Техническое интервью на Аналитика Данных

Коротко о видео

Это мок-интервью на позицию дата-аналитика с разбором ответов кандидата. Вначале кандидат рассказывает об автоматизации ручной обработки данных Excel-макросами, веб-скрейпинге данных «Кинопоиска», регрессии для прогноза дохода фильмов, Power BI и исследовательских ML-проектах. Затем интервьюер проверяет знания очистки и визуализации данных, p-value, supervised и unsupervised learning, а также даёт практические задания по Python/Pandas, Matplotlib и SQL.

Затронутые темы

Что взять на заметку

• Самопрезентацию на интервью лучше строить кратко вокруг измеримого результата: здесь удачными примерами названы проект на 15 млн и сокращение времени ручной сборки данных.
• Нужно уметь связать очистку данных с последствиями: ошибки в исходных данных могут исказить прогнозы ML-модели и выводы из визуализаций.
• Следует исправить определение p-value: это не вероятность ошибки первого рода, а вероятность при верной нулевой гипотезе получить результат не менее экстремальный, чем наблюдаемый.
• Нужно уверенно различать supervised learning с известной целевой переменной и unsupervised learning без target, а также объяснять train/test-этапы модели.
• Для Pandas полезно отдельно отработать `dropna`, `drop_duplicates`, `replace` и `.apply`; нельзя в обычном `if` напрямую сравнивать весь `Series` со строкой.
• Для временного ряда месячных продаж уместен линейный график в Matplotlib.
• В SQL стоит отработать агрегации: топ товаров по выручке требует `SUM(quantity * price)`, группировки, сортировки по убыванию и `LIMIT 3`; клиентов с более чем пятью заказами — `JOIN`, `GROUP BY` и `HAVING COUNT(order_id) > 5`.