Собеседование на Data Scientist в Работа.ру

Почему Работа.ру — особенный работодатель для DS

Работа.ру — крупный российский job-marketplace и прямой конкурент hh.ru. Data Scientist здесь решает задачи двустороннего маркетплейса: рекомендует вакансии соискателям, матчит резюме с вакансиями, извлекает навыки из текста резюме с помощью NLP, классифицирует отклики и ранжирует выдачу поиска.

Главная особенность — это именно двусторонний рынок с активным ML. Оптимизировать нужно интересы обеих сторон одновременно: соискатель хочет релевантные вакансии, работодатель — подходящих кандидатов. Из-за этого много внимания уделяют ranking, cold start (новые пользователи и вакансии без истории) и качеству текстовых эмбеддингов. Актуальные требования смотрите на странице карьеры Работа.ру.

Этапы собеседования

1. Скрининг (30 минут)

Разговор с рекрутером: ваш опыт, релевантные проекты и мотивация идти именно в HR-tech и маркетплейс. Полезно за 60–90 секунд рассказать про проект, где вы влияли на метрику продукта, и связать свой бэкграунд с рекомендательными или NLP-задачами.

2. SQL и Python (60 минут)

Живое кодирование. SQL ожидают уверенно на уровне middle: оконные функции, агрегаты, join'ы, дедупликация. Python — работа с данными (pandas), базовые алгоритмы, чистый и читаемый код. Подготовиться поможет SQL-тренажёр.

3. ML-теория (60–90 минут)

Ядро собеса. Ждут глубину по темам маркетплейса:

• Рекомендательные системы: collaborative filtering, content-based и гибридные подходы, эмбеддинги пользователей и объектов, two-tower модели.
• Ranking: метрики NDCG и MRR, learning-to-rank, чем офлайн-метрика ранжирования отличается от бинарной классификации.
• NLP: текстовые эмбеддинги, распознавание сущностей (NER) для извлечения навыков и должностей из резюме.
• Cold start: что делать с новыми соискателями и свежими вакансиями, у которых нет истории взаимодействий.

4. ML system design (60 минут)

Проектирование системы под задачу маркетплейса: «рекомендации вакансий для соискателя», «матчинг резюме и вакансии», «извлечение навыков из резюме». Ждут, что вы пройдёте весь путь: постановка метрики, сбор данных и признаков, выбор модели, офлайн-оценка, схема выкатки и A/B, мониторинг деградации.

5. Поведенческое + финал

Разбор прошлого опыта по схеме STAR: сложные проекты, работа в команде, конфликты приоритетов, провалы и выводы. Часто на этом же этапе — финальная встреча с руководителем и обсуждение оффера.

Что Работа.ру ценит в DS

• Рекомендательные системы. Основа маркетплейса — умение строить и улучшать recsys.
• NLP. Резюме и вакансии — это тексты, поэтому эмбеддинги и извлечение сущностей востребованы.
• Ranking. Понимание метрик выдачи (NDCG, MRR) и learning-to-rank.
• Cold start. Умение запускать рекомендации без истории по пользователю или объекту.
• A/B-mindset. Способность довести модель до эксперимента и честно измерить эффект на продуктовой метрике.

Типичные задачи и кейсы

• «Рекомендации вакансий для соискателя»
• «Матчинг резюме и вакансии»
• «Извлечение навыков из резюме через NLP»
• «Классификация "подходит / не подходит" по отклику»
• «Cold start для новых соискателей и вакансий»

Как готовиться: план

1. Рекомендательные системы вглубь. Collaborative и content-based, гибриды, two-tower, метрики качества рекомендаций.
2. NLP. Текстовые эмбеддинги, NER, как их применяют к резюме и вакансиям.
3. Ranking. Learning-to-rank, NDCG, MRR — ranking-метрики.
4. SQL на уровне middle. Оконные функции, дедупликация, воронки — SQL-тренажёр.
5. A/B на рекомендациях. Как правильно измерить lift рекомендаций и не обмануться на офлайн-метриках.

Частые ошибки

• Рекомендации без cold start. Если не проговорить, что делать с новыми пользователями и вакансиями, — это красный флаг для маркетплейса.
• Путать метрики. AUC не измеряет качество ранжирования выдачи; для recsys и поиска нужны NDCG, MRR, Recall@K.
• Слабый SQL. DS в продуктовой команде постоянно достаёт данные сам, middle-уровень SQL здесь обязателен.
• Модель без эксперимента. Рассказ про модель без плана A/B и продуктовой метрики выглядит как «чистая наука без бизнес-эффекта».

Связанные темы

• Собеседование на DS в HH
• Embeddings на собесе DS
• Ranking метрики (NDCG)
• Собеседование на PM в Работа.ру
• Holdout vs A/B на практике

FAQ

Сколько этапов?

Обычно 5–6: скрининг, техническое кодирование (SQL и Python), ML-теория, ML system design и финальные поведенческие встречи. По грейду и команде число этапов может отличаться.

Нужен ли опыт в HR-tech?

Желателен, но не обязателен. Важнее понимание маркетплейсов и рекомендательных систем в целом — доменную специфику резюме и вакансий можно быстро освоить, если есть сильная база по recsys и NLP.

Какой уровень SQL нужен?

Middle: оконные функции, агрегаты, join'ы, дедупликация, базовая оптимизация. Хардкорных оптимизаций уровня DE обычно не спрашивают, но уверенно доставать данные вы должны сами.

Какие зарплаты у DS ориентировочно?

Точные вилки зависят от грейда, команды и рынка на момент собеса. Ориентировочно по рынку DS в 2026: middle — примерно 200–320k, senior — от 320k и выше. Это рыночные диапазоны, а не официальные цифры компании — уточняйте у рекрутера.

Это официальная информация?

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