывал проекты в области аналитики, AI и Computer Vision.
Преподаватель ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики. Автор научных статей по анализу данных и обработке временных рядов.
Кожевникова Кристина
Head of HR Магнит / Опыт в HR: 20+ лет
Возглавляет найм в Магните. Работала в X5, Google, Metamask на должности HR, , Head of HR.
За всю карьеру наняла более 10 000 аналитиков и программистов. Знает все про найм на российском и зарубежном рынке.
Бережная Елизавета
Data Analyst Самокат, Head of content IT Resume & Simulative
Занимается оценкой эффективности и прогнозом результатов маркетинговых кампаний; создает модели оценки аномалий, связанных с мошенничеством; выявляет причины изменения потребительского поведения.
Стек технологий: Python, SQL, Power BI, продуктовая аналитика, Airflow. Курирует весь экспертный и образовательный контент в Simulative.
Томберг Илья
Тимлид команды BI в Единый ЦУПИС, Senior analyst в humans.uz, .
Имею опыт создания и поддержания аналитической отчетности на всех этапах: анализ проблемы, сбор и анализ данных, презентация/визуализация результатов.
Стек: PostgreSQL, ClickHouse, Python, Git, Airflow, Knime, Tableau и др.
Рожкова Наталья
в hrtech,
Помогает крупным компаниям находить, оценивать, трудоустраивать управленцев, проводит их адаптацию на новом месте, курирует взаимодействие с работодателем в период испытательного срока. Благодаря психологическому образованию использует в подборе научно обоснованные тестовые методики.
Обучайтесь в Симуляторах, как это уже делают 1000+ наших студентов
FAQ
Устройтесь аналитиком без стресса с гарантией результата!
Что спросят у джуна, но не спросят у мидла
Если коротко, то у джуна всегда проверяют технические знания, а у мидла — по желанию интервьюера. Например, когда я собеседую опытных специалистов, то не проверяю Python и SQL, а вот если кандидат без опыта, после университета или курсов, то проверяю. Я считаю, что раз кандидат уже работал аналитиком, то код писать точно умеет. Кроме того, на опытных специалистов всегда есть рекомендации.
Знание технологий могут оценивать через тестовые задания до или после собеседования, а ещё — с помощью вопросов на самом собеседовании. Например, могут попросить написать код на бумажке или рассказать, как вы работали с какой-то технологией.
Что повторить перед собеседованием
SQL — хлеб с маслом любого аналитика.
Базу своего языка программирования: названия библиотек или то, чем отличаются разные типы данных. Например, что такое NaN и Null и почему это не одно и то же.
Инструменты, которые указаны в вакансии: если работодатель пишет что-то конкретное (например, про А/Б-тестирование), то, скорее всего, спросит о нём.
Задачи на теорию вероятностей: я сама с математическим образованием, поэтому люблю об этом спрашивать 🙂
Что обычно спрашивают на собеседовании
— В чём разница между where и having?
Люблю задавать этот вопрос, потому что с помощью having можно обойтись и без подзапросов.
— Дана таблица (Сlients):
Необходимо найти среди клиентов тех, кто покупает Гель для душа (Gel), но не покупает Мыло для рук (Soap).
Задача хороша тем, что её можно решить несколькими способами. Каждый из способов засчитают как верный ответ, но выбор инструмента покажет уровень соискателя.
— В чем отличие между Series и DataFrame в Pandas?
DataFrame нужно знать, это основа, с которой чаще всего работает аналитик.
— Как посмотреть распределение величины в Python?
Вопрос отлично показывает, как соискатель разбирается в статистике и какие библиотеки знает.
Статистика и А/В-тесты
— Из колоды 36 карт вытаскивают 2. Какова вероятность, что обе карты будут масти черви?
Вопрос кажется банальным, но один раз я услышала ответ, где вероятность получилась больше 1 🙂
— Мы провели А/В-тест, раскатали тестовую группу, потому что она победила, но целевой показатель упал. Что могло пойти не так?
Открытый вопрос, который отлично показывает, как плотно человек работал с А/В-тестами.
Что важно сделать до собеседования
Поискать информацию о компании
Даже если ваша цель — просто найти работу, а не устроиться в конкретную компанию, лучше хоть немного подготовиться уже перед первичным скринингом с эйчаром. Поищите, чем занимается компания, что выпускает, что происходило в последнее время. Эта тема обязательно всплывёт, и её можно использовать, чтобы показать свою мотивацию.Протестировать продукт
Если собеседуетесь в продукт — протестируйте его несколько дней в разных сценариях и посмотрите на конкурентов. Это особенно важно для аналитика: если продукт не понравится, работать будет очень сложно.Интерес к продукту — тоже маркер мотивации. Например, у меня на собеседовании кандидат рассказывал, как сильно хочет работать именно в нашей мобильной игре, но так ни разу в неё и не поиграл. Звучало сомнительно.
Подготовить список вопросов
Работодателю всегда приятно, когда у вас есть осмысленные вопросы о компании. Хорошо работают вопросы про команду: сколько человек, как всё устроено, будет ли у меня наставник и так далее. Такой интерес покажет, что человек приходит надолго и хочет влиться.Выбрать образ
На собеседование в IT не стоит приходить в костюме, это не формат индустрии. Лучше надеть какой-то кэжуал-образ, в котором вам будет удобно, чтобы не отвлекаться на тесный пиджак. Если сомневаетесь, как принято одеваться в компании, — спросите у эйчара, это нормально.
Чего не стоит делать на собеседовании
Уклоняться от вопросов
Если кандидат на какой-то вопрос отвечает «не знаю» или «не хочу отвечать», то кажется, что он что-то скрывает, и это неприятный звоночек для собеседующего. Обычно работодатели хотят услышать не правильный ответ, а рассуждение. Если действительно не знаете ответа, хотя бы попытайтесь поразмышлять вслух.Врать о прошлой работе
Скорее всего, после собеседования у вас попросят контакты человека с прошлой работы, у которого можно что-то прояснить, — и тогда всё тайное станет явным.Ругать прошлого работодателя
Работодатель понимает, что на этом месте может оказаться он сам, и делает выводы. Кстати, это касается и плохих отзывов о собеседовании, если они необоснованны. Один кандидат не прошёл собеседование, обиделся и написал о компании гадости. Потом его не взяли на другую должность, потому что узнали об этом поступке.Перебивать и грубить
На собеседовании работают все обычные правила вежливости — это касается и кандидатов, и работодателей.Игнорировать свой опыт
Если вы уже работали в IT — дизайнером, менеджером, тестировщиком, — обязательно скажите об этом. То же самое с опытом в сфере: если фармацевт решил стать аналитиком в аптечной сети, его знания пойдут в плюс.Противоречить своим ответам
На собеседованиях задают похожие вопросы, чтобы выяснить, насколько человек определился со своими планами и ценностями. Если кандидат отвечает на них по-разному — это не очень хороший знак. Например, я спросила у кандидата, чем бы он хотел заниматься. Он ответил: продуктовой аналитикой. А на вопрос «Как вы видите трек своего развития?» ответил, что хочет развиваться в сфере machine learning.Оценивать ответ за работодателя
Может показаться, что вы ужасно ответили на какой-то вопрос, и тогда запустится цепь: «сам ответил, сам оценил, завалил тут — завалю везде», и собеседование рискует окончиться провалом.Не стоит оценивать себя самому. Правильного ответа может вообще не быть, а если он есть — у вас мог быть правильный ход решения, и это тоже нормально. Самое важное: вас сравнивают не с эталоном, а с другими кандидатами, и они могут ответить хуже, даже если вы ошиблись.
Когда я устраивалась на вторую работу, мне казалось, что я ужасно отвечала. Когда пришла домой, то чуть не плакала: думала, что это провал, работодатель обязательно всем расскажет о нём, и меня больше никуда не возьмут. А на следующий день мне прислали оффер! Когда я уточнила свои результаты на собеседовании, мне сказали, что я хорошо отвечала. Так что не делайте поспешных выводов.
Можно ли сделать собеседования еще эффективнее
Еще одна шутка‑минутка. Итак, пара моих реальных соображений:
1. Добавление более актуальных форм задач
Что мы делаем сейчас, решая практически любую задачу? Ищем информацию в Интернете. Хотелось бы придумать вопросы, для которых исходных навыков кандидата наверняка будет недостаточно, и ему придется обратиться к Google. И разрешить ему искать. Есть риск, конечно, что всю задачу он скормит одной небезызвестной языковой модели, но такой риск возможен с любым вопросом.
У меня даже сформировалась задачка‑кандидат, но она весьма сеньорная и требует чуть больше понимания структуры кода, чем привыкли аналитики, даже системные. Нет, там не надо знать специфику конкретного языка, но важно не теряться от вида функций и понимать, что такое импорт библиотек. Стесняюсь пока ее давать, тестирую на знакомых. Программисты, надо признать, справляются успешнее (ну а чего я ожидала‑то:D) — читайте, всегда успешно и супер‑быстро =)
2. Добавление большей ориентации на проект
Хотелось бы больше вникать в то, кого ищет менеджер конкретного проекта, и о чем этот проект. Да‑да, софты решают, но клиентоориентированность тоже полезна. Почему я недостаточно клиентоориентирована сейчас? Я просто не успеваю в это, если честно:»D
Пока что вижу пару таких точек роста. Если кто‑то поделится в комментариях своими идеями, — буду очень признательна =)
Как вы проводите исследовательский анализ данных?
Исследовательский анализ данных — это процесс изучения данных для выявления паттернов, тенденций и интересных фактов. Вот несколько шагов, которые аналитик данных может предпринять при проведении исследовательского анализа данных:
- Изучение структуры данных: понимание типов переменных, их значений и распределений.
- Визуализация данных: создание графиков, диаграмм и дашбордов для визуального представления данных.
- Анализ статистических характеристик: вычисление средних значений, медиан, стандартных отклонений и других показателей, чтобы получить общее представление о данных.
- Выявление корреляций: исследование взаимосвязи между переменными для определения влияния одной переменной на другую.
- Идентификация выбросов и аномалий: поиск значений, которые сильно отличаются от остальных и могут искажать результаты анализа.
- Генерация гипотез: формулирование предположений на основе полученных результатов и разработка дальнейших шагов исследования.
Исследовательский анализ данных помогает аналитику данных понять исследуемую область и выделить ключевые факторы, которые могут повлиять на бизнес-процессы.
Как вы проводите анализ данных? Опишите свой процесс работы.
Процесс анализа данных обычно включает следующие этапы:
- Понимание задачи и определение целей анализа данных.
- Сбор и подготовка данных для анализа, включая их очистку, преобразование и структуризацию.
- Применение статистических методов и аналитических моделей для извлечения информации из данных.
- Визуализация данных для наглядного представления результатов и обнаружения паттернов и тенденций.
- Интерпретация результатов и формулирование выводов, основанных на данных.
- Представление результатов анализа данных и коммуникация с заинтересованными сторонами.
Каждый аналитик данных может иметь свою собственную методологию и процесс работы, но важно иметь систематический подход, чтобы обеспечить надежные и точные результаты.
Как вы визуализируете данные и создаете отчеты?
Визуализация данных и создание информативных отчетов являются важной частью работы аналитика данных. Вот несколько методов и инструментов, которые можно использовать для визуализации данных и создания отчетов:
- Использование инструментов визуализации данных, таких как Tableau, Power BI, matplotlib, для создания графиков, диаграмм, инфографиков и дашбордов.
- Применение методов графического дизайна и визуальной коммуникации для создания эффективных и понятных визуализаций.
- Использование интерактивных элементов и фильтров для позволяющих пользователям взаимодействовать с данными и получать дополнительную информацию.
- Создание информативных отчетов с четкой структурой, содержащих важные выводы, рекомендации и ключевые показатели эффективности.
- Подготовка презентаций или демонстраций для представления результатов анализа данных заинтересованным сторонам.
Визуализация данных помогает сделать информацию более доступной и понятной, а создание отчетов позволяет структурировать и представить результаты анализа в удобном формате.
Что я думаю о джунах
Для крупных компаний джуны действительно нужны и ценны. Они очень мотивированы: несмотря на более низкие зарплаты, глаза у джунов горят сильнее, чем у опытных сотрудников. Также у них нет своего представления о том, как должна работать аналитика: как хорошего, так и плохого. Иногда научить джуна с нуля гораздо проще, чем переучить уже опытного специалиста.
Однако тут есть и риски: возможно, человека всему научат, а он решит уйти развиваться дальше в другую компанию. Это не очень интересно компаниям, особенно небольшим, где обучение сотрудников не поставлено на поток. Работодателю важно не только нанять, но и удержать человека, ведь найм — это всегда деньги: часы работы эйчара, эксперта-интервьюера, команды онбординга и наставника стоят недёшево. Поэтому джуну стоит показать, что он собирается расти и развиваться именно в этой компании.
Кроме того, важно искреннее желание расти и прилагать усилия. Как говорит мой лид: «Мало просто хотеть стать хорошим аналитиком, нужно что-то для этого делать».
Что важно понимать начинающему аналитику
Для меня важно, чтобы кандидат обладал матграмотностью: понимал основные математические термины, основы теории вероятностей, ограничения математических методов.
Ещё от джуна ждут, что он в общих чертах понимает, как устроена IT-сфера. Например, в IT многие общаются на «ты», используют сленговые слова вроде «фичи», «краши», «продакшн». Знать эти мелочи — значит вписываться в коллектив. Если вместо «друзья, погнали на синк» всерьёз сказать «уважаемые коллеги, пройдёмте на совещание» — будет странно. Так что советую посмотреть видео на ютубе или почитать статьи аналитиков из сферы, куда вы хотите устроиться, чтобы освоить лексику. Конечно, никто не будет ждать от джуна знания всего сленга на свете, но важно понимать базовые выражения.
Специально для кандидатов — приоткрываем завесу мира интервьюеров
Тут я хочу сказать всем кандидатам, что интервьюер тоже человек. Он тоже может устать, может недопонять вашу идею, может фоном думать о том, выключил ли он дома утюг. Нам тоже может быть страшно, например, что вы будете настолько классными, что мы не сможем провести собеседование =) Часто мы переживаем, что это не ваших знаний недостаточно, а мы плохо задаем вопросы.
Если вам кажется, что интервьюер вас не понял, или вы так волнуетесь, что все вылетело из головы, не бойтесь сказать об этом. Все мы люди и все понимаем, а успешное собеседование — это взаимодействие с двух сторон.
Как вы обеспечиваете конфиденциальность данных?
Конфиденциальность данных — один из ключевых аспектов работы с данными, особенно при анализе персональных данных или коммерческих секретов. Вот несколько методов и подходов, которые аналитик данных может использовать для обеспечения конфиденциальности данных:
- Псевдонимизация данных: замена идентификаторов или персональных данных псевдонимами или случайными значениями для предотвращения идентификации.
- Анонимизация данных: удаление или замена чувствительных данных, чтобы невозможно было связать их с конкретными лицами или организациями.
- Криптографические методы: использование методов шифрования для защиты данных от несанкционированного доступа.
- Ограничение доступа: установка строгих правил доступа к данным и предоставление разрешений только необходимым лицам.
- Обучение персонала: обучение сотрудников правилам обработки и защиты данных, чтобы предотвратить случайные утечки или нарушения конфиденциальности.
Обеспечение конфиденциальности данных является важной ответственностью аналитика данных и требует соблюдения законодательства о защите персональных данных и коммерческой тайны.
Как вы работаете с отсутствующими данными?
Отсутствующие данные — обычная проблема в анализе данных. Вот несколько методов работы с отсутствующими данными:
- Идентификация отсутствующих данных: определите, какие данные отсутствуют и в каких объемах.
- Удаление отсутствующих данных: если отсутствующие данные незначительны, можно принять решение об их удалении из анализа.
- Заполнение отсутствующих данных: использование статистических методов или моделей для заполнения отсутствующих данных на основе имеющихся значений.
- Использование флагов или категорий: создание специальных маркеров или категорий для отсутствующих данных, чтобы они не искажали результаты анализа.
- Использование импутации данных: использование методов, таких как множественная импутация, для заполнения отсутствующих данных на основе коррелированных переменных.
Важно выбрать подход, который наилучшим образом подходит для конкретного случая и обеспечивает надежные результаты анализа.
Вопросов для отбора аналитика
Выше мы написали только 12 вопросов из имеющихся у нас 80. Мы выбрали проверенные вопросы с проведенных собеседований аналитиков и — с удовольствием пришлем их вам на почту 🤗
Если не получается найти сотрудника или вы хотите узнать, как и кого искать на роль аналитика, то пишите, мы поможем и проконсультируем. Мы неоднократно подбирали аналитика — знаем, как решить задачу в срок.
Подберите аналитика с помощью конкурсных собеседований с предварительным анкетированием и тестированием.
- Как платить меньше налогов за сотрудников
- Как сформировать систему мотивации
Получите консультацию по вашей задаче
Мы будем присылать полезный контент на почту. Без рекламы
Подкаст UP business о найме и работе с людьми
«Будут люди — будут деньги»
Узнайте, как подбирать прибыльных сотрудников
Что же на собеседовании со мной увидеть сложно
1. Удлинение собеседования в угоду протоколу
Есть среди интервьюеров в нашей компании определенный перечень вопросов, которые +‑ задают все. Вот только я противная и не слишком дотошно этому протоколу следую. Могу даже у кандидата уточнить,уверен ли он в своих знаниях по определенной теме, или лучше этот раздел опустить. Если я вижу, что собеседование не идет совсем никак (но такое было всего один раз на момент написания статьи) — могу закончить его достаточно быстро. Что же поделать, мне интереснее проверить способности размышлять и применять знания из тех сфер, в которых кандидат уверен, чем поставить галочки по всем хардам. Да, я проверяю любопытство, но не наседаю с этим. Хорошо это или плохо? Ну, вроде пока менеджеры проектов не кидали в меня помидорами за подобранных ребят:»D
Когда‑то человек, который собеседовал меня саму в STM Labs, сказал, что он уже по виду заходящего кандидата может понять, что и как. Для меня тогда это звучало весьма самоуверенно, но теперь я его понимаю. Искажение это восприятия или нет, но мне кажется, что по глазам можно понять процентов на 70%, насколько сильно человек привык к мыслительной работе. Однако этот критерий я использую только для накопления личной статистики =)
2. Общение по направлениям, с которыми аналитики не так уж часто сталкиваются (и не факт, что столкнутся у нас)
3. Одинаковые вопросы для всех грейдов
Здесь много сказано и без меня, что «надо знать на джуна» и «надо знать на миддла». Сама я добавляю чуть больше вопросов по хардам в зависимости от того, насколько сеньорнее себя оценивает кандидат. Но, как к этому моменту уже очевидно, я фанат софтов:D Чаще даже меняю задачи: для сеньора попробую придумать что‑то более неопределенное и на проектирование, буду давать менее конкретные вводные и больше свободы. Для джуна дам что‑то не на глобальном.
Что делать, если…
Если вы проявляли себя как аналитик — даже в рамках эксель-таблиц со сложными формулами, — то это уже неплохо 🙂 Однажды мы взяли джуна, который рассказал, что структурировал систему на своей прошлой работе и ускорил свою рутину, а это хорошее умение для аналитика.
Такие дыры не нужно закрывать предыдущими местами работы. Однажды мой кандидат сказал, что работал в компании больше года, а когда мы позвонили туда, оказалось, что он уволился через 6 месяцев. Получилось неловко.
Есть только один совет: не пытайтесь под видом фейла продать какое-то «положительное» качество вроде перфекционизма или трудоголизма. Такой приём опытные интервьюеры сразу видят и воспринимают как неискренность.
Если вы поняли, что опаздываете, лучше не надеяться, что успеете. Напишите эйчару заранее и сообщите, на какое время вы можете опоздать, — лучше с запасом, чтобы точно в него уложиться. Хороший тон — спросить, могут ли интервьюеры подождать, или лучше перенести собеседование.
Если случилась экстренная ситуация, то лучше сразу же вежливо написать об этом эйчару, объяснить причины и перенести собеседование.
Что делать, чтобы не бояться собеседований
Проходить собеседования 🙂 Совет, который я сейчас дам, не очень нравится работодателям, но для соискателей это распространённая практика. Тренируйтесь проходить собеседования, даже если не ищете работу или хотите в конкретную компанию. Это помогает освоить самопрезентацию, расслабиться и почувствовать себя уверенно. А иногда «тренировочная» компания может так понравиться, что вы захотите в ней остаться. Я так влюбилась в одно из своих мест работы и осталась там на 7 лет 🙂 Если практиковаться, то всё обязательно получится!
Каким образом вы проверяете гипотезы в анализе данных?
Проверка гипотез — важный этап в анализе данных для подтверждения или опровержения предложенных предположений. Вот несколько методов проверки гипотез, которые могут использоваться аналитиком данных:
- Z-тест и t-тест: статистические методы, которые позволяют сравнивать средние значения двух групп и определять, являются ли различия между ними значимыми.
- Анализ дисперсии (ANOVA): статистический метод, используемый для сравнения средних значений трех или более групп и определения, есть ли статистически значимые различия между ними.
- Корреляционный анализ: исследование взаимосвязи между переменными для определения степени их связи и возможного влияния одной переменной на другую.
- Регрессионный анализ: использование регрессионных моделей для определения влияния одной или нескольких переменных на зависимую переменную.
Каждый метод проверки гипотез имеет свои преимущества и предназначен для конкретных ситуаций. Выбор метода зависит от характеристик данных и вопроса, который требует проверки.
Гармоничное сосуществование в паре
Как я уже написала выше, иногда бывает, что проводящих техническую часть аналитиков больше одного. У нас обычно не более двух. На этот случай у меня тоже собрался свой кодекс чести/подход к собеседованиям.
Не забывай про ближнего своего
Если есть второй собеседующий, и я оказалась в роли основного ведущего, то я стараюсь не забывать про своего коллегу. Спросила, что хотела — передала эстафетную палочку ему или ей. Один раз оказалась в ситуации, что меня для второго интервьюера как будто не существовало. Крайне неприятненько, не надо так.
Поиск верной стратегии
Чтобы все интервьюеры были одинаково полезны, важно правильно оценить происходящее. Я сталкивалась со следующими подходами к разделению обязанностей:
один — ведущий, второй — на подхвате
Эффективно, например, в следующих ситуациях: второй интервьюер только учится быть интервьюером, второй интервьюер подзадолбался и хочет отдохнуть.
каждый отвечает за свой экспертный домен
У каждого из нас есть свой уникальный опыт и области экспертизы. Очень здорово учитывать сильные стороны друг друга. Была у меня с одним аналитиком такая синергия, на собеседования ходить было одно удовольствие =)
Что сделать после собеседования
Запросить обратную связь, если о ней не предупредили
Хороший тон для работодателя — предупредить, в какие сроки он передаст кандидату отзыв. В таком случае не стоит писать раньше этого времени: у работодателя много вакансий, и всё распланировано. А ещё это создаёт ощущение, что кандидат хватается за свой последний шанс, и это не играет в его пользу.Но если о сроках обратной связи вас не предупредили — приветствуется спросить о них самостоятельно.
Задать вопросы
Советую делать заметки во время собеседования и задавать вопросы по ним. Например, какие будут задачи, какова ваша роль в команде, какие бенефиты и так далее. Если будет несколько компаний, то нужно будет иметь критерии, чтобы из них выбирать.
(ладно, 7) кругов технического собеседования
Итак, с какими‑то вещами кандидаты точно столкнутся у меня на собеседовании, а с какими‑то — точно нет. Начнем, пожалуй, с разбора первых.
1. Проверка любопытности по жизни
В поддержку предыдущего этапа я и тут люблю задавать странные вопросы: «А если вы работали с технологией А, знаете, что есть похожая на нее технология B, как думаете, зачем придумали B?». Причем я не залезаю в узкие области знаний: поддерживая пример про СУБД из первой части статьи, могу спросить: «Вот есть реляционные БД, а зачем начали придумывать нереляционные?». Я не жду академически точного ответа, мне интересно, насколько кандидат задумывается о мире вокруг.
2. Проверка понимания произносимого
В технических вопросах я обращаю внимание не столько на идеальность и техническую отточенность ответа, сколько на понимание того, что именно кандидат произносит, и на его способность к размышлениям.
Поясню на примере. Допустим, в разговоре кандидат произносит фразу «микросервисы более отказоустойчивы, чем монолит». Здесь я обязательно уточню, что именно кандидат имеет в виду под отказоустойчивостью и почему он делает такой вывод. Для проверки способности размышлять могу попросить порассуждать, всегда ли какое‑то популярное утверждение верно. Часто также использую вопросы с антонимами: например, если кандидат уверенно рассказал о нормализации данных, что она прекрасна и ее всегда нужно применять, могу задать вопрос: «Как вы думаете, бывает ли когда‑то полезна денормализация?». Если кандидат сам не озвучивает какое‑либо из достаточно частых утверждений, могу сама произнести нечто в стиле: «Популярным утверждением является то, что микросервисы более отказоустойчивы, чем монолит. Согласны ли вы с этим утверждением и почему?» (и да, я не против ответного вопроса «А что вы подразумеваете под отказоустойчивостью» =) ).
3. Проверка восприятия задач
Если я даю кандидату практическую задачу, я слежу за тем, додумал ли он фоном какие‑то вводные. Специфика аналитической работы такова, что додумывать за постановщика задачи — способ выстрелить себе в лучшем случае в ногу. Поэтому от хорошего аналитика я ожидаю, что он проинтервьюирует собеседника по возникшим вопросам и белым пятнам. Частенько замечаю, что кандидаты придумывают свою собственную задачу, переиначивая исходную из призмы собственного опыта. При первичном восприятии задачи полезно такого не допускать, иначе есть риск решить не проблему заказчика, а свою собственную.
4. Проверка, как именно кандидат ведет работу в качестве аналитика
Как я писала в первой части, аналитик — это мостик между бизнесом и программистами. Поэтому одна из моих любимых задач — обозначить, что бизнесу нужен функционал, допустим, нового баннера в личном кабинете для определенной группы пользователей. Также сообщаю кандидату, что он может ходить с вопросами к разработке и к бизнесу — в нашем собеседовании роль обоих выполняю я. Цель — собрать перечень требований на разработку. Задача достаточно сложна и для самого интервьюера, т.к. у него достаточно открытые вводные, плюс нужно следить за мыслью кандидата, фиксировать его вопросы и не забывать ответы для них, чтобы процесс работы над задачей неожиданно не оборвался или в ней не пересеклись несовместимые исходные данные. В процессе решения я также использую немного провокаций: например, сообщаю, что бизнес хочет дополнительно функционал, который дорого будет стоить разработчикам.
Подобная беседа стоит того, чтобы ее провести. Разные грейды очень хорошо отделяются друг от друга: джуны сразу уходят в «микропроектирование», более сеньорные ребята же задумываются, есть ли уже подобный функционал в системе, и стараются выяснить детали его реализации. Здесь также можно отследить, готов ли кандидат мыслить критически, потому что в исходных данных нет описания проблемы, которую этим баннером пытаются решить. Достаточно небольшое количество кандидатов сначала заводит разговор об истинной болячке — за что получает значительный плюсик в карму =) Отмечу, что итоговый результат каждый раз в достаточной степени уникален, а пару раз был максимально неожиданным и для меня самой.
Все остальные задачи, которые я даю, я тоже стараюсь максимально наложить на реальность. Спрашиваю, что вы укажете разработке, если нужно спроектировать то‑то и то‑то, с чего начнете, если прилетит такой‑то запрос, и тому подобное.
Почему мне не особо интересно знание теории? Потому что у всех нас на рабочем месте есть компьютер и интернет. Не берем в расчет случаи закрытых предприятий — собеседуй я туда, политика была бы иной. При наличии компьютера и интернета можно найти и изучить любую теорию. И точно так же за пару часов до собеседования можно было вложить себе все в оперативку. А вот насколько вы готовы применять то, что уже есть в голове, — вот этот вопрос меня занимает намного больше.
Бонусная рубрика 0
В комментариях к первой половине статьи меня поймали на том, что рубрика «чтобы что» (т. е. зачем все эти ритуальные пляски) отсутствует.
Тут все просто — чтобы у компании были сильные специалисты, готовые к самым разным вызовам, ценящие свое дело и развивающиеся.
Как вы обрабатываете большие объемы данных?
Обработка больших объемов данных требует специальных инструментов и техник. Вот несколько подходов, которые аналитики данных могут использовать для работы с большими объемами данных:
- Использование распределенных систем хранения данных, таких как Hadoop и Spark, для распределенной обработки и анализа данных.
- Применение методов сжатия данных для сокращения объема хранимых данных.
- Использование индексов и оптимизированных структур данных для ускорения доступа к данным.
- Применение параллельных вычислений и распределенных вычислительных ресурсов для ускорения обработки данных.
- Использование инструментов для автоматизации процесса обработки данных, таких как потоковая обработка и пакетная обработка.