Была ли задача по выявлению дорогого провайдера данных задачей Data Science
Что проверяют
Скорее всего, это уточнение к истории из вашего резюме: интервьюер сомневается, что задача была про Data Science, а не про аналитику. Проверяют честность в оценке своего вклада и понимание, чем моделирование отличается от отчёта. Следом спросят, какой именно метод там был и зачем.
Как отвечать
Сначала честно классифицируйте задачу. Если вы сравнили стоимость провайдеров SQL-запросом и собрали дашборд, это аналитика, и это нормальная работа, её не нужно выдавать за машинное обучение. Задачей Data Science она становится, когда оценивается не цена, а вклад данных в результат:
- ценность признаков: обучить модель с данными провайдера и без них и сравнить качество на отложенной выборке по метрике, важной бизнесу (ROC-AUC, precision на рабочем пороге, ошибка прогноза);
- перевод в деньги: прирост метрики пересчитать в эффект, например в предотвращённые потери от фрода или рост конверсии, и сопоставить со стоимостью подписки;
- качество данных: полнота, доля пропусков, свежесть, покрытие нужных сегментов, совпадение с эталоном на размеченной выборке;
- проверка на проде: A/B-тест или теневой режим, где модель без провайдера работает параллельно и её решения сравниваются с боевыми;
- инженерная часть: если основная работа была в пайплайнах, расписании загрузок и контроле объёмов, это ближе к Data Engineering, так и скажите.
Дальше опишите свою роль и результат своими цифрами: сколько провайдеров сравнивали, по какой метрике, от чего отказались и что это дало. Если итоговую экономию считал финансовый отдел, упомяните это, такая оговорка добавляет доверия.
Где спотыкаются
Защищаются вместо того, чтобы разобраться. На вопрос «было ли это DS» сыплют терминами вроде кластеризации и регрессии, хотя к задаче они отношения не имели.
Приносят «сократили расходы на 30%» без базы для сравнения и без объяснения, как эффект отказа от провайдера отделили от прочих изменений.
Сравнивают провайдеров по корреляции их данных с целевой метрикой и делают вывод о причинности. Без контрольной группы или хотя бы сравнения с моделью без этих признаков такой вывод легко оспорить.