Что такое ретеншен данных
Что проверяют
Различает ли кандидат два значения термина и умеет ли уточнить вопрос. В платформе данных ретеншен это политика хранения: сколько живёт сырьё, сколько агрегаты, что удаляется, что обезличивается, что уезжает в холодный слой. Продуктовое удержание пользователей называется тем же словом, и ответ не в ту сторону стоит половины интервью.
Дальше проверяют инженерную часть: как срок хранения реализован технически и во что он упирается при обучении моделей.
Как отвечать
Одной фразой уточните, о чём речь, и разверните политику хранения. Срок задают три силы: закон и договор (персональные данные хранятся не дольше цели сбора), деньги (годы сырых событий стоят заметно дороже витрин) и продукт (сезонность в модели требует длинной истории).
Дальше механика по слоям: партиционирование по дате и удаление партиции целиком вместо построчного DELETE, правила TTL в колоночных хранилищах, срок хранения и уплотнение по ключу в Kafka, lifecycle-правила и перевод в холодный класс в объектном хранилище. Сырым логам обычно дают короткий срок, обезличенным агрегатам длинный.
Отдельно скажите про удаление по требованию человека: нужен ключ субъекта во всех слоях, иначе стирание из основной таблицы ничего не значит.
Где спотыкаются
Слышат знакомое слово и уходят в когорты, воронки и метрики удержания, не уточнив вопрос. Само по себе это не ошибка, но если спрашивали про срок хранения, ответ мимо, а одна уточняющая фраза снимает риск целиком.
Чистят историю построчным удалением по большой таблице. Это самая дорогая операция: она переписывает строки под версионность, раздувает таблицу и нагружает очистку. Партиция по дате отцепляется почти мгновенно, и удаление превращается в операцию над метаданными.
Забывают про копии. Реплики, бэкапы, витрины, обучающие выборки, кэш признаков, выгрузки аналитикам: политика без карты, где ещё лежат те же данные, работает только на бумаге. Модель, обученная на удалённых данных, тоже продолжает их помнить.