Собеседование на Data Scientist в ФосАгро: этапы, фосфатная химия, ошибки

«ФосАгро» — один из крупнейших мировых производителей фосфорсодержащих удобрений с активами по добыче апатит-нефелиновой руды (Хибины), производству фосфорной и серной кислот, аммиака и широкой линейки удобрений (MAP, DAP, NPK). Data Scientist в ФосАгро — это специалист, который работает в довольно специфичной индустриальной среде: от горно-обогатительных задач в Кировске до химических производств в Череповце, Балаково, Волхове. Эта статья собрана из публичных описаний вакансий, отзывов кандидатов и общих практик найма в промышленных компаниях — её цель помочь подготовиться, а не пересказать внутренние документы.

Почему ФосАгро — особенный работодатель {#pochemu-phosagro-osobennyy-rabotodatel}

ФосАгро — это вертикально интегрированная компания: от добычи апатит-нефелинового сырья до конечных удобрений и экспортной логистики. Для DS это означает доступ к редкому сочетанию доменов: горнодобыча, обогащение, химия, продакт-аналитика. Один и тот же специалист может работать с предиктивкой на флотационных машинах, с soft sensors на установке производства серной кислоты, и с прогнозом продаж в дистрибьюторской сети.

ФосАгро активно инвестирует в цифровизацию: внутренние центры компетенций, программы по предиктивной аналитике, проекты с университетами. У компании есть зрелые ML-команды и инфраструктура для экспериментов. Это означает, что DS-роль здесь — это не «приключение в одиночку», а работа в зрелой команде с понятными процессами.

Этапы собеседования {#etapy-sobesedovaniya}

Цикл найма DS в ФосАгро обычно занимает 3–5 недель и проходит в 4 этапа.

1. HR-скрининг (25–40 минут)

Рекрутер уточняет опыт, домены, знание стека, готовность к гибридному формату работы, ожидания. Часто спрашивают про мотивацию и интерес к химической промышленности и горнодобыче.

2. Техническое интервью (60–90 минут)

Основной фильтр. Один-два интервьюера: ведущий DS или ML-инженер. Разбирают конкретные задачи: статистика, классические ML-алгоритмы, особенности работы с временными рядами, методы обнаружения аномалий. Параллельно проверяют SQL и базовый Python.

3. Кейс-интервью / лайв-кодинг (60–90 минут)

В форме реальной задачи: дают синтетические или анонимизированные данные, просят за час построить базовое решение и обосновать выбор подхода. Иногда — обсуждение реального проекта из портфолио кандидата.

4. Финал с руководителем (60 минут)

Здесь акцент на зрелости, опыте, мотивации. Кандидата спрашивают о приоритетах, работе с технологами и production-командами, готовности учиться индустриальной специфике.

Особенности по командам {#osobennosti-po-komandam}

Горнодобыча и обогащение (Хибины)

Челенджи: оптимизация работы рудников и обогатительных фабрик, прогноз содержания P2O5 в концентрате, predictive maintenance дробилок и мельниц. Технологии: временные ряды, геостатистика, классический ML. Кому подойдёт: DS с интересом к горно-обогатительной специфике.

Химическое производство

Челенджи: оптимизация работы установок производства серной и фосфорной кислот, аммиака, грануляции удобрений; soft sensors для качества продукта. Технологии: временные ряды, advanced process control, классический ML, методы оптимизации. Кому подойдёт: DS с интересом к непрерывным химическим процессам.

Computer Vision и автоматизация

Челенджи: CV для контроля качества гранулята удобрений, безопасности на производстве, мониторинга оборудования. Технологии: глубокое обучение (CNN, ViT), PyTorch/TensorFlow. Кому подойдёт: DS с опытом в CV.

Коммерция и логистика

Челенджи: прогноз спроса на удобрения по регионам и сезонам, оптимизация экспортной логистики (порты, ж/д), ценовые модели B2B. Технологии: Python, SQL, классические ML-модели, BI-инструменты. Кому подойдёт: DS с продуктовым уклоном.

Что ФосАгро ценит в Data Scientist {#chto-phosagro-tsenit}

В ФосАгро ценят DS, который умеет видеть всю цепочку «руда → концентрат → кислота → удобрения → клиент» и понимает, как модель на одном переделе влияет на другие. Это не классический «банковский» DS-роль: здесь задачи требуют связного мышления про физическую цепочку производства.

Сильный кандидат на интервью говорит про задачу через бизнес-результат: «модель повышает содержание P2O5 в концентрате на X%, что снижает расход кислоты в следующем переделе и в сумме даёт Y миллионов рублей в год». Слабый рассказывает только про метрики на холдаут-выборке без объяснения, как они отражаются на бизнесе.

Простой пример. Постановка «улучшить прогноз содержания P2O5 в концентрате после флотации» — сильный DS уточняет: «какие исходные данные доступны (содержание во вскрышной породе, размер измельчения, расход реагентов, температура пульпы), какая частота лабораторных анализов, как сейчас прогнозируется P2O5, какая чувствительность следующих переделов к ошибке прогноза, есть ли исторические сопоставления плана и факта?». Только после этого он начинает работать.

Как готовиться: план {#kak-gotovitsya-plan}

Подготовка строится в три фазы. Первая — общая база: Python (NumPy, Pandas, scikit-learn), SQL уверенного уровня, математическая статистика, классические ML-алгоритмы, методы оценки моделей.

Вторая фаза — индустриальная специфика. Изучите особенности временных рядов в промышленности, методы predictive maintenance, аномалии (Isolation Forest, autoencoders), Bayesian optimization. Если планируете в горно-обогатительный блок — почитайте основы флотации и обогащения. Если в химию — основы производства серной и фосфорной кислот. Хорошие источники: кейсы ФосАгро и других агрохимических компаний на DataFest, AI Journey. Тренажёр Карьерник удобен для коротких сессий по SQL и ML — это помогает удерживать форму в темах, которые редко встречаются в работе.

Третья фаза — личные кейсы. Подготовьте 2–3 истории из карьеры в формате STAR. Если индустриального опыта нет, сделайте pet-проект с временными рядами или предиктивкой. Подготовьте отдельную историю про работу со стейкхолдерами разного уровня.

Частые ошибки {#chastye-oshibki}

• Кандидат говорит про модели абстрактно, без привязки к данным и бизнес-смыслу.
• Игнорирование специфики процесса. DS, не понимающий, что такое флотация или какова роль обогащения, выглядит слабо.
• Слабая работа с временными рядами: data leakage, неправильный split.
• Незнание базовой статистики.
• Слабый SQL и нежелание работать с данными самостоятельно.
• Слишком общий рассказ о проектах. Без описания данных, валидации, причин выбора подхода — этого мало.

Связанные темы {#svyazannye-temy}

• Собеседование на DS в ЕвроХим
• Собеседование на DS в СИБУР
• Собеседование на DS в Норникель
• Собеседование на DS в Северсталь
• Собеседование на DS в Полюс

FAQ {#faq}

Сколько готовиться?

Для среднего грейда DS — 5–8 недель при наличии 1–2 лет опыта. Если опыт смежный — 3–5 месяцев на освоение Python, SQL, ML и базовой статистики.

Нужен ли опыт в химии?

Желателен, но не обязателен. ФосАгро готов взять сильного DS из IT и научить специфике на рабочем месте.

Какой стек у ФосАгро?

Python (Pandas, NumPy, scikit-learn, бустинги), временные ряды (statsmodels, Prophet, LSTM/Transformer), PyTorch/TensorFlow для CV, MLflow для трекинга. SQL — Oracle, Postgres.

Где находятся объекты?

Основные — Кировск (Хибины, апатит-нефелиновая руда), Череповец, Балаково, Волхов (химические производства). DS-вакансии обычно в Москве с командировками на площадки.

Какие книги и ресурсы помогают?

Hastie, Tibshirani, Friedman «The Elements of Statistical Learning», курсы по временным рядам, материалы DataFest и AI Journey, кейсы агрохимических компаний.

Чем DS в ФосАгро отличается от DS в ЕвроХиме?

Технологически близко: оба — производители удобрений с вертикальной интеграцией. ФосАгро исторически сильнее в фосфорной цепочке (апатит, фосфорная и серная кислоты, MAP/DAP), ЕвроХим — больше диверсифицирован (калий, фосфаты, азот). С точки зрения DS — это плюс/минус идентичные задачи, разница скорее в специфике конкретных установок и логистике сырья.

Что особенного в работе с апатит-нефелиновой рудой?

Апатит-нефелиновая руда — уникальный геологический объект. Кроме фосфорсодержащего апатита из неё получают нефелиновый концентрат, который используется в производстве алюминия и керамики. Для DS это означает интересные задачи комплексного использования сырья: модель оптимизации может одновременно учитывать выход апатита и нефелина и балансировать их с экономической эффективностью передела.

Как готовиться к собеседованию на коммерческую часть в ФосАгро?

Помимо стандартной ML-базы освежите прогнозирование спроса с учётом сезонности и экзогенных признаков (цены на сельхозкультуры, погода, экспортная конъюнктура), причинную аналитику и ценовые модели. У ФосАгро довольно развитая B2B-аналитика, и сильный кандидат с навыками в этих темах будет иметь преимущество.

Реально ли работать с цифровыми двойниками установок в ФосАгро?

ФосАгро тоже работает в направлении цифровых двойников крупных установок (производство фосфорной кислоты, аммиака, грануляция). Это интересная задача на стыке физико-химического моделирования и ML, и опыт здесь редко получается в других индустриях. Если вы готовы погружаться в химию и работать с инженерами процессов — это сильная карьерная инвестиция.

Как ФосАгро использует данные для ESG-отчётности?

ESG — это важная часть отчётности для публичной компании уровня ФосАгро. Здесь DS работают с метриками энергопотребления, выбросов, использования воды, безопасности труда. Задачи разные — от автоматической агрегации показателей и их верификации до моделирования сценариев «что если» (как изменятся выбросы при модернизации установки). Это редкая, но важная роль на стыке инженерии и публичной отчётности.

Статья основана на публичных источниках: вакансиях, отзывах кандидатов на open-площадках, профильных сообществах и общих практиках найма в промышленных компаниях. Конкретные процессы и требования могут отличаться от описанных и меняются со временем — уточняйте детали у рекрутера.