Собеседование на Data Scientist в Flowwow

Почему Flowwow — особенный работодатель для DS

Flowwow — маркетплейс подарков: цветы, торты, шары, наборы. Для дата-сайентиста здесь две яркие особенности. Первая — событийный спрос: продажи не размазаны по году ровно, а взрываются к 8 Марта, 14 февраля, Дню матери и другим праздникам. Модель, обученная на «среднем дне», в эти пики промахивается, поэтому DS в Flowwow постоянно живёт с сезонностью и календарными эффектами. Вторая — скоропортящийся товар с обещанием по времени: букет нужно довезти к конкретному часу, и это делает точный прогноз ETA (времени доставки) не приятным дополнением, а частью продукта.

Основные DS-направления: рекомендательные системы (что подарить), прогноз спроса под праздники, оценка ETA, классификация и разметка ассортимента, детекция мошеннических платежей. Как и на любом маркетплейсе, здесь важно двустороннее мышление: у площадки есть покупатели и магазины, и решение, хорошее для одной стороны, может быть плохим для другой. Подробнее о вакансиях — на странице карьеры Flowwow.

Этапы собеседования

Собеседование на DS в Flowwow обычно проходит в 5 этапов и близко к типовому DS-циклу в e-commerce: знакомство, SQL и Python, ML-теория, доменный кейс и поведенческое интервью.

1. Скрининг с рекрутером (30–40 минут)

Знакомство: опыт, ключевые проекты, мотивация идти в маркетплейс подарков. Уточняют, в какое направление вы метите — рекомендации, прогнозирование или антифрод, — и рассказывают про формат. Полезно заранее подготовить питч на 90 секунд с измеримым результатом ваших проектов.

2. SQL и Python (45–60 минут)

Живое кодирование. По SQL — агрегаты, JOIN, оконные функции, расчёт метрик маркетплейса вроде среднего чека, конверсии и повторных заказов. По Python — работа с pandas и алгоритмические задачи уровня LeetCode Easy/Medium. Уровень SQL — уверенный middle: DS здесь часто собирает аналитику сам.

3. ML-теория (60–90 минут)

Стандартный набор: линейные модели, градиентный бустинг, метрики классификации и регрессии, кросс-валидация, переобучение. С учётом домена дополнительно спрашивают про временные ряды (как прогнозировать спрос с сезонностью), рекомендательные системы (коллаборативная фильтрация, эмбеддинги, холодный старт) и метрики прогноза — какую выбрать и где она ломается.

4. Доменный кейс / ML system design (60–90 минут)

Разбор реальной задачи вслух: как бы вы спрогнозировали спрос к 8 Марта или спроектировали рекомендации подарков. Ждут весь путь — постановка метрики, фичи, модель, онлайн-проверка через A/B. Хороший ответ учитывает специфику Flowwow: сезонные пики, холодный старт нового товара и магазина, двусторонность площадки и то, что букет нельзя «дозаказать завтра».

5. Поведенческое и финал (45–60 минут)

Интервью по методу STAR: как вы работали в кросс-функциональной команде, что делали при неподтвердившейся гипотезе, как приоритизировали задачи. Финал может вести руководитель направления — здесь смотрят на продуктовую зрелость и совпадение по ценностям.

Что Flowwow ценит в DS

• Рекомендательные системы. Умение рекомендовать подарок с учётом повода и получателя и решать холодный старт нового товара и магазина.
• Временные ряды. Прогноз спроса с сезонностью и календарными пиками — ядро планирования на маркетплейсе подарков.
• Классический ML. Бустинг, линейные модели, честная работа с метриками. Крепкая база важнее экзотики.
• Мышление маркетплейса. Понимание двусторонней площадки: интересы покупателей и магазинов конфликтуют, и решение нужно балансировать.
• A/B-мышление. Любая модель проверяется экспериментом на реальных пользователях, а не только офлайн-метрикой.

Типичные задачи и кейсы

• «Рекомендации подарков». Как порекомендовать букет или торт под повод и получателя, а не «купи то же самое ещё раз».
• «Прогноз спроса в праздники». Как спрогнозировать спрос к 8 Марта и 14 февраля с учётом сезонности и роста нагрузки в разы.
• «ETA подарка». Как оценить время доставки, чтобы обещание клиенту было реалистичным, а не оптимистичным.
• «Классификация ассортимента». Как автоматически размечать товары магазинов по категориям и атрибутам.
• «Детекция мошенничества». Как выявлять подозрительные платежи и заказы, не блокируя честных покупателей.

Как готовиться: план

1. Рекомендательные системы. Коллаборативная фильтрация, эмбеддинги, холодный старт. Эмбеддинги на собесе DS.
2. Временные ряды. Сезонность, календарные эффекты, выбор модели и метрики прогноза под праздничные пики.
3. Классический ML. Бустинг вглубь, метрики классификации и регрессии, честная валидация.
4. A/B на маркетплейсе. Метрики выручки и конверсии, двусторонние эффекты, длинные эффекты рекомендаций.
5. SQL. Уверенный middle: оконные функции, когорты, метрики маркетплейса. Подтянуть базу поможет тренажёр SQL.

Частые ошибки

• Игнорировать сезонность. Модель, обученная на «среднем дне», разваливается на праздничных пиках. Для маркетплейса подарков это критично.
• MAPE на нулях. Метрика MAPE взрывается, когда фактические продажи близки к нулю (например, у редкого товара в непиковый день). Нужно понимать это и брать более устойчивую метрику вроде WAPE или MAE.
• Слабый SQL. DS на маркетплейсе сам собирает аналитику по заказам. Плавать в JOIN и оконных функциях здесь нельзя.

Связанные темы

• Собеседование на DS в Я.Лавке
• Собеседование на DS в Я.Еде
• Собеседование на DS в Купер
• Embeddings на собесе DS
• Собеседование на PM в Flowwow

FAQ

Сколько этапов в собеседовании на DS в Flowwow?

Обычно 5: скрининг с рекрутером, SQL/Python, ML-теория, доменный кейс и поведенческое интервью. Весь цикл занимает около 2–4 недель.

Нужен ли опыт с маркетплейсами?

Желателен, но не обязателен. Релевантен опыт с рекомендациями, прогнозом спроса или антифродом. Специфику маркетплейса подарков — сезонность и двусторонность — можно подтянуть, если сильна ML-база.

Какой уровень SQL ждут?

Уверенный middle: JOIN, агрегаты, оконные функции, когорты и метрики маркетплейса вроде среднего чека и повторных заказов. DS здесь часто собирает данные сам.

Как объяснить выбор метрики для прогноза спроса?

Проговорите, где ломается MAPE (близкие к нулю продажи редких товаров), и предложите устойчивую альтернативу — WAPE или MAE. Свяжите выбор метрики с бизнес-целью: недопрогноз и перепрогноз стоят по-разному.

Это официальная информация?

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

Тренируйте задачи для DS-собеса — откройте тренажёр с 1500+ вопросами по SQL, статистике и ML.