Собеседование на Data Scientist в AliExpress Россия

Почему AliExpress Россия — особенный работодатель для DS

AliExpress Россия — маркетплейс с двумя частями: cross-border (товары из-за рубежа, прежде всего из Китая) и локальной (российские продавцы и склады). Для Data Scientist это означает работу на пересечении классических задач маркетплейса и специфики трансграничной торговли: длинные и непредсказуемые сроки доставки, огромный и многоязычный каталог, продавцы разного уровня доверия.

DS здесь занимается рекомендациями (что показать пользователю в выдаче и на карточке), антифродом (выявление мошеннических заказов, аккаунтов и продавцов), классификацией ассортимента (разложить миллионы карточек по категориям), прогнозом сроков доставки и скорингом продавцов. Главная особенность — сочетание cross-border и локального маркетплейса: модель, обученная на локальных заказах, может ошибаться на трансграничных, где логистика и поведение пользователей другие. На собесе ценят понимание этой специфики. Актуальные вакансии и формат процесса стоит смотреть на странице карьеры AliExpress Россия.

Этапы собеседования

Для маркетплейса такого масштаба процесс обычно длиннее среднего — 5–6 этапов. Порядок и число раундов зависят от команды и грейда, но набор блоков стандартный.

1. Скрининг с HR (30 минут)

Знакомство: над какими задачами работали, почему интересен маркетплейс, грейд и вилка. Полезно заранее подготовить питч на 90 секунд — какой продукт делали, на каких объёмах данных, какой вклад в метрику внесли.

2. Live-coding: Python и SQL (60 минут)

Задача уровня LeetCode Easy-Medium на Python и запрос на SQL: посчитать конверсию по категориям, собрать воронку от показа до заказа, найти топ товаров или продавцов. Проверяют чистый рабочий код и умение достать данные, а не олимпиадные алгоритмы.

3. ML-теория (60–90 минут)

Классический ML и рекомендации: логрег, бустинг, деревья, метрики классификации и ранжирования, кросс-валидация, регуляризация. Для маркетплейса отдельный акцент на рекомендательных системах: контентные и коллаборативные подходы, эмбеддинги товаров, ранжирование выдачи.

4. ML System Design / доменный кейс (60–90 минут)

Проектирование системы под задачу платформы: «спроектируй рекомендации на главной», «как ловить фрод в заказах», «как прогнозировать срок доставки cross-border». Ждут, что вы обозначите данные, признаки, модель, метрики, онлайн-инференс на большом объёме и то, как решение раскатывается в продакшн.

5. A/B-тесты (45–60 минут)

Как проверять гипотезы на маркетплейсе: метрики (конверсия, GMV, retention), эффекты на продавцов и покупателей, ложные срабатывания, сетевые эффекты в двустороннем рынке.

6. Поведенческое интервью и фит (45–60 минут)

STAR-истории: конфликт с продактом по метрике, спорное решение в неопределённости, самый заметный по влиянию проект и работа в кросс-функциональной команде.

Что AliExpress Россия ценит в DS

• Опыт в рекомендательных системах. Ранжирование выдачи и карточки — ядро маркетплейса; нужно уметь объяснить контентные и коллаборативные подходы и как измерять качество рекомендаций.
• Классический ML. Бустинг и логрег на табличных данных — рабочая лошадка для антифрода, скоринга и прогнозов; важнее уверенно ими владеть, чем знать модные архитектуры.
• Базовый NLP. Каталог многоязычный: перевод и классификация названий и описаний товаров, поиск дубликатов — частая задача.
• Мышление маркетплейса. Понимание двустороннего рынка: решения влияют и на покупателей, и на продавцов, а оптимизация одной метрики может ломать другую.
• A/B-мышление. Любую гипотезу нужно уметь проверить экспериментом и корректно оценить эффект на конверсию и GMV.

Типичные задачи и кейсы

• Рекомендации в маркетплейсе. Что показать пользователю в выдаче, на главной и в блоке «похожие», как учитывать цену, рейтинг продавца и вероятность заказа.
• Антифрод. Выявление мошеннических заказов, аккаунтов и продавцов при огромном потоке транзакций и заранее оговорённом балансе точности и полноты.
• Классификация ассортимента. Автоматически разложить миллионы карточек по категориям и атрибутам для корректной выдачи и аналитики.
• Прогноз сроков доставки cross-border. Предсказать реальный срок доставки трансграничного заказа с учётом логистики и таможни, чтобы не завышать ожидания покупателя.
• Скоринг продавцов. Оценить надёжность продавца по истории заказов, отзывам и жалобам, чтобы ранжировать выдачу и управлять рисками.

Как готовиться: план

1. Рекомендательные системы. Контентные и коллаборативные подходы, ранжирование выдачи, эмбеддинги товаров, метрики качества.
2. NLP. Классификация и перевод названий и описаний, работа с многоязычным и шумным каталогом.
3. Классический ML. Бустинг, логрег, работа с дисбалансом классов, метрики для антифрода и скоринга.
4. A/B-тесты. Планирование эксперимента на двустороннем рынке, выбор метрик, оценка значимости.
5. SQL. Уверенный middle: агрегации, оконные функции, воронки и метрики маркетплейса.

Частые ошибки

• Слабый SQL. Без самостоятельного доступа к данным DS не автономен: посчитать конверсию, собрать выборку, проверить гипотезу — всё это на SQL, и на этом заворачивают даже сильных по ML.
• Оценивать рекомендации по одной AUC. Качество выдачи не сводится к метрике классификации: нужны ранжирующие метрики и понимание, что оптимизируем — клики, заказы или GMV.
• Игнорировать cross-border. Модель и метрики, которые хорошо работают на локальных заказах, могут ошибаться на трансграничных из-за другой логистики и поведения; не учитывать это — типичный провал на кейсе.

Связанные темы

• Собеседование на DS в Ozon
• Собеседование на DS в Avito
• Embeddings на собесе DS
• Ranking метрики (NDCG)
• Собеседование на PM в AliExpress

FAQ

Сколько этапов на собесе DS в AliExpress?

Обычно 5–6: скрининг с HR, live-coding, ML-теория, доменный кейс или system design, блок про A/B и поведенческое интервью. Точное число зависит от команды и грейда.

Нужен ли опыт в маркетплейсах?

Желателен, но не обязателен. С сильной базой по рекомендациям и классическому ML специфику маркетплейса и cross-border можно освоить за пару недель до собеса.

Насколько важны рекомендательные системы?

Очень: ранжирование выдачи и карточки — ядро продукта. Глубже всего копают именно рекомендации, поэтому стоит уметь говорить про ранжирование, эмбеддинги и метрики качества выдачи.

Какой уровень SQL ожидают?

Middle: агрегации, JOIN, оконные функции, умение самостоятельно посчитать конверсию и собрать воронку. SQL проверяют почти на каждом продуктовом DS-собесе.

Это официальная информация?

Нет. Этапы основаны на публичных источниках и опыте кандидатов. Точный процесс уточняйте у рекрутера.