Собеседование аналитика данных: вопросы, задачи и план подготовки

Как подготовиться к собеседованию аналитика данных: SQL, Python, статистика, A/B-тесты и продуктовые кейсы. Примеры вопросов с разбором и план самопроверки.

По материалам Никиты Моисеева и платформы «Путь» · 29 сентября 2026

Подготовка к собеседованию аналитика данных — это проверка самостоятельности: можешь ли ты получить правильные данные, выбрать метод и связать вывод с задачей. Ниже — маршрут по SQL, Python, статистике и продуктовым вопросам, основанный на учебных материалах «Пути».

Примеры в статье учебные: они не выданы за вопросы конкретных компаний. Состав этапов зависит от команды и роли; его лучше уточнить у рекрутера.

Какие этапы бывают

• Первый разговор: опыт, мотивация, ожидания и ограничения.
• Техническая секция: SQL, Python, работа с данными и статистика.
• Продуктовый кейс: открытый вопрос, где важно построить логику анализа.
• Разговор с командой: проекты, взаимодействие, самостоятельность и ожидания от роли.

Для продуктового аналитика стоит отдельно готовить метрики и эксперименты. Для роли с упором на отчётность — качество данных, SQL и объяснение показателей. Не подменяй требования конкретной вакансии универсальным списком.

SQL: проверяй смысл запроса

Полезно уверенно работать с JOIN, GROUP BY, HAVING, подзапросами, оконными функциями и NULL. Но правильный синтаксис не спасает неправильную гранулярность: соединение заказов с позициями заказа может умножить сумму выручки.

Вопрос: почему после JOIN выросла выручка?

Сначала уточни ключи и число строк на ключ в обеих таблицах. Если одному заказу соответствует несколько товаров, сумма заказа повторится для каждого товара. Решение зависит от задачи: агрегировать позиции до заказа перед соединением или считать сумму на уровне позиций. DISTINCT не является универсальным исправлением.

Задача: найти пользователей с двумя оплаченными заказами

Пусть orders содержит одну строку на заказ: order_id, user_id, status. Нужно найти пользователей с двумя или более оплаченными заказами.

SELECT user_id
FROM orders
WHERE status = 'paid'
GROUP BY user_id
HAVING COUNT(*) >= 2;

Перед ответом уточни, действительно ли строка соответствует заказу, как учитываются возвраты и нужен ли период. Если таблица хранит историю смены статусов, сначала надо получить актуальную запись заказа. Подробнее о подсчётах — COUNT и NULL в SQL.

Python и Pandas: объясняй проверки

Потренируй чтение таблиц, типы данных, фильтрацию, merge, groupby, обработку пропусков и дат. После объединения сравни число строк и уникальных ключей; после агрегации проверь итог на маленьком примере.

Вопрос: нужно ли заполнять пропущенную выручку нулём?

Не автоматически. Ноль означает отсутствие выручки, а пропуск может означать потерю данных. Уточни происхождение поля и механизм пропуска. Покажи, как решение изменит сумму, среднее и размер выборки. Это важнее, чем вспомнить одну команду fillna.

Статистика и A/B-тесты

Подготовь объяснение гипотезы, единицы рандомизации, целевой и защитных метрик, MDE, мощности, p-value и доверительного интервала. Важна не коллекция определений, а последовательность решения.

Вопрос: p-value равен 0,03 — запускаем изменение?

Этого недостаточно. Нужно проверить дизайн и качество данных, заранее заданный уровень значимости, размер и интервал эффекта, множественные проверки и защитные метрики. Статистически различимый эффект может быть слишком мал для бизнеса. P-value не означает вероятность того, что гипотеза верна.

Вопрос: покупок стало больше — эксперимент успешен?

Уточни размер групп и определение показателя. 1 100 покупок среди 12 000 пользователей не обязательно лучше 1 000 среди 10 000. Если один человек покупает несколько раз, заказы на пользователя и доля покупателей — разные метрики. Полный учебный разбор есть в статье как оценивать A/B-тест.

Продуктовый кейс: начинай с решения

Вопрос «почему упала конверсия?» требует проверки данных и поиска причины. Вопрос «нужна ли новая функция?» — гипотезы о поведении пользователя, рисках и способе проверки. Нельзя отвечать на оба одинаковым перечнем метрик.

1. Уточни продукт, период, сегмент и определение показателя.
2. Скажи, какую структуру ответа выбираешь.
3. Отдели наблюдения от гипотез.
4. Назови данные, которые помогут проверить версию.
5. Закончи решением и условием, при котором его изменишь.

Попробуй кейсы с падением конверсии и запуском функции. Для выбора показателей пригодится разбор продуктовых метрик.

Как рассказывать о проекте

Используй порядок: задача → твоя роль → данные → метод → результат → ограничения. Уточняй, что делал сам, а что сделала команда. Для учебного проекта достаточно корректного анализа; не нужно придумывать коммерческий эффект.

Подготовь ответ на продолжение: почему выбрал этот метод, как проверил данные, что сделал бы иначе, какое решение могло быть принято. Если без заученного текста рассказ разваливается, стоит вернуться к пониманию проекта.

План подготовки на неделю

Это диагностический цикл, а не обещание освоить профессию за семь дней.

1. Сопоставь требования вакансии с навыками и выбери слабые темы.
2. Реши SQL-задачи вслух, проверяя результат на маленькой таблице.
3. Разбери набор данных в Pandas и объясни обработку пропусков.
4. Спроектируй учебный эксперимент от гипотезы до решения.
5. Реши один продуктовый кейс с ограничением по времени.
6. Проведи мок: техническая задача, кейс и рассказ о проекте.
7. Разбери ошибки и составь следующий цикл.

Что спросить у будущей команды

• Какие решения должен будет поддерживать аналитик?
• Кто ставит задачи и как расставляются приоритеты?
• Как проверяется качество данных и экспериментов?
• Каких результатов ждут на испытательном сроке?

Если нужна обратная связь по твоему ответу, есть подготовка к собеседованию с ментором. На первом разговоре разберём, что сейчас мешает: знания, практика или объяснение решения.