Блог

Собеседование на аналитика данных: какие вопросы задают

Богдан Камаев, ментор · 8 ноября 2026

На собеседовании на аналитика данных проверяют четыре вещи: SQL, A/B-тесты со статистикой, продуктовые метрики и твой опыт. Самая большая группа вопросов в наших данных про SQL. На собеседовании продуктового аналитика заметно больше внимания к экспериментам и метрикам.

Мы разобрали 368 реальных собесов учеников и собрали из них 7071 вопрос. Ниже вопросы на собеседовании аналитика, которые звучали у наших учеников, по темам. Часть про продуктовые кейсы дополнена нашими тренировочными задачами, такие места подписаны. Три вопроса разобраны подробно с числами.

Как проходит собеседование на аналитика

Обычно сначала разговор с рекрутером, потом техническая часть с SQL и вопросами по опыту, в продуктовых командах ещё кейсы. Порядок зависит от компании. Вопросы рекрутера вынесены в статью про HR-скрининг.

Вот как отличаются акценты между ролями. Это ориентир, названия позиций у всех разные, поэтому сверяй его с текстом вакансии.

Роль На чём акцент
Аналитик данных SQL, работа с данными, инструменты
Продуктовый аналитик Метрики продукта, A/B-тесты, кейсы
BI-аналитик SQL, витрины, дашборды, BI-системы

SQL для аналитика: вопросы на собеседовании

Теория:

Задачи:

Шесть таких задач с данными, запросами на PostgreSQL и результатами мы разобрали в статье про SQL на собеседовании. Отдельно про окна есть статья оконные функции SQL.

A/B-тесты и статистика

A/B-тест это эксперимент: часть пользователей видит новую версию, часть старую, и мы сравниваем метрику между группами.

Теория:

По твоему опыту:

Кейс:

Разбор: что такое p-value

P-value это вероятность получить такую же или более сильную разницу между группами при условии, что на самом деле разницы нет.

Пример. В контроле 15 000 пользователей и конверсия 10%, в тесте 15 000 пользователей и конверсия 11%. Считаем z-тест для долей:

Это меньше обычного порога 0,05, разницу считаем значимой.

Главная ошибка: сказать, что p-value это вероятность того, что гипотеза верна. Он считается при условии, что разницы нет, и сам по себе ничего не говорит о размере эффекта.

Разбор: как выбрать объём выборки

Заранее нужны три вещи: текущая конверсия, минимальный эффект, который хочется поймать, и принятые уровни ошибок. Обычно это значимость 5% и мощность 80%. Мощность это вероятность заметить эффект, если он есть.

Конверсия 10%, хотим поймать рост до 11%. Быстрая прикидка: n ≈ 16 × p × (1 − p) / δ², где δ это разница. Получаем 16 × 0,1 × 0,9 / 0,01² = 14 400. Точный расчёт для этих долей даёт около 14 750 пользователей на группу.

Длительность следует из трафика. Если в тест приходит 2000 новых пользователей в день, 29 500 человек наберутся примерно за 15 дней. Округляем до трёх полных недель, чтобы покрыть недельную сезонность. Частые ошибки: смотреть на результат каждый день и останавливать тест при первом значимом значении, менять дизайн по ходу, делить по сессиям, когда метрика считается по пользователям.

Разбор: кейс про $5, $3 и $10

Сначала уточни цель. Бонус стоит денег, значит смотреть только на конверсию нельзя: при $10 она скорее всего вырастет, вопрос окупится ли это.

Рабочий план ответа:

  1. Три группы случайно среди новых пользователей: $3, $5 как контроль и $10. Единица рандомизации это пользователь.
  2. Главная метрика: выручка на пользователя минус стоимость бонуса за выбранный горизонт, например 30 дней.
  3. Дополнительно: конверсия в первую покупку, удержание.
  4. Ограничивающие метрики: фрод и повторные регистрации ради бонуса.
  5. Размер групп: считаем отдельно на сравнение с контролем. Сравнений два, поэтому учитываем множественную проверку.

Продуктовые метрики и кейсы

Сначала несколько вопросов с собесов, потом термины и тренировочные кейсы.

С собесов:

Эти термины нужно знать так, чтобы посчитать на месте. Пример: за месяц в продукт зашло 100 000 пользователей, 5000 заплатили, выручка 2 000 000 рублей.

Метрика Что значит Пример
DAU, MAU Уникальные пользователи за день и за месяц MAU = 100 000
Конверсия Доля дошедших до целевого действия 5000 / 100 000 = 5%
ARPU Выручка на пользователя 2 000 000 / 100 000 = 20 ₽
ARPPU Выручка на платящего 2 000 000 / 5000 = 400 ₽
Retention Доля вернувшихся через N дней после старта Считается по когортам
LTV Выручка с пользователя за всё время Прогноз по удержанию и ARPU

Вот тренировочные кейсы, их мы написали сами, это типовой формат для отработки:

Схема на первый кейс: сначала проверь, что данные не сломались (логирование, релиз трекера). Потом режь падение по срезам: платформа, страна, версия приложения, источник трафика, новые и старые пользователи. Сравни с прошлыми неделями, посмотри сезонность и релизы. Сформулируй гипотезы и проверь их. Рассуждение вслух тут важнее финальной причины.

Вопросы по опыту и инструментам

Большие данные спрашивают отдельно, чаще всего через Spark:

Если Spark в работе не было, не придумывай. Скажи, с какими объёмами работал, и покажи, что понимаешь идею: данные не помещаются на одну машину, поэтому их обрабатывают по частям на многих.

На вопрос про A/B-тесты и опыт отвечай через конкретику: какая была гипотеза, какая метрика, что вышло и что решили. Общие слова «участвовал в анализе» сразу вызывают уточняющие вопросы.

Как подготовиться к собеседованию на аналитика

  1. SQL на автомате: JOIN с дублями, HAVING, оконные функции. Пиши запросы без автодополнения.
  2. Статистика на примере: p-value, объём выборки, ошибки первого и второго рода.
  3. Метрики: посчитай таблицу выше на своих числах.
  4. Два кейса вслух, с таймером на 15 минут.
  5. Проекты из резюме по схеме: задача, данные, что сделал лично, результат в числах.
  6. Репетиция с живым человеком, это мок-собеседование.

Если откликов пока мало и до собесов дело не доходит, начни со статьи про то, почему нет откликов на резюме. Как мы помогаем найти работу в аналитике, рассказываем здесь.

Частые вопросы

Какие вопросы задают на собеседовании аналитика данных чаще всего?

Из технических в наших данных лидируют опыт со Spark и базами данных, опыт A/B-тестов, оконные функции и разница между WHERE и HAVING. Плюс общие вопросы рекрутера: о себе, причина ухода, зарплатные ожидания.

Чем собеседование продуктового аналитика отличается от аналитика данных?

В продуктовых командах обычно больше экспериментов и метрик, в кейсах просят найти причину изменения метрики или придумать тест. SQL всё равно проверяют. Точный состав смотри в вакансии и уточняй у рекрутера.

Нужен ли Python на собеседовании аналитика?

Из вопросов про Python у аналитиков в наших данных чаще звучит вопрос об уровне pandas. Требования зависят от вакансии: читай описание и будь готов показать базовую работу с таблицами в pandas.

Какие задачи дают на собеседовании аналитику?

Чаще всего SQL: соединения, последняя запись в группе, лидер за день. Ещё бывают кейсы на эксперимент и метрики, например подбор размера бонуса для новых пользователей.

Нужна помощь с поиском работы?

Помогаю найти работу аналитиком данных и продуктовым аналитиком. На бесплатной консультации за 20 минут разберём, где ты сейчас, какая цель и как до неё дойти.

Записаться на бесплатную консультациюМенторство по аналитике

Читать дальше

Стажировка в Т-Банке: как попасть на ML, аналитику и данныеSQL вопросы на собеседовании и задачи с разборомСобеседование в Сбер: как проходит и какие вопросы задают