Come LinkedIn seleziona i data engineer

LinkedIn pubblica una panoramica generale del proprio processo di selezione, anziché una procedura specifica per ogni ruolo; le fasi riportate di seguito seguono quindi quella panoramica. Screening, programmazione, progettazione di sistemi, colloquio comportamentale e colloquio in sede sono categorie di preparazione usate in questa pagina, non i nomi delle fasi di LinkedIn.

• La chiamata con il team di recruiting. Se possiedi i requisiti e vieni selezionato per proseguire, il team di recruiting programma una chiamata e può anche fissare una videochiamata con il responsabile delle assunzioni o un altro membro del team.
• La fase dei colloqui. Incontri diversi altri membri del team e ogni colloquio si concentra su una diversa area di competenza. Per un data engineer, è ragionevole aspettarsi aree legate a SQL e modellazione, pipeline, sistemi ed esperienze professionali precedenti, anche se LinkedIn non le elenca.
• Caso di studio o prova alla lavagna. A seconda del ruolo, ai candidati può essere chiesto di presentare un caso di studio o svolgere un esercizio alla lavagna. Per un ruolo in ambito dati è più probabile dover disegnare una pipeline o uno schema alla lavagna anziché presentare un caso.
• La decisione. Dopo i colloqui, LinkedIn potrebbe impiegare diverse settimane per prendere una decisione.

LinkedIn non specifica quanti colloqui debba sostenere un data engineer, quanto duri ciascuno o se sia prevista una prova di programmazione.

La struttura pubblicata prevede un'area di competenza per colloquio. È un'informazione utile: puoi preparare ogni area in modo approfondito, invece di aspettarti che ogni intervistatore affronti tutti gli argomenti, e un'area debole non può essere mascherata da una forte.

In generale, i colloqui per data engineer valutano quattro aree, che rappresentano una stima ragionevole di come potrebbero essere suddivisi i colloqui mirati alle competenze di LinkedIn per questo ruolo:

• SQL e modellazione dei dati. Query corrette e leggibili scritte entro i tempi previsti e schemi capaci di adattarsi a requisiti in evoluzione.
• Pipeline e orchestrazione. Dipendenze, riesecuzioni idempotenti, elaborazioni retroattive e sorgenti tardive o malformate.
• Sistemi di dati distribuiti. Partizionamento, formati di archiviazione, elaborazione batch rispetto allo streaming e costi; per una grande piattaforma social, i volumi rendono concrete queste domande.
• Qualità e responsabilità dei dati. Rilevamento, comunicazione e prevenzione, aspetti su cui solitamente vertono le domande sulle esperienze professionali precedenti.

La panoramica pubblicata da LinkedIn non varia in base al ruolo, quindi le differenze riportate di seguito riflettono la prassi generale.

• Rispetto ai colloqui per software engineer, aspettati che le aree tecniche privilegino SQL, manipolazione dei dati e logica delle pipeline anziché un'ampia rassegna di algoritmi, e che la progettazione riguardi il flusso, l'archiviazione e la tempestività dei dati.
• Rispetto ai colloqui per data scientist, aspettati meno statistica e modellazione e maggiore attenzione ai sistemi che forniscono puntualmente dati affidabili.
• Rispetto ad altre aziende, gli elementi pubblicati sono la struttura basata su una competenza per colloquio, il possibile caso di studio o esercizio alla lavagna e una decisione che potrebbe richiedere diverse settimane. Prepara separatamente ogni area di competenza e sii pronto a disegnare.

LinkedIn pubblica una sola indicazione sui tempi: dopo i colloqui potrebbe impiegare diverse settimane per prendere una decisione. Non specifica il numero o la durata dei colloqui, né l'intervallo tra la chiamata con il team di recruiting e la fase dei colloqui.

La difficoltà deriva dalla profondità richiesta in ogni area, più che dall'ampiezza degli argomenti di ciascun colloquio. Poiché ogni colloquio si concentra su una diversa area di competenza, l'intervistatore può dedicare l'intera conversazione ad approfondire le pipeline o la modellazione, e un candidato con risposte solo superficiali esaurirà presto gli argomenti. Prepara ogni area come se fosse l'unica.

Replica la struttura pubblicata: affronta un'area di competenza alla volta e approfondiscila.

• Approfondisci SQL e modellazione. Esercitati a scrivere e spiegare funzioni finestra, deduplicazione e dimensioni a variazione lenta, quindi a motivare le scelte alla base degli schemi.
• Progetta pipeline alla lavagna. Prepara due o tre sistemi che tu sappia disegnare dall'inizio alla fine, includendo le modalità di errore, poiché la possibilità di una prova alla lavagna è indicata pubblicamente.
• Valuta i compromessi dei sistemi. Partizionamento, formati ed elaborazione batch rispetto allo streaming, includendo il costo di ogni scelta.
• Porta esempi dalle esperienze precedenti. Prepara un incidente relativo alla qualità dei dati di cui ti sei assunto la responsabilità: cosa hai rilevato, chi hai informato e cosa hai modificato.
• Prova il formato. Un colloquio simulato con SubcueAI ti permette di esercitarti su una singola area di competenza attraverso domande approfondite e prolungate, seguendo la struttura descritta da LinkedIn.