Netflix डेटा इंजीनियर इंटरव्यू: प्रक्रिया और तैयारी

आपके पास Netflix के रिक्रूटर का संदेश है और आप जानना चाहते हैं कि आगे के चरणों में क्या होगा। यह भाग अलग करता है कि Netflix स्वयं क्या कहता है और डेटा इंजीनियरिंग भूमिकाओं के लिए सामान्य प्रथा क्या है। पहले प्रकाशित तथ्य आते हैं, फिर वे चरण जिनकी तैयारी करना उचित है।

Netflix अनुभवी भूमिकाओं के लिए अलग विवरण के बजाय शुरुआती करियर की भर्ती के लिए प्रक्रिया-संबंधी नोट्स प्रकाशित करता है। नए ग्रेजुएट उम्मीदवारों के लिए वह कहता है कि इंटरव्यू आमतौर पर टेक-होम असेसमेंट से शुरू होते हैं, उसके बाद दो इंटरव्यू राउंड होते हैं, और आगे बढ़ना हर चरण के फ़ीडबैक पर निर्भर करता है। इंटर्नशिप उम्मीदवारों को आमतौर पर एक टेक-होम असेसमेंट के बाद लगभग दो से तीन राउंड मिलते हैं। सभी भूमिकाओं में Netflix कहता है कि इंटरव्यूअर जहाँ लागू हो वहाँ तकनीकी कौशल, भूमिका-विशिष्ट कौशल और व्यवहारिक कौशल का मूल्यांकन करते हैं, और वे आपके कौशल-सेट तथा उस काम के बारे में जानना चाहते हैं जो आपको उत्साहित करता है।

Netflix अनुभवी डेटा इंजीनियरों के लिए अलग लूप प्रकाशित नहीं करता: न राउंड के नाम, न इंटरव्यू की संख्या, न कोई तय क्रम। आपका रिक्रूटर ही आपके अपने कार्यक्रम का एकमात्र भरोसेमंद स्रोत है, इसलिए सीधे पूछें कि हर बातचीत किन क्षेत्रों को कवर करती है और क्या टेक-होम इसका हिस्सा है।

योजना बनाने के लिए उन चरणों के बारे में सोचना उपयोगी है जो बड़ी टेक्नोलॉजी कंपनियों में डेटा इंजीनियरिंग लूप में आमतौर पर होते हैं। ये इस भूमिका की सामान्य प्रथा से लिए गए तैयारी के वर्ग हैं, Netflix के राउंड के नाम नहीं:

• रिक्रूटर से बातचीत। आपकी पृष्ठभूमि, टीम, लॉजिस्टिक्स, और वह जो आपको काम की ओर खींचता है।
• तकनीकी स्क्रीन। आमतौर पर SQL और कुछ प्रोग्रामिंग, अक्सर आपके बनाए किसी पाइपलाइन की चर्चा के साथ।
• टेक-होम असेसमेंट। Netflix की बताई नए ग्रेजुएट और इंटर्नशिप प्रक्रिया का हिस्सा; पूछें कि क्या यह आपके स्तर पर लागू होता है।
• गहरे तकनीकी इंटरव्यू। डेटा मॉडलिंग, पाइपलाइन और सिस्टम डिज़ाइन, और कठिन SQL।
• व्यवहारिक और प्रेरणा संबंधी बातचीत। आप दूसरों के साथ कैसे काम करते हैं और किन समस्याओं की ज़िम्मेदारी लेना चाहते हैं।

Reddit और Blind के थ्रेड अलग-अलग लूप का विस्तार से वर्णन करते हैं। हर एक को एक टीम में एक उम्मीदवार का अनुभव मानें, इस बात का वर्णन नहीं कि Netflix हर डेटा इंजीनियर का इंटरव्यू कैसे लेता है।

Netflix तीन चीज़ें बताता है जिनका इंटरव्यूअर मूल्यांकन करते हैं: तकनीकी कौशल, भूमिका-विशिष्ट कौशल और व्यवहारिक कौशल। डेटा इंजीनियर के लिए तकनीकी और भूमिका-विशिष्ट के बीच की रेखा पतली है, इसलिए इन्हें नीचे के क्षेत्रों से जोड़ना अधिक उपयोगी है। इस पृष्ठ के नमूना प्रश्न प्रतिनिधि अभ्यास प्रश्न हैं, ऐसे प्रश्न नहीं जिनकी Netflix ने पुष्टि की हो।

• SQL में प्रवाह। ऐसे join जो पंक्तियाँ नहीं गुणा करते, रैंकिंग और रनिंग टोटल के लिए विंडो फ़ंक्शन, डुप्लिकेट हटाना, gaps and islands, और इवेंट स्ट्रीम की सेशनाइज़ेशन। इंटरव्यूअर आमतौर पर इस बात की परवाह करते हैं कि आप समझा सकें कि क्वेरी सही क्यों है, सिर्फ़ यह नहीं कि वह आउटपुट देती है।
• डेटा के लिए प्रोग्रामिंग। Python या JVM भाषा में रिकॉर्ड पार्स, रूपांतरित और एग्रीगेट करना, मेमोरी, किनारे के मामलों और पठनीय कोड पर ध्यान के साथ। पहेली-शैली के एल्गोरिदम प्रश्न संभव हैं, इसलिए बुनियादी डेटा स्ट्रक्चर की समीक्षा फिर भी ज़रूरी है।
• डेटा मॉडलिंग। फ़ैक्ट टेबल की ग्रेन चुनना, फ़ैक्ट को डायमेंशन से अलग करना, समय के साथ बदलने वाले एट्रिब्यूट संभालना, और ऐसी टेबल डिज़ाइन करना जिन्हें विश्लेषक बिना जाल में फँसे क्वेरी कर सकें।
• पाइपलाइन और सिस्टम डिज़ाइन। बैच बनाम स्ट्रीमिंग, पार्टिशनिंग, आइडेम्पोटेंट राइट, बैकफ़िल, देर से आने वाले इवेंट, स्कीमा परिवर्तन और डेटा क्वालिटी जाँच। बीच में आवश्यकताएँ बदलने वाले अनुवर्ती प्रश्नों की अपेक्षा करें।
• व्यवहारिक निर्णय। विफलताओं की ज़िम्मेदारी, मीट्रिक की परिभाषा पर हितधारकों से असहमति, और गति तथा शुद्धता के बीच समझौते।
• प्रेरणा। Netflix कहता है कि इंटरव्यूअर उस काम के बारे में जानना चाहते हैं जो आपको उत्साहित करता है। यहाँ अस्पष्ट उत्तर उस प्रश्न को बर्बाद करता है जिसे कंपनी ने कहा है कि वह मायने रखता है।

इन सबमें साझा सूत्र ज़ोर से तर्क करना है। जो उम्मीदवार चुपचाप सही क्वेरी लिखता है और जो टाइप करने से पहले ग्रेन, join कुंजी और किनारे के मामले समझाता है, उन्हें अक्सर अलग फ़ीडबैक मिलता है, भले ही कोड एक जैसा हो। कौशल के अनुसार समूहित और अभ्यास प्रश्न प्रश्न बैंक में हैं।

अधिकांश बड़ी टेक्नोलॉजी कंपनियों में डेटा इंजीनियर लूप दोनों पड़ोसी भूमिकाओं से मेल खाता है लेकिन अलग कौशलों को अधिक महत्व देता है। Netflix अनुभवी भर्तियों के लिए भूमिका-दर-भूमिका अंतर प्रकाशित नहीं करता, इसलिए नीचे की तुलना सामान्य प्रथा है, Netflix के अन्य लूप के बारे में कथन नहीं।

• सॉफ़्टवेयर इंजीनियरिंग की तुलना में। एल्गोरिदम पहेलियों पर कम और SQL, डेटा मॉडलिंग तथा पाइपलाइन की विश्वसनीयता पर अधिक ज़ोर। सिस्टम डिज़ाइन प्रश्न अनुरोध परोसने वाली सेवाओं के बजाय इस पर केंद्रित होते हैं कि डेटा कैसे चलता, उतरता और सुधारा जाता है।
• डेटा साइंस की तुलना में। सांख्यिकी, प्रयोग और परिणाम मॉडलिंग कम; उन टेबल को बनाने और चलाने पर अधिक जिन पर विश्लेषक और वैज्ञानिक निर्भर हैं। फिर भी आपसे पूछा जा सकता है कि मीट्रिक कैसे परिभाषित है, क्योंकि डेटा इंजीनियर अक्सर उसके पीछे की टेबल का मालिक होता है।
• एनालिटिक्स इंजीनियरिंग की तुलना में। रेखा धुंधली है। एनालिटिक्स इंजीनियर भूमिकाएँ आमतौर पर रिपोर्टिंग के लिए मॉडलिंग और SQL की ओर अधिक झुकती हैं, जबकि डेटा इंजीनियर भूमिकाएँ इंजेस्शन, वितरित प्रोसेसिंग और इन्फ्रास्ट्रक्चर में गहराई तक जाती हैं।

कंपनियों के बीच बड़ा अंतर आमतौर पर यह होता है कि लूप लाइव समस्या-समाधान की तुलना में टेक-होम कार्य पर कितना निर्भर है। Netflix की बताई नए ग्रेजुएट और इंटर्नशिप प्रक्रिया टेक-होम असेसमेंट से शुरू होती है, जो गति के बजाय साफ़, दस्तावेज़ित काम को पुरस्कृत करती है। दूसरी कंपनियाँ अपने लूप कैसे बनाती हैं, इसके गाइड कंपनी इंटरव्यू के अंतर्गत संग्रहित हैं।

Netflix डेटा इंजीनियर भर्ती के लिए समयरेखा प्रकाशित नहीं करता। शेड्यूलिंग टीम, आपके स्तर और इंटरव्यूअर की उपलब्धता पर निर्भर करती है, इसलिए प्रक्रिया में आने के बाद रिक्रूटर से पूछें।

कठिनाई को गुणात्मक रूप से बताना आसान है। Netflix कहता है कि आगे बढ़ना हर चरण के फ़ीडबैक पर आधारित है, यानी हर चरण एक द्वार है, ऐसा स्कोर नहीं जिसका अंत में औसत निकाला जाए। कमज़ोर टेक-होम या डगमगाती SQL स्क्रीन डिज़ाइन की बातचीत शुरू होने से पहले ही प्रक्रिया समाप्त कर सकती है, चाहे आप बाद में कितने भी मज़बूत रहे होते।

अधिकांश उम्मीदवारों के लिए कठिन हिस्सा अनजान सिंटैक्स नहीं है। वह अनुवर्ती प्रश्नों के तहत गहराई है: आप पाइपलाइन डिज़ाइन करते हैं, इंटरव्यूअर देर से आने वाला डेटा जोड़ता है, फिर स्कीमा परिवर्तन, फिर पूछता है कि आपको कैसे पता चलेगा कि आउटपुट गलत है। जिन उम्मीदवारों ने पाइपलाइन प्रोडक्शन में चलाई हैं, वे इस बहाव को केवल बनाने वालों से बेहतर संभालते हैं।

वरिष्ठ उम्मीदवारों को निर्णय पर अधिक ज़ोर की भी अपेक्षा करनी चाहिए। क्या न बनाया जाए यह चुनना, गैर-तकनीकी हितधारक को समझौता समझाना और अतीत की गलती की ज़िम्मेदारी लेना, उस स्तर पर सब भूमिका-विशिष्ट कौशल में गिना जाता है।

अपनी तैयारी उन तीन क्षेत्रों के इर्द-गिर्द बनाएँ जिन्हें Netflix बताता है, फिर यदि आपका रिक्रूटर पुष्टि करे कि टेक-होम है तो उसे जोड़ें।

• तकनीकी: पहले SQL। विंडो फ़ंक्शन, डुप्लिकेट हटाना और इवेंट सेशनाइज़ेशन तब तक करें जब तक आप उन्हें बिना संदर्भ के न लिख सकें। हर क्वेरी के लिए चलाने से पहले परिणाम की ग्रेन ज़ोर से बोलें।
• तकनीकी: कोड। अपनी मुख्य भाषा में नेस्टेड या गंदे रिकॉर्ड बदलने का अभ्यास करें, और मुख्य डेटा स्ट्रक्चर दोहराएँ, यदि स्क्रीन में क्लासिक एल्गोरिदम समस्या हो।
• भूमिका-विशिष्ट: मॉडलिंग और पाइपलाइन। कोई ऐसा क्षेत्र लें जिसे आप जानते हों, जैसे सदस्यताएँ या इवेंट लॉग, और टेबल, ग्रेन और उन्हें भरने वाली पाइपलाइन का रेखाचित्र बनाएँ। फिर डिज़ाइन पर दबाव डालें: आंशिक विफलता के बाद पुनः चलाना, बैकफ़िल, देर से आया बैच, नाम बदला हुआ कॉलम।
• व्यवहारिक: परिणाम वाली कहानियाँ। अपनी ज़िम्मेदारी वाली एक पाइपलाइन विफलता, मीट्रिक परिभाषा पर असहमति, और एक समझौता तैयार करें जो आप अब अलग तरह से करेंगे। यदि आप भटक जाते हैं तो STAR संरचना मदद करती है, पर परिणाम को विशिष्ट रखें।
• प्रेरणा: वह काम जो आपको उत्साहित करता है। Netflix कहता है कि उसके इंटरव्यूअर यह जानना चाहते हैं। कंपनी की प्रशंसा करने के बजाय किसी प्रकार की डेटा समस्या का नाम लें और उसे दिखाने वाली परियोजना की ओर इशारा करें।
• टेक-होम, यदि दिया जाए। इसे प्रोडक्शन कार्य की तरह लें: टेस्ट, आपकी मान्यताएँ समझाने वाली छोटी README, और खराब इनपुट का स्पष्ट प्रबंधन।

एक ऐसे डेटा इंजीनियर पर विचार करें जिसका अनुभव ज़्यादातर किसी रिटेलर में रात्रिकालीन बैच ETL का है। वह अपने शुरुआती सत्र विंडो-फ़ंक्शन SQL पर लगाता है, फिर समझाने का अभ्यास करता है कि बैकफ़िल को दोबारा चलाने के लिए सुरक्षित कैसे बनाए, क्योंकि उसकी असली कहानियाँ वहीं हैं। जब व्यवहारिक प्रश्न आते हैं, तो वह सामान्य टीमवर्क उदाहरण के बजाय अपनी ज़िम्मेदारी वाली पाइपलाइन विफलता से जवाब देता है।

अंतिम चरण यह सब ज़ोर से कहना है, क्योंकि हर चरण एक बातचीत है। SubcueAI का मॉक इंटरव्यू पृष्ठ आपको असली स्क्रीन से पहले डेटा इंजीनियरिंग प्रश्नों का ज़ोर से अभ्यास करने देता है।