Собеседование на Data Scientist в МТС

Почему МТС — особенный работодатель для DS

МТС в 2026 — это не только телеком. МТС Банк, KION, МТС Cloud, МТС AI — все имеют DS-команды. У каждой свой домен: банковский скоринг, churn telecom-абонентов, рекомендации видеоконтента, NLP для саппорта.

DS в МТС работает на больших объёмах: миллионы абонентов, миллиарды событий. Стек: Python + scikit-learn + PyTorch + Spark + ClickHouse + MLflow. AutoML и LLM-направления активно растут.

Актуальные вакансии — на job.mts.ru.

Этапы собеседования

1. HR-скрининг (30-45 минут)

Знакомство:

• Опыт ML (классика, deep, NLP, CV)
• Domain expertise (банк, телеком, медиа)
• Стек: scikit-learn / PyTorch / TensorFlow / Spark

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

2. ML теория (60-90 минут)

Базовая ML-теория.

Темы:

• Bias-variance trade-off
• Регуляризация (L1, L2, ElasticNet)
• Bagging, boosting (XGBoost, CatBoost, LightGBM)
• Кросс-валидация, time-series split
• Метрики: AUC, F1, precision/recall

Подготовка: ML-теория на собесе DS, классическая ML на собесе.

3. Python + SQL (60-90 минут)

Live coding.

• Pandas / NumPy
• SQL window functions, оптимизация
• Алгоритмы (medium-easy)

Подготовка: Python для DS, SQL-тренажёр.

4. ML System Design (60-90 минут)

Кейсы по domain:

• Churn prediction для telecom-абонентов
• Скоринг для МТС Банка
• Recommendation для KION
• NLP для саппорта

Подготовка: ML system design, feature engineering.

5. Поведенческое (45-60 минут)

STAR-истории. Communication с stakeholders, trade-offs, missed deadlines.

Особенности по командам

МТС Банк: скоринг кредитных карт, антифрод. Compliance критичен.

KION: рекомендации видео, ranking, NLP для тегирования контента.

МТС AI: LLM, generative AI, новые продуктовые направления.

Telecom Core: churn prediction, network optimization, customer LTV.

Cloud / B2B: ML-сервисы для клиентов МТС Cloud.

Что МТС ценит в DS

• ML фундамент. Bias-variance, regularization, метрики — must.
• Python уверенно. Pandas / numpy / sklearn — на автомате.
• SQL не слабый. Feature engineering чаще всего в SQL.
• Domain expertise. Хорошо понимать telecom / банк / media.
• Communication. DS в МТС защищает решения перед бизнесом.

Как готовиться: план

За 4-6 недель:

1. Неделя 1-2 — ML теория. Bias-variance, бустинги, регуляризация. ML-теория.
2. Неделя 3 — Python + SQL. Live coding. Python для DS.
3. Неделя 4 — System design. Domain-specific кейсы. ML system design.
4. Неделя 5 — Mocks + behavioral.
5. Неделя 6 — Polish.

Частые ошибки

• «У меня XGBoost — лучший». Без обоснования — провал.
• Игнор baseline. Скоринг сделал deep learning, без логистики — слабо.
• Слабый SQL. «Я только Python». Не работает.
• Без compliance в МТС Банке. AML / PII / 152-ФЗ — спросят.
• Игнор production. Только notebook-эксперименты — спросят про deployment.

Связанные темы

• Собеседование на Data Scientist
• ML-теория на собесе DS
• Классическая ML на собесе
• ML system design
• Python для DS
• Feature engineering

FAQ

Удалёнка в МТС для DS?

Гибрид часто. Полная — для senior возможно.

Зарплатные вилки 2026?

Middle DS: 250-380k. Senior: 380-580k.

Английский нужен?

Не обязателен. Литература — на английском.

МТС Банк / KION — отдельные собесы?

Часто да. Свои HR-процессы.

Это официальная информация?

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