Собеседование на Data Scientist в Альфа-Банке

Почему Альфа — особенный работодатель для DS

Альфа-Банк — один из крупнейших частных банков РФ. DS-команда работает над скорингом, антифродом, AML monitoring, NLP для саппорта, рекомендациями продуктов, маркетинг-аналитикой. Альфа считается одним из самых технологичных банков в РФ, культура engineering-driven.

Стек: Python + scikit-learn + LightGBM + PyTorch + Spark + Hadoop + Greenplum + MLflow. Compliance критичен: explainability, audit trail, regulatory approval.

Актуальные вакансии — на career.alfabank.ru.

Этапы собеседования

1. HR-скрининг (30-45 минут)

Знакомство:

• Опыт ML, особенно в банке
• Стек: sklearn / LightGBM / PyTorch / Spark
• Compliance background

Питч 90 секунд: задача, данные, модель, метрика, impact.

2. ML теория (60-90 минут)

• Классика: bias-variance, регуляризация
• Бустинги (XGBoost, CatBoost, LightGBM)
• Метрики: ROC AUC, KS, precision/recall
• Скоринговые метрики: GINI, lift, PSI

Подготовка: ML-теория, классическая ML.

3. Python + SQL (60-90 минут)

Live coding.

• Pandas / numpy / sklearn
• SQL window functions
• Алгоритмы medium

Подготовка: Python для DS.

4. ML System Design (60-90 минут)

Кейсы:

• Кредитный скоринг (PD, EAD, LGD)
• Антифрод реал-тайм
• AML monitoring
• Customer LTV / churn

Подготовка: ML system design, feature engineering.

5. Поведенческое (45-60 минут)

Альфа ценит инициативу и engineering. STAR: cross-team, ML in production, ownership.

Особенности по командам

Розница: скоринг кредитов и карт.

Антифрод: real-time, low-latency.

AML: transaction monitoring.

Корпоратив: B2B скоринг.

Marketing Analytics: attribution, retention, CRM.

Что Альфа ценит в DS

• ML фундамент. Бустинги, метрики.
• Banking domain. PD/EAD/LGD/GINI знать.
• Explainability. SHAP, LIME для скоринга — must.
• Compliance. AML / PII / 152-ФЗ.
• Engineering culture. Code review, тесты, deployment.

Как готовиться: план

За 4-6 недель:

1. Неделя 1-2 — ML теория + scoring. ML-теория.
2. Неделя 3 — Python + SQL. Python для DS.
3. Неделя 4 — System design. Banking ML. ML system design.
4. Неделя 5 — Compliance + explainability.
5. Неделя 6 — Mocks + behavioral.

Частые ошибки

• Без banking domain. PD / EAD / LGD — must.
• «У меня XGBoost — лучший». Без обоснования.
• Игнор explainability. В банке для скоринга — must.
• Игнор compliance.
• Слабый SQL.

Связанные темы

• Собеседование на Data Scientist
• ML-теория на собесе DS
• Классическая ML на собесе
• ML system design
• Python для DS
• Feature engineering

FAQ

Удалёнка в Альфе для DS?

Гибрид часто.

Зарплатные вилки 2026?

Middle DS: 280-400k. Senior: 400-620k.

Английский нужен?

Не обязателен.

Сколько этапов?

4-5 этапов, 2-3 недели.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера.