Собеседование на Data Scientist в Банки.ру

Почему Банки.ру — особенный работодатель для DS

Банки.ру — крупнейший финансовый агрегатор Рунета: пользователи сравнивают вклады, кредиты, карты и страховки, читают отзывы и оставляют заявки, а платформа зарабатывает на лидах для банков и страховых. Для Data Scientist это лид-бизнес: главная бизнес-задача — предсказать, у какого пользователя заявка дойдёт до одобрения и выдачи, потому что именно за качественный лид платит банк-партнёр.

Отсюда два основных направления работы DS. Первое — lead scoring: оценка вероятности, что заявка конвертируется в одобрение, чтобы показывать пользователю релевантные продукты, а партнёрам отдавать целевой трафик. Второе — NLP отзывов о банках и продуктах: тональность, тематики, выделение проблем, борьба с накрученными и фейковыми отзывами. Поверх этого — классификация финансовых продуктов и прогноз конверсии в воронке. Актуальные вакансии и формат процесса стоит смотреть на странице карьеры Банки.ру.

Этапы собеседования

Стандартный DS-процесс из 4–5 этапов. Порядок и число раундов зависят от команды и грейда, но набор блоков типовой.

1. Скрининг с HR (30 минут)

Знакомство: над какими задачами работали, почему интересен финтех и лид-бизнес, грейд и вилка. Стоит заранее подготовить короткий питч — какой продукт делали, на каких 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 заявок, собрать воронку от клика до одобрения, найти сегменты пользователей. Проверяют не олимпиадные алгоритмы, а чистый рабочий код и умение достать данные.

3. ML-теория (60–90 минут)

Классический ML: логистическая регрессия, градиентный бустинг, деревья, метрики классификации при сильном дисбалансе классов (одобрений заметно меньше отказов), калибровка вероятностей, кросс-валидация, регуляризация. Плюс базовый NLP: как из текста отзыва получить признаки и тональность.

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

Кейс по задачам платформы: «спроектируй модель lead scoring», «как измерять качество лида для банка-партнёра», «как анализировать поток отзывов». Ждут, что вы обозначите данные, признаки, целевую метрику, работу с дисбалансом и то, как модель влияет на бизнес, а не только назовёте алгоритм.

5. A/B-тесты и поведенческое интервью (45–60 минут)

Как проверить, что новая скоринг-модель или изменение в подборе продуктов реально повышает конверсию и качество лидов. Плюс STAR-истории: конфликт по метрике, спорное решение, самый заметный по влиянию проект.

Что Банки.ру ценит в DS

• Классический ML. Основной инструмент для скоринга — градиентный бустинг и логрег на табличных данных; важнее уверенно владеть ими и метриками, чем знать модные архитектуры.
• Базовый NLP. Отзывы о банках — большой текстовый массив: тональность, тематики, поиск фейков. Нужно уметь превратить текст в признаки и метрику.
• Понимание lead scoring. Ключевая для бизнеса модель: оценить вероятность одобрения и объяснить, почему выбранная метрика отражает деньги, а не только точность.
• Аналитика и SQL. Уверенный SQL, чтобы самостоятельно считать конверсию, собирать воронки и проверять гипотезы по данным.
• A/B-мышление. Любое изменение в подборе продуктов или скоринге нужно уметь проверить экспериментом и корректно оценить эффект на конверсию.

Типичные задачи и кейсы

• Lead scoring. Оценить вероятность, что заявка пользователя будет одобрена банком, чтобы показывать релевантные продукты и отдавать партнёрам целевой трафик.
• NLP-анализ отзывов. Определить тональность и темы отзывов о банках, выделить проблемные продукты, отсечь накрутку.
• Классификация банковских продуктов. Автоматически разложить продукты и заявки по категориям для корректного подбора и аналитики.
• Прогноз конверсии. Предсказать, дойдёт ли пользователь от клика до заявки и до одобрения, чтобы оптимизировать воронку.
• Рекомендации продуктов. Подобрать пользователю подходящие карты, кредиты или вклады с учётом его профиля и вероятности одобрения.

Как готовиться: план

1. Классический ML. Бустинг, логрег, работа с дисбалансом классов, калибровка вероятностей, метрики для скоринга.
2. Базовый NLP. Классификация текста и тональность на русскоязычных отзывах.
3. Lead scoring. Как устроена задача, какие признаки, как связать метрику модели с деньгами партнёра.
4. A/B-тесты. Планирование эксперимента, выбор метрик конверсии, оценка значимости.
5. SQL. Уверенный middle: агрегации, оконные функции, воронки, конверсии.

Частые ошибки

• Слабый SQL. Без самостоятельного доступа к данным DS не может ни собрать выборку, ни проверить гипотезу — заворачивают даже сильных по ML.
• NLP без учёта домена. Тональность и темы отзывов о банках имеют финансовую специфику: игнорировать её — значит получать метрику, оторванную от реальных проблем продукта.
• Игнорировать метрику качества лида. Скоринг здесь оптимизирует не абстрактную точность, а ценность лида для партнёра; кандидат, который не связывает модель с деньгами, выглядит слабо.

Связанные темы

• Собеседование на DS в HH
• Собеседование на DS в Альфа-Банке
• Embeddings на собесе DS
• Accuracy vs F1
• Собеседование на PM в Банки.ру

FAQ

Сколько этапов на собесе DS в Банки.ру?

Обычно 4–5: скрининг с HR, live-coding, ML-теория, доменный кейс и блок про A/B с поведенческим интервью. Точное число зависит от команды и грейда.

Нужен ли опыт в финтехе?

Желателен, но не обязателен. С сильной базой по классическому ML и NLP специфику лид-бизнеса и финансовых продуктов можно освоить за пару недель до собеса.

Что важнее — ML или NLP?

Основа — классический ML для скоринга; NLP отзывов идёт как второе крупное направление. Идеально показать и то, и другое, но провал по табличному ML критичнее.

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.