Собеседование аналитика в Газпромбанк

О компании

Газпромбанк — один из топ-5 банков России. Retail, corporate, private banking. Более 500 branches.

Аналитические команды работают на:

• Retail (cards, loans, deposits)
• Corporate (credit analysis, M&A support)
• Risk management
• Digital (mobile app, website)

Процесс собеседования

Typical 3-4 rounds:

1. HR screening
2. Technical — SQL + statistics
3. Case study
4. Final с руководителем

Stable corporate process — 1-1.5 месяца.

Стек

• SQL: Oracle, PostgreSQL
• Python: pandas, sklearn (credit scoring)
• BI: SAP, Power BI, Tableau
• ETL: Informatica, собственные tools
• Big data: Hadoop, Spark (для risk / ML)

More legacy чем в Tinkoff. Но stable.

Technical questions

SQL

Middle уровень. Examples:

Q1: «Active carding users по месяцам».

SELECT
    DATE_TRUNC('month', transaction_date) AS month,
    COUNT(DISTINCT user_id) AS active_users
FROM card_transactions
WHERE transaction_date >= '2026-01-01'
GROUP BY 1;

Q2: «Topn-10 branches по deposits».

SELECT branch_id, SUM(deposit_amount) AS total
FROM deposits
WHERE status = 'active'
GROUP BY 1
ORDER BY total DESC LIMIT 10;

Q3: «Credit portfolio NPL rate».

SELECT
    COUNT(CASE WHEN days_past_due > 90 THEN 1 END) * 1.0 /
    COUNT(*) AS npl_rate
FROM credit_portfolio
WHERE status = 'active';

NPL = non-performing loans. Важная metric.

Statistics

• Credit scoring metrics (Gini, KS statistic)
• Hypothesis testing
• Basic regression

Python

• pandas data manipulation
• Credit scoring с sklearn (LogisticRegression)

Case questions

1. Credit scoring

«Строим модель для personal loans. Какие features?»

Features:

• Demographics (age, income, education, family status)
• Credit history
• Product usage (current deposits, cards)
• Behavioral (transactions, mobile app usage)

Metric: AUC, Gini.

2. NPL analysis

«NPL rate в сегменте car loans вырос на 2%. Почему?»

• Segment (age, income, region)
• Vintage (newer originations vs old)
• External factors (economy, car market)
• Policy changes

3. Cross-sell

«Как увеличить % клиентов с 2+ продуктами?»

• Current state analysis
• Target segment
• Product combinations highest conversion
• Channel, timing

Industry specifics

Banking terms

• NPL — non-performing loans (> 90 days past due)
• LGD — loss given default
• PD — probability of default
• LTV — loan to value
• DTI — debt to income
• COF — cost of funds
• NII — net interest income

Regulatory

• ЦБ требования
• 115-ФЗ (AML)
• Credit history bureau (БКИ)

Специфика Газпромбанк

Corporate-heavy

В отличие от Tinkoff (retail-only), Газпромбанк — hybrid. Corporate analytics — unique niche.

Enterprise processes

Меньше startup culture, больше process.

Stable

Non-volatile compared to fintech.

Зарплаты

• Junior: 90-140k ₽
• Middle: 150-230k ₽
• Senior: 230-320k ₽

Plus bonuses (yearly, often 10-20% base). Корпоративный соцпакет.

Как подготовиться

SQL

Middle уровень. 50 вопросов SQL.

Python + sklearn

Credit scoring modeling. Логистическая регрессия.

Statistics

AUC, Gini, KS. AUC-ROC.

Banking domain

• Reading CBR ежегодный отчёт
• Understanding products
• Risk metrics basics

Связанные темы

• Как пройти в финтех
• Собеседование в ВТБ
• Собеседование в Альфа-Банк
• Собеседование в Сбер
• Собеседование в Совкомбанк

FAQ

Тяжелее, чем Тинькофф?

SQL средний, но больше domain-specific knowledge expected.

Remote?

Гибрид. Core office Moscow.

Без banking опыта возможно?

Yes для retail. Corporate — часто требуется background.

---

Готовьтесь — откройте тренажёр с 1500+ вопросами для собесов.