Собеседование на Data Scientist в 1C Game Studios

Почему 1C Game Studios — особенный работодатель для DS

1C Game Studios — игровое подразделение 1C, известное по проектам в сегменте hard-core и military simulators, включая Il-2 Sturmovik и другие PC- и console-проекты. Это редкий для RU-рынка игровой работодатель с фокусом на не-казуальные жанры: симуляторы, тактические игры, нишевые проекты с долгим циклом релизов. Размер DS-команды компактнее, чем у mobile-гигантов, но задачи разнообразнее: от продуктовой аналитики до моделей оценки баланса игры и до экономики виртуальной валюты.

ML-домены: retention prediction (особенно D30/D90 для PC-аудитории с длинными сессиями), engagement-метрики и churn, прогноз LTV для разовых покупок (PC-релизы) и подписочной модели, антифрод в платежах и virtual economy, балансировка геймплея через статистику матчей, моделирование экономики (как ML-инструмент для дизайнеров), сегментация игроков. Стек — Python (pandas, scikit-learn, CatBoost), PostgreSQL / ClickHouse, Airflow, Jupyter, R для отдельных аналитических задач, MLflow, внутренняя A/B-инфраструктура.

Актуальные вакансии — на hh.ru и сайте 1C Game Studios.

Этапы собеседования

Цикл занимает 3–5 недель и включает 4–5 этапов. Процесс менее формализован, чем у mobile-гигантов (Playrix / Pixonic): меньше формальных секций, но глубже разговор по продукту и стилю работы.

1. HR-скрининг (30–45 минут)

Рекрутер проверяет фон: production-опыт DS / аналитики (минимум 1.5–2 года), причины ухода, ожидания, готовность работать с PC / hard-core-аудиторией (она сильно отличается от casual-mobile). Опыт работы с играми желателен, но не обязателен — сильный продуктовый DS из e-commerce или финтеха тоже подходит. Питч 60–90 секунд: ключевые модели в проде, эффект на метрику.

2. Тестовое задание (3–7 дней)

Чаще всего — практическое задание на данных, имитирующих игровую телеметрию: посчитать retention-кривые по когортам, найти аномалии в платежах, построить модель churn или LTV. Сдача — Jupyter Notebook + краткое сопроводительное письмо с интерпретацией. Сильное тестовое: чистая структура, обоснованный выбор метрики, честная валидация на временных отрезках, бизнес-интерпретация в конце.

3. ML / DS-теория (60–90 минут)

С senior DS из команды. Темы: классическая ML (бустинги, регуляризация, метрики classification и regression), время-зависимая валидация (важно — игровые данные сильно временно-зависимы), обработка несбалансированных классов, survival-анализ, статистические тесты (t-test, U-Манн-Уитни, χ²), интерпретация feature importance и SHAP. Готовься объяснять выбор между MAE и RMSE для разных бизнес-задач.

Подготовка: Классическая ML на собесе, Метрики модели.

4. SQL + Python (60–90 минут)

Live-кодинг: 2–3 SQL-задачи по игровым данным (когортный retention, ratio-метрики, оконные функции), затем 1–2 Python-задачи на pandas или алгоритмическую логику. SQL обычно сложнее, чем у mobile-студий — есть запросы с recursive CTE, lateral joins, сложными агрегациями. Готовься: оконки (RANK, LAG, LEAD), GROUP BY с фильтрами, JOIN на длинных лог-таблицах, EXPLAIN ANALYZE.

Подготовка: SQL-собес, Live-coding.

5. A/B + продуктовая секция (60–90 минут)

Спрашивают: дизайн эксперимента, sample size, ratio-метрики, peeking, что делать с null-результатом. Продуктовая часть: как ты бы измерил эффект балансовой правки в симуляторе, как оценить экономику новой техники в Il-2, как сегментировать платящих в PC-игре vs mobile. Сильные ответы — где видна разница между PC и mobile-аудиторией (длинные сессии, меньшая частота, более глубокое погружение).

Подготовка: A/B и causal inference.

6. Поведенческое (30–45 минут)

С тимлидом и менеджером. STAR-формат: конфликт, факап, инициатива. Часто разговор уходит в продукт и стиль работы — компании важно, что ты не «модельщик», а человек, готовый идти в продукт.

Особенности по командам

Live-game analytics. DS, прикреплённый к конкретному релизу или линейке (например, к Il-2 Sturmovik). Полный цикл: retention, engagement, монетизация, балансировка через статистику матчей. Тесная связка с гейм-дизайнерами и продюсерами. Подойдёт DS, который любит глубоко погружаться в один продукт и видеть эффект своих моделей в проде.

Marketing & UA. Меньше команда: attribution, прогноз ROI кампаний, оптимизация креативов, прогноз LTV для performance-маркетинга. Тесная связка с UA-менеджерами. Подойдёт DS с background в performance-маркетинге.

Anti-fraud & integrity. Платежи, мульти-аккаунты, попытки эксплойта в виртуальной экономике. Mix классики (isolation forest, бустинги) с правилами. В отличие от mobile-F2P, где fraud в основном про IAP, в PC-играх добавляется fraud вокруг ключей и продажи аккаунтов.

Cross-product analytics & R&D. Горизонтальная команда, поддерживающая всю линейку: построение общих фреймворков, исследование новых ML-подходов, поддержка стандартизированной аналитики и A/B-инфраструктуры. Сюда чаще берут senior DS с опытом построения процессов. В команде встречаются задачи на разработку внутренних библиотек, методологию измерения retention в гибридных играх (PC + console) и стандарты валидации моделей. Подойдёт DS, который любит инфраструктурную работу и хочет влиять на то, как принимаются решения по всему портфелю, а не только в одном продукте.

Game economy & balance. Узкая, но очень характерная команда: ML и статистика для балансировки экономики игры, моделирование поведения игроков под изменения параметров (например, новой техники в Il-2), симуляция сценариев перед раскаткой в прод. Тесная связка с гейм-дизайнерами. Подойдёт DS с любовью к симуляциям, OR / operations research или эконометрике.

Что 1C Game Studios ценит в DS

Глубокое продуктовое мышление. Studios работает с нишевыми жанрами и hard-core-аудиторией — DS обязан понимать продукт глубоко. Слабый кандидат на вопрос «что бы ты улучшил в Il-2» отвечает абстрактно. Сильный — с конкретикой по сегментам, ивентам и механикам.

Цифры в кейсах. Weak: «работал над retention-моделями». Strong: «обучил CatBoost на 2 млн юзеров, time-based валидация, в A/B на 25% трафика за 30 дней +0.8pp D30-retention, p = 0.02, после раскатки эффект сохранился; бизнес-эффект — около $X в квартал». Цифры обязательны.

Самостоятельность. Компактная команда — DS должен брать задачу с минимальным брифом и доводить до результата. На собесе проверяют готовность принимать решения без полного контекста.

Аккуратность с данными. PC-релизы — это длинные циклы, ошибка в модели может стоить дорого. Кандидат, у которого notebook чистый, валидация продумана и интерпретация прозрачна, сильно выделяется.

Готовность учить продукт. Если ты не играл в симуляторы — это нормально, но готовься потратить пару часов на знакомство до собеса.

Как готовиться: план

Минимум 5–7 недель. Неделя 1–2: ML-теория (классика, метрики, регуляризация, survival). Неделя 3: LeetCode + pandas (40–50 задач). Неделя 4: SQL глубже — оконные функции, recursive CTE, complex JOINs. Неделя 5: A/B-теория, расчёт MDE, ratio-метрики. Неделя 6: продуктовая часть — почитай блог 1C Game Studios, поиграй 2–3 часа в Il-2 или другой их проект, продумай 2–3 истории по STAR. Неделя 7: тестовое задание (если получишь), мок-интервью.

Для тренировки реальных вопросов с собесов в DS бери Карьерник: 1500+ задач по SQL, Python, статистике, A/B-тестам и ML, разбиты по темам и сложности.

Частые ошибки

Первая — копировать паттерны mobile-аналитики в PC. PC-аудитория сильно другая: длинные сессии, меньшая частота, лояльность к франшизе важнее, чем CTR-оптимизация. Если ты на собесе предлагаешь «давайте измерять D1-retention», это сигнал, что ты не понимаешь продукт.

Вторая — слабый SQL. PC-данные часто хранятся в больших табличных DWH (PostgreSQL / ClickHouse), запросы получаются сложными. Если ты не уверен в оконных функциях и сложных JOIN-ах, секция SQL завалится.

Третья — отсутствие интереса к продукту. На вопрос «во что играешь» нет смысла врать, что играешь в симуляторы, если не играешь. Лучше честно сказать «я больше про casual, но изучу перед погружением в команду».

Четвёртая — слабая бизнес-интерпретация в тестовом задании. Модель сама по себе — не аргумент. Что меняется в продукте, в выручке, в действиях команды — вот что читают.

Связанные темы

• Собеседование на Data Scientist в Playrix
• Собеседование на Data Scientist в Belka Games
• Собеседование на ML Engineer в 1C Game Studios
• Собеседование на Data Scientist — гайд

FAQ

Сколько этапов в собесе DS в 1C Game Studios?

4–5 этапов: HR-скрининг, тестовое задание, ML-теория, SQL + Python live-coding, A/B + продуктовая секция, поведенческое. Цикл — 3–5 недель.

Нужен ли опыт именно в PC / симуляторах?

Не обязателен. Сильный продуктовый DS из любого направления подойдёт, если есть опыт A/B-экспериментов и продакшен-моделей. Но готовность погрузиться в специфику hard-core-аудитории — must.

Тестовое задание сложное?

Среднее — на 3–7 дней с реальными данными по играм. Главное — структурированность и бизнес-интерпретация, не «голая» метрика.

Какой английский нужен?

B1–B2 минимум. Документация и часть инструментов могут быть на английском.

Сколько платят DS в 1C Game Studios?

Зависит от грейда. Для middle DS — на уровне tech-компаний РФ, для senior — выше. Конкуренция за сильных кандидатов есть с Playrix, Pixonic, Belka Games, My.Games / Astrum.