Скоро: трек Data Analyst готовится к запуску в IT Interview Coach. Эта страница уже описывает, к чему готовиться; тренировки по DA-треку появятся в ближайшее время. Пока в боте доступны треки Backend, QA, ML/Data Science и DevOps.
Из чего состоит собеседование Data Analyst
Интервью аналитика данных обычно охватывает четыре блока:
- SQL и работа с данными. Основной технический навык: выборки, агрегации, джойны, оконные функции. Спрашивают почти всегда и на любом уровне.
- Статистика и метрики. Описательная статистика, распределения, корреляция и причинность, доверительные интервалы, основы A/B-тестов.
- Продуктовое и бизнес-мышление. Как выбрать метрику под задачу, как измерить успех фичи, как перевести размытый вопрос бизнеса в конкретный анализ.
- Практика и опыт. Разбор реальных задач из твоего опыта: какой анализ делал, какие выводы, как объяснял стейкхолдерам. Тренировать этот блок помогает прожарка опыта.
Темы интервью Data Analyst
SQL
Джойны, агрегации, GROUP BY и HAVING, подзапросы, оконные функции, нарастающие итоги, оптимизация запросов.
Статистика
Среднее, медиана и распределения, дисперсия, корреляция vs причинность, доверительные интервалы, проверка гипотез.
A/B-тесты
Дизайн эксперимента, p-value и мощность, длительность теста, проблема подглядывания, множественные сравнения.
Продуктовые метрики
Воронки, retention и cohort-анализ, DAU/MAU, unit-экономика, выбор north star метрики.
Визуализация и BI
Выбор типа графика, дашборды, инструменты (Tableau, Power BI, Looker), сторителлинг на данных.
Python для анализа
pandas, очистка данных, EDA, работа с пропусками и выбросами, базовая автоматизация отчётов.
Как меняются вопросы по уровням
Junior — «что это и зачем»
Middle — «как применить в реальной ситуации»
Senior — «стратегия и бизнес»
Особенность интервью Data Analyst: технической базы (SQL, статистика) недостаточно — проверяют бизнес-мышление и коммуникацию: умение перевести вопрос бизнеса в анализ и объяснить результат нетехническому человеку. Часто дают кейс или тестовое с реальными данными, где важен не только ответ, но и ход рассуждений.
На чём срезаются кандидаты
- SQL есть, бизнес-перевода нет. Кандидат пишет сложные запросы, но не может превратить размытый вопрос «почему упала выручка» в конкретный план анализа.
- Корреляция = причинность. Классическая ошибка: увидел связь двух метрик и делает вывод о причине без проверки на смешивающие факторы.
- Красивый график без инсайта. Дашборд ради дашборда: много визуала, но нет ответа на вопрос «и что с этим делать».
- Не проверяет качество данных. Считает по грязным данным, не глядя на пропуски, дубли и выбросы — и получает уверенно неверный результат.
- Цифра без интерпретации. «Конверсия 3,2%» — и точка. Senior добавляет: с чем сравнить, хорошо это или плохо, что делать дальше.
- Неверная трактовка значимости. p-value объясняется как «вероятность, что гипотеза верна» — частая ошибка даже у опытных кандидатов.
Как построить подготовку
Когда DA-трек станет доступен в боте, подготовку можно будет выстроить так:
- Диагностика. Несколько мок-собеседований по DA-треку покажут реальные пробелы — часто это не SQL, а статистика и продуктовое мышление.
- Проработка слабых тем. Режим «Подготовка по темам»: выбираешь кластер — SQL, A/B-тесты, продуктовые метрики — и тренируешь до уверенности.
- Кейсы и коммуникация. Прожарка опыта задаёт follow-up по твоим проектам анализа: какой вопрос решал, какие данные, какие выводы, как объяснял результат.
- Под конкретную вакансию. Прочитай требования: где-то важнее SQL и BI, где-то продуктовая аналитика и A/B — гоняй сессии под нужный акцент.
А пока DA-трек в разработке, тренироваться можно на смежных треках: ML/Data Science пересекается по статистике и A/B-тестам, а SQL и базы данных — с Backend.
Вопросы и ответы
Доступен ли уже DA-трек в боте?
Пока нет — трек Data Analyst в разработке и появится в ближайшее время. Сейчас в IT Interview Coach доступны Backend, QA, ML/Data Science и DevOps. Эта страница уже описывает темы и формат, чтобы можно было начать готовиться заранее.
Чем Data Analyst отличается от Data Scientist на интервью?
Границы размыты, но тенденция: у аналитика больше SQL, визуализации, продуктовых метрик и бизнес-коммуникации; у data scientist — больше ML, моделирования и статистики вглубь. Ядро — SQL и статистика — общее для обеих ролей.
Нужен ли Python для позиции аналитика?
SQL обязателен всегда. Python (pandas) спрашивают всё чаще, особенно на Middle+, но есть позиции, где хватает SQL и BI-инструмента. Смотри на стек вакансии: если указан Python — подтяни pandas и очистку данных.
Дают ли тестовое задание или кейс?
Часто. Это может быть take-home с датасетом (посчитать метрики, найти инсайт) или live-кейс на интервью. Оценивают не только правильный ответ, но и ход рассуждений: как ты структурируешь задачу и проверяешь данные.
Реально ли пройти на Junior Data Analyst без коммерческого опыта?
Да, если есть портфолио: pet-проекты с анализом реальных данных, разборы датасетов, дашборды, задачи с Kaggle. На Junior-уровне ценят крепкий SQL, аккуратность с данными и умение объяснить выводы простыми словами.
Как готовиться к вопросам про продуктовые метрики?
Разбирай реальные продукты: какая у них north star метрика, как устроена воронка, что такое retention и unit-экономика. На интервью важно связывать метрику с целью бизнеса, а не перечислять все подряд. Прожарка опыта помогает отрепетировать такие рассуждения.
Смотри также
Трек Data Analyst — скоро
Мы уже готовим DA-трек: мок-интервью и вопросы по SQL, статистике, A/B-тестам и продуктовым метрикам. Пока можно тренироваться на смежных треках — Backend, QA, ML/Data Science и DevOps — прямо в Telegram.
▶ Открыть бота