Comment LinkedIn recrute ses ingénieurs data

LinkedIn publie une présentation générale de son processus de recrutement plutôt qu’un déroulé propre à chaque poste. Les étapes ci-dessous reprennent donc cette présentation ; la présélection, le codage, la conception de systèmes, l’entretien comportemental et l’entretien sur site sont des catégories de préparation utilisées sur cette page, et non les noms des étapes de LinkedIn.

• L’appel de recrutement. Si vous remplissez les critères et êtes sélectionné pour poursuivre le processus, l’équipe de recrutement planifie un appel et peut également prévoir un appel vidéo avec le responsable du recrutement ou un autre membre de l’équipe.
• La phase d’entretiens. Vous rencontrez plusieurs autres membres de l’équipe, et chaque entretien se concentre sur un domaine de compétence différent. Pour un ingénieur data, attendez-vous à ce que ces domaines correspondent au SQL et à la modélisation, aux pipelines, aux systèmes et à votre expérience, bien que LinkedIn n’en publie pas la liste.
• Étude de cas ou exercice au tableau. Selon le poste, les candidats peuvent être invités à présenter une étude de cas ou à réaliser un exercice au tableau. Pour un poste dans la data, il est plus probable de devoir représenter un pipeline ou un schéma au tableau que de présenter une étude de cas.
• La décision. LinkedIn peut avoir besoin de plusieurs semaines pour prendre une décision après les entretiens.

LinkedIn ne publie ni le nombre d’entretiens prévus pour un ingénieur data, ni leur durée, ni l’existence éventuelle d’une évaluation de codage.

Le processus publié prévoit un domaine de compétence par entretien. C’est utile : vous pouvez ainsi préparer chaque domaine en profondeur au lieu de vous attendre à ce que chaque interlocuteur couvre tous les sujets, et un point faible ne peut pas être masqué par un point fort.

Les entretiens d’ingénieur data évaluent généralement quatre domaines, qui permettent raisonnablement d’estimer comment LinkedIn répartirait ses entretiens axés sur les compétences pour ce poste :

• SQL et modélisation des données. Des requêtes correctes et lisibles produites dans un temps limité, ainsi que des schémas capables de résister à l’évolution des exigences.
• Pipelines et orchestration. Les dépendances, les réexécutions idempotentes, les reprises historiques et les sources tardives ou mal formées.
• Systèmes de données distribués. Le partitionnement, les formats de stockage, le traitement par lots face au streaming et les coûts ; sur une grande plateforme sociale, les volumes rendent ces questions très concrètes.
• Qualité et responsabilité des données. La détection, la communication et la prévention, domaine dans lequel s’inscrivent généralement les questions sur vos expériences passées.

La présentation publiée par LinkedIn ne varie pas selon le poste ; les différences ci-dessous relèvent donc des pratiques générales.

• Par rapport aux entretiens d’ingénieur logiciel, attendez-vous à ce que les domaines techniques privilégient le SQL, la manipulation des données et la logique des pipelines plutôt qu’un vaste éventail d’algorithmes, et à ce que la discussion de conception porte sur les flux de données, le stockage et la fraîcheur des données.
• Par rapport aux entretiens de data scientist, attendez-vous à moins de statistiques et de modélisation, et à davantage de questions sur les systèmes qui fournissent des données fiables dans les délais.
• Par rapport à d’autres entreprises, les caractéristiques publiées sont une structure fondée sur une compétence par entretien, l’éventualité d’une étude de cas ou d’un exercice au tableau, et une décision pouvant prendre plusieurs semaines. Préparez chaque domaine séparément et soyez prêt à faire des schémas.

LinkedIn ne publie qu’une seule indication de délai : plusieurs semaines peuvent être nécessaires pour prendre une décision après les entretiens. LinkedIn ne précise ni le nombre ou la durée des entretiens, ni le délai entre l’appel de recrutement et la phase d’entretiens.

La difficulté tient à la profondeur exigée dans chaque domaine plutôt qu’à l’étendue des sujets couverts lors de chaque entretien. Puisque chaque entretien porte sur un domaine de compétence différent, l’interlocuteur dispose de toute la conversation pour approfondir les pipelines ou la modélisation, et un candidat qui ne donne que des réponses superficielles manquera rapidement de matière. Préparez chaque domaine comme s’il était le seul.

Reproduisez la structure publiée : un domaine de compétence à la fois, étudié en profondeur.

• SQL et modélisation en profondeur. Entraînez-vous à écrire et à expliquer les fonctions de fenêtrage, la déduplication et les dimensions à évolution lente, puis à défendre les choix de schéma qui les sous-tendent.
• Conception de pipelines au tableau. Préparez deux ou trois systèmes que vous pouvez représenter de bout en bout, avec leurs modes de défaillance, puisqu’un exercice au tableau fait partie des possibilités publiées.
• Compromis entre systèmes. Le partitionnement, les formats et le traitement par lots face au streaming, ainsi que le coût de chaque choix.
• Preuves tirées de votre expérience. Préparez un incident de qualité des données dont vous avez eu la responsabilité : ce que vous avez détecté, qui vous avez informé et ce que vous avez modifié.
• Répétez le format. Un entretien blanc avec SubcueAI vous permet de travailler un seul domaine de compétence en répondant à des questions approfondies, conformément au format décrit par LinkedIn.