Занимаетесь ли вы аналитикой самостоятельно
Что проверяют
Нужен ли вам аналитик, чтобы понять данные и сформулировать задачу, или вы можете сами залезть в хранилище, найти проблему и объяснить её бизнесу. Следом обычно просят пример: какой вопрос вы исследовали сами, какими инструментами и что изменилось после.
Как отвечать
Для инженера данных и ML-инженера аналитика это не отчёты ради отчётов, а работа, без которой модель или пайплайн строятся вслепую. Опишите, что вы делаете сами:
- разведочный анализ перед обучением: распределения признаков, пропуски, выбросы, утечки таргета, дисбаланс классов. Инструменты: SQL с оконными функциями, pandas или Polars в Jupyter;
- разбор ошибок модели: на каких сегментах она ошибается, как метрика меняется во времени, где начинается сдвиг данных;
- связь с бизнесом: как офлайн-метрика (ROC AUC, MAE) соотносится с продуктовой и что показал A/B-тест;
- качество данных: проверки в пайплайне на объём, свежесть и уникальность ключей, например через Great Expectations или тесты dbt;
- визуализация: дашборд в Superset, DataLens или Metabase, если результат нужен не только вам.
Каркас ответа: вопрос, откуда брали данные, что нашли, какое решение приняли и чем оно подтвердилось. Цифры нужны ваши собственные и проверяемые. Если аналитикой в команде занимался отдельный человек, скажите это прямо и опишите границу: вы готовили витрины и проверяли данные, а выводы делал аналитик. Такой ответ честнее и ничуть не слабее.
Где спотыкаются
Называют A/B-тестом сравнение каналов на исторических данных. Это наблюдательный анализ, и выводы о причинах из него без оговорок делать нельзя.
Приводят круглый прирост конверсии, не объясняя, как отделили эффект своей работы от сезонности и других изменений в продукте.
Ограничиваются метриками модели. Интервьюеру важно, умеете ли вы перевести рост ROC AUC в деньги или сэкономленное время пользователей.