Собеседование на Data Scientist в МКБ

Почему МКБ — особенный работодатель для DS

МКБ (Московский Кредитный Банк) — один из крупнейших российских частных банков, исторически с фокусом на корпоративном обслуживании, особенно крупных корпоративных клиентов и проектного финансирования. В последние годы — активное расширение в розничное направление и digital-канал. Для Data Scientist это среда классического банкинга с сильной корпоративной аналитикой и серьёзной risk-функцией. Не самый быстрый и продуктово-агрессивный банк (как Тинькофф или Альфа), но стабильный, технически качественный и с интересными корпоративными задачами.

ML-домены: кредитный скоринг (PD/EAD/LGD), антифрод в транзакциях и заявках, AML-аналитика, churn по retail-продуктам, customer LTV и cross-sell, корпоративная риск-аналитика (большая часть бизнеса), NLP на текстах обращений, маркетинг-DS. Стек: Python, scikit-learn, CatBoost, R для regulatory, PostgreSQL, Oracle для core-banking, Hadoop / Spark, Airflow, MLflow.

Актуальные вакансии — на hh.ru и сайте МКБ.

Этапы собеседования

Цикл 3–5 недель и включает 5–6 этапов. Процесс корпоративный, но менее формализованный, чем у Сбера. Тёплый, прямой разговор с командой характерен для МКБ.

1. HR-скрининг (30–45 минут)

Рекрутер проверяет: production-опыт DS (1.5+ года), причины смены работы, ожидания, готовность работать в корпоративной структуре. Опыт в banking-scoring, антифроде, AML — большой плюс.

2. Тестовое задание (3–7 дней)

Часто даётся: датасет с историей заявок или транзакций, нужно построить scorecard или модель fraud. Сильные кандидаты делают chronological split и обосновывают каждое решение.

3. ML / DS-теория (60–90 минут)

С senior DS из команды. Темы: классика (логистическая регрессия, GLM, бустинги, regularization, calibration), метрики (Gini, KS, PSI), survival для churn, основы IFRS-9, причинно-следственный анализ.

Подготовка: Классическая ML на собесе, Метрики модели.

4. Python + SQL live-coding (60 минут)

Live: 1 алгоритмическая задача (LeetCode Medium-Easy), 1–2 на pandas, 1–2 на SQL. SQL на PostgreSQL / Oracle — оконки, complex JOIN, ratio.

Подготовка: Live-coding.

5. ML system design + бизнес-кейс (60–90 минут)

Кейсы: «как ты бы построил скоринг для корпоративного клиента», «как обнаружить fraud в крупных транзакциях», «как удержать корпоративного клиента». Сильные ответы — где обсуждаются интерпретация и regulatory ограничения.

6. Поведенческое + культурный fit (30–45 минут)

С тимлидом и менеджером. STAR-формат.

Особенности по командам

Corporate Risk & Project Finance. Главная и характерная для МКБ команда: моделирование рисков для крупных корпоративных клиентов и проектного финансирования, оценка концентрации портфеля, stress-testing. Подойдёт senior DS с интересом к корпоративной аналитике и сложным сегментам.

Retail Credit Scoring. PD/EAD/LGD-модели для розничных кредитов. Тесная связка с risk-функцией.

Antifraud & AML. Детекция fraud в транзакциях, AML-аналитика, особенно по корпоративным клиентам с крупными суммами.

Customer LTV & Cross-Sell. LTV-прогноз для retail, propensity для дополнительных продуктов.

Marketing & Acquisition. Атрибуция, прогноз ROI кампаний, скоринг лидов.

Capital & Stress-Testing. Моделирование portfolio в стресс-сценариях, оценка capital adequacy.

Trade Finance Analytics. Уникальная для МКБ команда: моделирование рисков по торговому финансированию, аккредитивам, гарантиям. Сложная задача из-за специфики каждого контракта и небольшой статистической базы — много экспертных оценок параллельно с ML.

Validation & Model Risk Management. «Вторая линия защиты» — валидация моделей перед раскаткой и мониторинг в продакшене. Серьёзная функция в МКБ из-за наличия крупных корпоративных кредитов.

Wealth Analytics. Меньше команда: моделирование инвестиционного поведения, recommendation финансовых продуктов для состоятельных клиентов, сегментация по продуктовым предпочтениям.

Что МКБ ценит в DS

Глубина в banking-scoring и corporate-risk. Strong: «построил скоринговую модель для retail-кредитов на 600k заявок, calibration через isotonic, monotone constraints, KS 36 в out-of-time; в A/B на 30% потока за 90 дней approval rate +2.8pp без значимого роста NPL». Цифры обязательны.

Опыт работы с регулятором. Знание Basel, IFRS-9, требований ЦБ — must для middle+.

Интерпретируемость. SHAP, monotone constraints, PSI-мониторинг — стандарт.

Аккуратность. Validation-функция МКБ серьёзная. Notebook должен читаться чисто, каждое решение обоснованно.

Готовность к корпоративной аналитике. Если идёшь в Corporate Risk — готовь хотя бы один кейс на корпоративное моделирование.

Кросс-функциональная коммуникация. Банк работает в плотной интеграции risk-функции, продуктовых команд, юристов и аудита. На собесе проверяют способность объяснять модели не-тех коллегам и работать в формальных процессах согласования. Strong-кандидат готовит STAR-истории про работу с разными стейкхолдерами и компромиссы между скоростью разработки и регуляторной строгостью.

Долгосрочное мышление. Модели в банке живут 1–3 года и проверяются регулярными validation-циклами. Кандидат, мыслящий категориями «обучил → выкатил → забыл», слаб; strong-кандидат сразу обсуждает план мониторинга, переобучения, обнаружения смещений распределения признаков и target.

Любопытство к специфике сегментов. В МКБ разные сегменты (корпорат, проектное финансирование, торговое финансирование, retail) имеют сильно разную природу. Strong-кандидат любопытен к этим различиям и готов погружаться в специфику конкретного сегмента после трудоустройства.

Как готовиться: план

Минимум 6–8 недель. Неделя 1–2: ML-теория (классика, GLM, бустинги, calibration). Неделя 3: LeetCode + pandas (40 задач). Неделя 4: SQL — оконки, complex JOINs. Неделя 5: banking-scoring (scorecard, IFRS-9, Basel basics). Неделя 6: A/B и interpretability. Неделя 7: ML system design — 4 кейса (retail-scoring, corporate-risk, antifraud, churn). Неделя 8: mock-интервью.

Для тренировки реальных вопросов с DS-собесов — открывай Карьерник: 1500+ задач по SQL, Python, A/B-тестам, статистике, продуктовой аналитике и ML по темам и сложности.

Частые ошибки

Первая — слабое понимание corporate-сегмента. МКБ исторически сильно corporate-ориентирован.

Вторая — black-box без интерпретации.

Третья — игнорирование regulatory-стороны.

Четвёртая — нет цифр в кейсах.

Пятая — слабая аккуратность процесса. Validation-функция найдёт слабости в валидации.

Шестая — попытка прямо переносить продуктовые подходы из e-commerce / digital-only fintech. МКБ требует другого инструментария.

Седьмая — слабый продуктовый вопрос про project finance / trade finance. Если идёшь в corporate-команду, готовь хотя бы один кейс из проектного финансирования или торгового финансирования. Иначе на разговоре с тимлидом окажется, что у тебя нет contexual knowledge для глубокого обсуждения.

Восьмая — недооценка важности validation-функции и model risk management. В МКБ это серьёзная зона, и кандидат, не знакомый с концепциями «вторая линия защиты», SHAP-аудит, PSI-мониторинг, выглядит для middle+ серьёзно.

Связанные темы

• Собеседование на Data Scientist в Открытии
• Собеседование на Data Scientist в ПСБ
• Собеседование на ML Engineer в МКБ
• Собеседование на Data Scientist — гайд

FAQ

Сколько этапов в собесе DS в МКБ?

5–6 этапов: HR-скрининг, тестовое задание, ML / DS-теория, Python + SQL live-coding, ML system design + бизнес-кейс, поведенческое. Цикл — 3–5 недель.

Нужен ли опыт в банке?

Желателен, особенно для risk-команд. Готовность учить banking-scoring basics — must.

Чем DS в МКБ отличается от DS в Сбере или ВТБ?

МКБ меньше по объёму, но имеет уникально сильную corporate / project finance сторону. Атмосфера менее формализованная, чем в больших гос-банках; коммуникация между командами более горизонтальная, скорость принятия решений выше при сохранении строгости validation.

Какой английский нужен?

B1–B2 минимум.

Сколько платят DS в МКБ?

Зависит от грейда. Для middle DS — на уровне крупных частных банков, для senior — выше. Corporate Risk и Antifraud команды обычно платят больше из-за специфики и регуляторной ответственности.

Какой стек чаще встречается?

Python + scikit-learn + CatBoost для retail-задач, R + GLM для regulatory, PostgreSQL + Oracle для DWH, Hadoop / Spark для тяжёлых ETL.

Берут ли DS-джунов?

Редко. Чаще через программу junior-аналитика и рост в DS через 1–2 года в risk-функции.

Какие книги/курсы посмотреть?

Siddiqi «Credit Risk Scorecards» — для banking-scoring базы. Molnar «Interpretable Machine Learning» — для интерпретации. По corporate-risk полезно изучить методологии оценки кредитоспособности крупных корпоратов и проектного финансирования.

Какие проекты есть у МКБ помимо классического банкинга?

МКБ работает в крупных корпоративных кредитах, проектном финансировании, торговом финансировании. Для DS это даёт уникальные задачи моделирования рисков под нестандартные сегменты.

Стоит ли переходить из крупного банка в МКБ?

Зависит от мотивации. МКБ менее формализован, чем Сбер или ВТБ, но имеет уникально сильную корпоративную аналитику. Если интерес к corporate risk — отличный выбор.

Какой английский нужен для work-related literature?

B1–B2 минимум для чтения статей по credit risk modeling и Basel-методологии. Большая часть actuarial / risk literature — на английском. Для senior-позиций ожидается C1, особенно если работа с международными перестраховщиками или партнёрами по проектному финансированию.

Какая discipline лучше переносится в МКБ — банковская или страховая?

Банковская переносится напрямую, особенно retail и risk-моделирование. Страховая частично — actuarial-фундамент полезен в risk-функции, но банковский регуляторный контекст (Basel, IFRS-9) отличается от страхового (Solvency-II analog), и потребуется adaptation.