Domande Colloquio Data Scientist, per Round

Probabilmente hai preparato SQL e un po' di machine learning, ma non sei sicuro di cos'altro arriverà. Questa sezione mappa i cinque round che questi colloqui riutilizzano, così il tuo studio corrisponde a come vieni valutato. Ogni round testa una cosa diversa, e preparare solo i due round tecnici è il modo più comune in cui i candidati forti perdono offerte.

• SQL e coding. Scrittura di query più manipolazione dati in Python, di solito dal vivo.
• Statistica e probabilità. Interpretazione e ragionamento, non dimostrazioni.
• Disegno sperimentale. A/B test: cosa misurare, per quanto tempo farlo girare, quando fidarsi del risultato.
• Modellazione o caso. Un problema aperto che inquadri tu, poi risolto a livello generale.
• Comportamentale e stakeholder. Come hai gestito ambiguità, disaccordo e risultati che nessuno voleva.

I titoli variano. Un'azienda che chiama il ruolo data scientist potrebbe far svolgere un colloquio da analyst, e viceversa. Se cerchi la versione analyst di questa pagina, si trova nell'hub domande di colloquio per ruolo.

Statistica e probabilità

• Cosa significa davvero un p-value, e cosa non significa?
• Spiega un intervallo di confidenza a un product manager in due frasi.
• Quando useresti un t-test invece di uno z-test?
• Cos'è il teorema del limite centrale e perché è importante per il tuo lavoro?
• Una metrica si è mossa e il risultato è significativo. Perché potrebbe comunque essere sbagliato?
• Spiega l'errore di Tipo I e di Tipo II usando una decisione che il tuo team prende davvero.
• Cos'è il selection bias e come lo rileveresti nei tuoi dati?
• Quando una mediana è un riassunto migliore di una media?

Disegno sperimentale e A/B testing

• Come disegneresti un esperimento per testare un nuovo flusso di onboarding?
• Come scegli la dimensione del campione, e cosa succede se non riesci a raggiungerla?
• Il tuo test è significativo dopo tre giorni. Lo rilasci?
• Cos'è un effetto novità, e come lo separeresti da un aumento reale?
• Come gestisci più metriche che si muovono in direzioni diverse?
• Cosa faresti se la randomizzazione si rompesse a metà del test?
• Come misureresti qualcosa che non puoi randomizzare, come un cambio di prezzo in un intero mercato?

Lo schema da notare: quasi nessuna di queste ha un'unica risposta corretta. Vengono valutate in base al fatto che tu nomini l'assunzione, dichiari il compromesso e dica cosa controlleresti.

Modellazione

• Come costruiresti un modello per predire il churn dei clienti? Inizia col definire il churn.
• Il tuo modello ha un'accuratezza del 95 percento su un dataset sbilanciato. È buono?
• Spiega il compromesso bias-varianza usando un modello che hai rilasciato.
• Come decidi tra un modello semplice e uno complesso per questo problema?
• Come sai che un modello ha smesso di funzionare dopo il deployment?
• Spiega la regolarizzazione a qualcuno che non l'ha mai usata.

SQL e Python

• Scrivi una query che restituisca la prima e più recente data d'acquisto di ogni utente.
• Calcola una media mobile di sette giorni degli utenti attivi giornalieri.
• Trova il tasso di conversione per mese di coorte.
• In pandas, trasforma una tabella lunga in larga e spiega quando non lo faresti.
• Come troveresti e gestiresti righe duplicate in una tabella di transazioni?

Product sense e metriche

• Come misureresti se una nuova funzionalità ha successo?
• Gli utenti attivi giornalieri sono in crescita ma i ricavi sono piatti. Investiga.
• Quale singola metrica metteresti sulla dashboard della leadership, e cosa lasceresti fuori?
• Come distingueresti una buona curva di retention da una cattiva?

Leggere una lista di domande crea riconoscimento. I colloqui testano la produzione sotto pressione temporale con qualcuno che ti interrompe, e sono competenze diverse. Il divario emerge di più nei round di esperimento e caso, dove la risposta è un argomento strutturato piuttosto che un fatto.

• Rispondi ad alta voce, con un timer. Sei minuti per domanda di caso, senza appunti, senza ricominciare.
• Dichiara prima le tue assunzioni. Nominare ciò che stai assumendo viene valutato, e ti compra anche tempo per pensare.
• Esercitati a essere interrotto. Gli intervistatori veri intervengono al minuto due. Provare un monologo ininterrotto non ti prepara a questo.
• Scrivi SQL a mano. I round dal vivo spesso usano un editor semplice senza autocomplete e senza modo di eseguire la query.
• Spiega ogni risultato due volte. Una volta tecnicamente, una volta a uno stakeholder a cui non importa del tuo metodo.

Una data scientist con quattro anni di esperienza si è preparata per un colloquio in un marketplace rivedendo cento domande in un documento, poi si è bloccata su "il tuo test è significativo dopo tre giorni, lo rilasci" perché non aveva mai detto una risposta ad alta voce. Il contenuto era nella sua testa; l'esposizione no. Se vuoi allenare queste domande con follow-up, la modalità mock interview conduce il round e mette alla prova le tue risposte.