Собеседование на Data Scientist в Ситилинк

Почему Ситилинк — особенный работодатель для DS

Ситилинк — крупный ритейлер электроники и техники. Для Data Scientist это специфический ритейл, непохожий на продуктовый: высокий средний чек (AOV), «обдуманные» покупки (ноутбук или холодильник выбирают неделями, а не кладут в корзину импульсивно), большой B2B-сегмент (компании закупают технику партиями) и ассортимент, который быстро устаревает — новые модели выходят постоянно, старые снимают с продажи.

Основные ML-домены: рекомендательная система (recsys) по электронике, прогноз спроса по SKU, скоринг B2B-клиентов, прогноз оттока (churn) в программе лояльности и cross-sell аксессуаров. Стек классический для ритейла: Python, градиентный бустинг (CatBoost/LightGBM) для табличных задач, методы прогноза временных рядов, инструменты для recsys. Глубокого обучения немного — здесь выигрывает табличка и понимание бизнеса.

Что делает эту работу особенной. Во-первых, cold start в recsys стоит остро: электроника постоянно обновляется, у новой модели ноутбука нет истории продаж, а рекомендовать её надо. Во-вторых, длинный хвост SKU: большая часть позиций продаётся редко, поэтому прогноз спроса упирается в нули — а на нулях многие метрики просто ломаются. В-третьих, B2B-сегмент требует отдельной логики: юрлицо ведёт себя не как розничный покупатель. Актуальные вакансии и детали процесса — на странице карьеры Ситилинк.

Этапы собеседования

Обычно 5 этапов, от первого звонка до оффера — 2–4 недели: скрининг, кодинг на SQL/Python, ML-теория, ML system design и финал. Процесс прагматичный, без сурового алгоритмического отсева. Ниже — что обычно спрашивают.

1. HR-скрининг (30–45 минут)

Рекрутер сверяет базу: production-опыт ML (желательно с табличными данными), знакомство с ритейл-контекстом, мотивацию и ожидания. Готовьте 90-секундный питч: какие модели выводили в прод и какой был эффект на бизнес-метрику. Опыт в e-commerce, ритейле или recsys — сильный сигнал, назовите его в первую минуту.

2. SQL и Python live coding (60 минут)

Живое кодирование. SQL — агрегаты, оконные функции, JOIN по большим фактическим таблицам (чеки, товары, клиенты). Python — структуры данных, работа с pandas, несложная логика. Уровень ниже, чем алгоритмический хардкор Яндекса: чаще практический кейс вроде «посчитай top-SKU по росту продаж неделя к неделе». Прорешайте задачи уровня Medium на оконные функции и JOIN.

3. ML-теория (60–90 минут)

Секция со старшим DS. Темы: градиентный бустинг (CatBoost/LightGBM — почему они для табличных задач, как обрабатывать категориальные признаки большой размерности), метрики классификации (ROC-AUC против PR-AUC при дисбалансе), временные ряды и прогноз спроса, основы рекомендательных систем (коллаборативная фильтрация, cold start, метрики recsys). Будьте готовы разобрать cold start: как рекомендовать новую модель товара без истории.

4. ML system design (60–90 минут)

Ключевая секция для middle+. Дают продуктовый кейс — например, «спроектируй recsys для электроники», «как прогнозировать спрос по SKU с длинным хвостом» или «как построить скоринг B2B-клиентов». Нужно: уточнить бизнес-метрику, описать данные, выбрать и обосновать модель, продумать пайплайн и переобучение, заложить A/B и мониторинг. Слабые ответы — где кандидат сразу строит одну огромную модель «на всё»; сильные — где видно понимание trade-off и специфики ритейла (cold start, длинный хвост, B2B).

5. Поведенческое + финал (45 минут)

Беседа с тимлидом. STAR-истории про инциденты в проде, работу с бизнес-заказчиками без ML-фона, будни DS (data quality, починка пайплайнов). Здесь же обсуждают формат работы и грейд.

Что Ситилинк ценит в DS

• Рекомендательные системы. Коллаборативная фильтрация, content-based подходы, метрики recsys и, главное, cold start — как рекомендовать новую электронику без истории продаж.
• Классический ML на табличке. CatBoost/LightGBM, feature engineering по чекам и клиентам, честная валидация. DL здесь вторичен.
• Прогноз временных рядов. Прогноз спроса по SKU, работа с сезонностью и длинным хвостом, понимание, почему метрики вроде MAPE ломаются на нулевых продажах.
• B2B-скоринг. Понимание, что юрлицо ведёт себя иначе, чем розница: другие признаки, другой цикл покупки, другая логика оттока.
• A/B-мышление. Умение проверить эффект модели экспериментом, а не только офлайн-метрикой.

Типичные задачи и кейсы

• Recsys электроники. Спроектировать рекомендации с учётом cold start (новые модели без истории) и «обдуманного» цикла покупки, где сессия длинная, а покупок мало.
• Прогноз спроса по SKU. Построить прогноз для ассортимента с длинным хвостом, где большая часть позиций продаётся редко, и корректно выбрать метрику качества.
• B2B-скоринг клиентов. Оценить вероятность и объём закупки юрлица: другие признаки и другой горизонт, чем в рознице.
• Churn в программе лояльности. Спрогнозировать отток участников лояльности и предложить, кого и как удерживать.
• Cross-sell аксессуаров. Предложить сопутствующие товары к основной покупке (чехол к телефону, кабель к монитору) и оценить прирост среднего чека.

Как готовиться: план

За 4–6 недель до собеса:

1. Неделя 1–2 — Recsys и cold start. Коллаборативная фильтрация, content-based и гибридные подходы, метрики (Recall@k, NDCG), стратегии cold start для нового товара. Разберите 2–3 кейса рекомендаций в ритейле.
2. Неделя 2–3 — Временные ряды. Прогноз спроса, сезонность, длинный хвост, выбор метрики (почему MAPE непригоден на нулях и чем его заменить — WAPE, MASE). Валидация рядов через rolling-origin, а не голый k-fold.
3. Неделя 3 — Классический ML. CatBoost/LightGBM, категориальные признаки, метрики классификации, честная валидация. Пройдитесь по базе ML на Карьернике: 1500+ задач по SQL, Python, статистике и ML по 15–20 минут в день.
4. Неделя 4 — SQL и Python coding. 20–30 SQL-задач на оконные функции и JOIN, 20–30 задач на pandas.
5. Неделя 5–6 — System design, mocks, behavioral. Прогоните кейсы (recsys, прогноз спроса, B2B-скоринг) по структуре бизнес → метрики → данные → модель → A/B → мониторинг. Мок-интервью и 5–6 STAR-историй.

Частые ошибки

Recsys без cold start. Кандидат проектирует рекомендации на чистой коллаборативной фильтрации и забывает, что в электронике постоянно появляются новые модели без истории продаж. Рекомендательная система, которая не умеет с ними работать, в ритейле техники нежизнеспособна — это первый вопрос интервьюера.

Слабый SQL. Уверенная ML-теория, но не может написать оконную функцию или JOIN по чекам. SQL здесь ежедневный инструмент, на нём проверяют самостоятельность.

MAPE на нулях. Кандидат меряет качество прогноза спроса через MAPE и не замечает, что на длинном хвосте SKU продажи часто нулевые — а MAPE делит на факт и на нулях уходит в бесконечность. Правильный сигнал — знать альтернативы (WAPE, MASE) и понимать, что overforecast и underforecast стоят разных денег.

Игнорировать B2B. Кандидат считает всех клиентов розницей и предлагает один скоринг на всех. Юрлицо покупает иначе: партиями, по своему циклу, с другими признаками. Без отдельной логики для B2B-сегмента ответ выглядит поверхностным.

Сложные модели на простых задачах. Предлагать нейросеть там, где CatBoost на 50 признаках даёт то же качество за долю компьюта, — минус. В ритейле ценят прагматизм: начать с простого и усложнять только при доказанной пользе.

Связанные темы

• Собеседование на DS в Магнит
• Собеседование на DS в Ozon
• Собеседование на DS в Спортмастере
• Embeddings на собесе DS
• Собеседование на PM в Ситилинк

FAQ

Сколько этапов?

Обычно 5: HR-скрининг, SQL/Python coding, ML-теория, ML system design, поведенческое и финал. Весь цикл — 2–4 недели. Число этапов отличается по командам и грейдам.

Нужен ли опыт в ритейле?

Не обязателен, но желателен. Опыт в e-commerce или ритейле помогает: вы уже понимаете SKU, ассортимент, средний чек и cross-sell. Без него ждут, что вы быстро войдёте в домен и не будете путать выручку с маржой.

Какой уровень SQL ждут?

Middle: уверенные оконные функции, JOIN, агрегаты по фактическим таблицам чеков и клиентов. Алгоритмический хардкор здесь не требуется, но базовый SQL нужен твёрдо.

Что спрашивают по recsys?

Основы коллаборативной фильтрации и content-based подходов, метрики (Recall@k, NDCG) и обязательно cold start — как рекомендовать новую модель товара без истории. Для ритейла электроники cold start критичен из-за постоянного обновления ассортимента.

Это официальная информация?

Нет. Этапы основаны на публичных источниках и опыте кандидатов. Конкретный формат зависит от команды и грейда — уточняйте у рекрутера.

Тренируйте Data Science — откройте тренажёр с 1500+ вопросами для собесов.