Întrebări de interviu pentru Data Scientist, pe runde

Probabil ai pregătit SQL și puțin machine learning și nu ești sigur ce urmează. Această secțiune prezintă cele cinci runde pe care aceste interviuri le reutilizează, ca pregătirea ta să corespundă modului de evaluare. Fiecare rundă testează altceva, iar pregătirea doar a celor două tehnice este cel mai frecvent mod prin care candidații puternici pierd oferte.

• SQL și programare. Scrierea de interogări plus manipularea datelor în Python, de obicei live.
• Statistică și probabilități. Interpretare și raționament, nu demonstrații.
• Design de experimente. Teste A/B: ce măsori, cât timp rulezi, când ai încredere în rezultat.
• Modelare sau studiu de caz. O problemă deschisă pe care o formulezi, apoi o rezolvi la nivel general.
• Comportamental și stakeholderi. Cum ai gestionat ambiguitatea, dezacordul și rezultate pe care nimeni nu le-a vrut.

Titlurile variază. O companie care numește rolul data scientist poate rula de fapt un interviu de analist, și invers. Dacă vrei versiunea pentru analiști a acestei pagini, o găsești în hubul întrebări de interviu pe roluri.

Statistică și probabilități

• Ce înseamnă cu adevărat o valoare p și ce nu înseamnă?
• Explică un interval de încredere unui product manager în două propoziții.
• Când ai folosi un test t în locul unui test z?
• Ce este teorema limitei centrale și de ce contează pentru munca ta?
• O metrică s-a schimbat, iar rezultatul este semnificativ statistic. De ce ar putea fi totuși greșit?
• Explică eroarea de tip I și de tip II folosind o decizie pe care echipa ta chiar o ia.
• Ce este biasul de selecție și cum l-ai detecta în datele tale?
• Când este mediana un rezumat mai bun decât media?

Design de experimente și testare A/B

• Cum ai proiecta un experiment pentru a testa un nou flux de onboarding?
• Cum alegi dimensiunea eșantionului și ce se întâmplă dacă nu o poți atinge?
• Testul tău este semnificativ statistic după trei zile. Îl lansezi?
• Ce este un efect de noutate și cum l-ai separa de o creștere reală?
• Cum gestionezi mai multe metrici care se mișcă în direcții diferite?
• Ce ai face dacă randomizarea s-ar strica la jumătatea testului?
• Cum ai măsura ceva ce nu poți randomiza, cum ar fi o schimbare de preț pe o piață întreagă?

Tiparul de observat: aproape niciuna dintre acestea nu are un singur răspuns corect. Sunt evaluate în funcție de dacă numești ipoteza, expui compromisul și spui ce ai verifica.

Modelare

• Cum ai construi un model pentru a prezice pierderea clienților (churn)? Începe cu modul în care ai defini churnul.
• Modelul tău are o acuratețe de 95 la sută pe un set de date dezechilibrat. Este bun?
• Explică echilibrul bias-variance folosind un model pe care l-ai lansat.
• Cum ai alege între un model simplu și unul complex pentru această problemă?
• Cum știi că un model a încetat să funcționeze după implementare?
• Explică regularizarea cuiva care nu a folosit-o niciodată.

SQL și Python

• Scrie o interogare care returnează prima și cea mai recentă dată de achiziție pentru fiecare utilizator.
• Calculează media mobilă pe șapte zile a utilizatorilor activi zilnic.
• Găsește rata de conversie pe luna cohortei.
• În pandas, transformă un tabel lung într-unul lat și explică atunci când nu ai face asta.
• Cum ai găsi și gestiona rândurile duplicate dintr-un tabel de tranzacții?

Simțul produsului și metrici

• Cum ai măsura dacă o funcționalitate nouă are succes?
• Utilizatorii activi zilnic au crescut, dar veniturile stagnează. Investighează.
• Ce metrică unică ai pune pe dashboardul conducerii și pe care ai omite-o?
• Cum ai deosebi o curbă de retenție bună de una proastă?

Citirea unei liste de întrebări construiește recunoaștere. Interviurile testează producția sub presiunea timpului, cu cineva care te întrerupe, iar acestea sunt abilități diferite. Diferența apare cel mai mult la rundele de experiment și studiu de caz, unde răspunsul este un argument structurat, nu un fapt.

• Răspunde cu voce tare, cu un cronometru. Șase minute pe întrebare de tip caz, fără notițe, fără reporniri.
• Spune-ți ipotezele mai întâi. Faptul că numești ce presupui este evaluat și, în plus, îți cumpără timp de gândire.
• Exersează să fii întrerupt. Intervievatorii reali intervin la minutul doi. Repetarea unui monolog neîntrerupt nu te pregătește pentru asta.
• Scrie SQL de mână. Rundele live folosesc adesea un editor simplu, fără autocompletare și fără posibilitatea de a rula interogarea.
• Explică fiecare rezultat de două ori. O dată tehnic, o dată unui stakeholder căruia nu îi pasă de metoda ta.

O data scientist cu patru ani de experiență s-a pregătit pentru un interviu la un marketplace revizuind o sută de întrebări într-un document, apoi a înghețat la „testul tău este semnificativ statistic după trei zile, îl lansezi" pentru că nu rostise niciodată un răspuns cu voce tare. Conținutul era în capul ei; livrarea nu era. Dacă vrei să exersezi acestea cu întrebări de urmărire, modul mock interview rulează runda și îți contestă răspunsurile.