Собеседование на Data Scientist в Lamoda

Почему Lamoda — особенный работодатель для DS

Lamoda — крупнейший fashion e-com в СНГ. DS-команда работает с большими ML-направлениями: ranking поиска и каталога, рекомендации (catalog page, корзина, email), dynamic pricing, demand forecasting, returns prediction, fraud detection.

Стек: Python + scikit-learn + PyTorch + LightGBM + Spark + ClickHouse + MLflow. Команда DS активно интегрирована с продуктом и инженерами.

Актуальные вакансии — на career.lamoda.tech.

Этапы собеседования

1. HR-скрининг (30-45 минут)

Знакомство:

• Опыт ML, особенно в e-com / маркетплейс
• Стек: PyTorch / sklearn / LightGBM
• Motivation: fashion / e-com

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

2. ML теория (60-90 минут)

Темы:

• Классическая ML: bias-variance, регуляризация, бустинги
• Ranking metrics: NDCG, MAP, MRR
• Recommendation: collaborative filtering vs content-based
• A/B-тесты ML моделей

Подготовка: ML-теория на собесе DS, A/B-тесты для DS.

3. Python + SQL (60-90 минут)

Live coding.

• Pandas / NumPy для feature engineering
• SQL для аналитики и feature pipelines
• Алгоритмы medium

Подготовка: Python для DS, SQL-тренажёр.

4. ML System Design (60-90 минут)

E-com domain кейсы:

• Recommendation для catalog
• Ranking для search
• Dynamic pricing
• Demand forecasting

Подготовка: ML system design, feature engineering.

5. Командное + поведенческое (45-60 минут)

STAR-истории: кросс-командная работа с PM / engineers, trade-offs, поправленные модели в проде.

Особенности по командам

Search & Ranking: поиск каталога, фильтры, persona-driven ranking.

Recommendations: carousel-рекомендации, корзина, email, push.

Pricing & Promo: dynamic pricing, promo-optimization, demand sensitivity.

Demand Forecasting: прогноз продаж по SKU, fulfillment planning.

Returns / Fraud: prediction возвратов, fraud detection в платежах.

Что Lamoda ценит в DS

• Ranking / Recommendation опыт. Без этого тяжело в core.
• A/B-тесты. Знать как design + analyse.
• E-com domain знания. Sessions, conversion, AOV.
• Pragmatism. Простые модели + good features часто beats complex.
• Production mindset. Не только notebook, но и deployment.

Как готовиться: план

За 4-6 недель:

1. Неделя 1-2 — ML теория + Ranking. Бустинги, ranking metrics. ML-теория.
2. Неделя 3 — Python + SQL. Live coding, feature engineering. Python для DS.
3. Неделя 4 — System design. E-com кейсы. ML system design.
4. Неделя 5 — A/B + production. A/B-тесты для DS, feature engineering.
5. Неделя 6 — Mocks + behavioral.

Частые ошибки

• Без ranking опыта. Lamoda core — ranking. Без него тяжело.
• «У меня deep learning». Lamoda часто LightGBM + features beats deep. Pragmatism.
• Без A/B понимания. Спросят дизайн теста — придётся отвечать.
• Игнор e-com специфики. Не знаешь conversion, returns rate — слабая позиция.
• Без production deployment. Только эксперименты — спросят, что дальше.

Связанные темы

• Собеседование на Data Scientist
• ML-теория на собесе DS
• ML system design
• Feature engineering
• A/B-тесты для DS
• Python для DS

FAQ

Удалёнка в Lamoda для DS?

Гибрид часто. Полная — реже.

Зарплатные вилки 2026?

Middle DS: 250-370k. Senior: 370-560k.

Английский нужен?

Базовый — желательно. Литература на английском.

Сколько этапов?

4-5 этапов, 2-3 недели.

Это официальная информация?

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