Как пройти собеседование в финтех
Карьерник — квиз-тренажёр в Telegram с 1500+ вопросами для собесов аналитика. SQL, Python, A/B, метрики. Бесплатно.
Зачем это знать
Fintech / banking — один из top-секторов для аналитиков в России. Тинькофф, Альфа, ВТБ, Сбер, Райффайзен, Точка — все нанимают. Высокие зарплаты (150-350k middle), интересные задачи (fraud, credit scoring, unit-economy).
Собесы в finech специфичны: SQL жёстче, больше статистики, меньше product. Готовиться надо иначе, чем к consumer-apps.
Что отличает fintech
1. Regulated industry
Strict compliance. Ошибка аналитика = реальные деньги users.
2. Tons of data
Бесчисленные транзакции, users, products. ClickHouse, Vertica, Teradata.
3. Risk culture
Fraud, credit risk, operational risk — все quantified.
4. ML-heavy
Credit scoring, anti-fraud, recommendation — ML models сильнее product analytics.
5. SQL-depth
В banking SQL — main skill. Больше чем продуктовая аналитика.
Типичные вопросы
SQL (жёстче, чем в product)
- Оконные функции на real-world examples
- Оптимизация медленных queries
- CTE, рекурсивные CTE
- Query plans / EXPLAIN
Задачи часто real — например, detect подозрительные транзакции по patterns.
Теория БД
- ACID
- Normalization
- Индексы (B-tree, hash, bitmap)
- Деnормализация для analytics
- Partitioning, sharding
Статистика
- Probability distributions
- Credit scoring fundamentals (Gini, KS, lift)
- Hypothesis testing
- Бейесовские подходы (fraud scoring)
Финансовая математика
- Present value, NPV
- Unit-economy в кредитовании
- LTV / payback
- Interest rate mechanics
Продуктовая аналитика
Меньше, чем в consumer-apps, но есть:
- Activation / retention
- Funnels
- Cohort analysis
Частые кейсы
1. Fraud detection
«Транзакции: как найти fraud? Какие features?».
Features: amount, time of day, merchant, distance from previous, frequency, new device.
Model: logistic regression, random forest, XGBoost.
Метрики: precision recall (high cost FN — missed fraud).
2. Credit scoring
«Как бы построили модель credit scoring?».
Inputs: credit history, income, age, residence, loan purpose.
Target: default (binary).
Model: logistic regression (interpretable, regulatory).
Метрики: AUC, Gini coefficient (2×AUC-1), KS statistic.
3. Churn в банке
«Customers уходят в другой банк. Почему?».
Analysis: recent actions, complaints, products.
Often segment: new vs long-term, premium vs basic.
4. Unit economics кредита
«Средний кредит 500k, rate 20%, срок 12 мес, default rate 5%. Profitable?».
Decompose: interest income, cost of funds, CAC, losses. Final: margin per issue.
5. Product analysis fintech feature
«Мы запустили P2P-transfer. Как оценим?».
Adoption rate, transactions per user, money volume, impact on retention.
Компании и особенности
Тинькофф / Т-Банк
- Heavy focus на product analytics
- Яндекс-style собесы
- ClickHouse, Python, SQL
Альфа / ВТБ / Райффайзен
- Более traditional banking
- SQL + statistics focus
- Oracle, PostgreSQL стек
Сбер
- Масштаб, DWH
- PySpark, Hadoop
- Team depend очень
Точка, Модуль
- Startup feel
- Product analytics + ML
Росбанк, Совкомбанк
- Credit scoring
- Classical banking analytics
Как готовиться
1. SQL deep
Не только JOIN, а оптимизация, explain plans, tricky window functions.
2. ML basics
Credit scoring, fraud detection — must know.
3. Product understanding
Fintech products: карты, кредиты, депозиты, инвестиции. Unit economics каждого.
4. Math / statistics
Больше чем в obchnom product. Distribution, hypothesis tests, Bayes.
5. Domain knowledge
Reading banking terminology: NPL (non-performing loans), COF (cost of funds), MCG (merchant category).
На собесе
Поведенческие
Prepare examples where:
- Analyzed complex data
- Balanced speed vs accuracy
- Made decision under uncertainty
- Dealt with stakeholders
Технические
- SQL with explain
- Statistics mock interview
- ML fundamentals
- Case study
Уточняйте
«Это SQL с optimization или просто написать query?». Senior differentiator.
Зарплаты (Москва, 2026)
- Junior: 80-150k ₽
- Middle: 150-250k ₽
- Senior: 250-400k ₽
- Lead: 400-600k ₽
- Head of analytics: 600k-1M+ ₽
Часто + premium. Plus bonus компонент.
Связанные темы
FAQ
Можно без банковского опыта?
Да. Product / tech backgrounds welcomed.
ML обязателен?
Зависит от role. Data analyst — optional. Data scientist — yes.
Culture как в банках?
От modern (Тинькофф) до corporate (госбанки). Varies.
Тренируйте SQL и статистику — откройте тренажёр с 1500+ вопросами для собесов.