Собеседование на Data Scientist в Сбере

Почему Сбер — особенный работодатель для DS

Сбер — крупнейший банк РФ + экосистема: СберAI, СберМаркет, Окко, Кинопоиск, СберCloud, СберАвто. DS-команды есть во всех направлениях, домены разные: банковский скоринг, антифрод, рекомендации, NLP (GigaChat), CV.

Стек: Python + PyTorch + scikit-learn + LightGBM + Spark + Hadoop + Hive + Greenplum. СберAI работает с large language models (GigaChat). Команда DS в банке — большая, иерархия выражена.

Актуальные вакансии — на sberbank-talents.ru.

Этапы собеседования

1. HR-скрининг (30-45 минут)

Знакомство:

• Опыт ML, специфика (банк / медиа / NLP)
• Стек: PyTorch / Spark / LightGBM
• Motivation

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

2. ML теория (60-90 минут)

• Bias-variance, регуляризация
• Бустинги (XGBoost, CatBoost, LightGBM)
• Метрики: ROC AUC, precision/recall, F1, KS
• Кросс-валидация, time-series split

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

3. Python + SQL (60-90 минут)

Live coding.

• Pandas / numpy / sklearn
• SQL — feature engineering чаще в SQL
• Алгоритмы medium

Подготовка: Python для DS.

4. ML System Design (60-90 минут)

Кейсы по domain:

• Скоринг кредитных карт
• Антифрод реал-тайм
• Recommendation для СберМаркет / Окко
• NLP для саппорта / GigaChat fine-tuning

Подготовка: ML system design, feature engineering.

5. Поведенческое (45-60 минут)

Сбер ценит ownership и pragmatic подход. STAR: trade-offs, конфликты, missed deadlines, compliance situations.

Особенности по командам

Розница (Банк): скоринг кредитов и карт. Compliance, аудит.

Антифрод: real-time inference, низкая latency.

СберAI: GigaChat, LLM-инициативы, foundation models.

СберМаркет: рекомендации, ranking, dynamic pricing.

Окко / Кинопоиск: рекомендации медиа-контента, content tagging.

СберCloud: ML-сервисы для клиентов.

Что Сбер ценит в DS

• ML фундамент. Bias-variance, бустинги, метрики — must.
• SQL уверенно. Feature engineering чаще в SQL.
• Production mindset. Скоринг в проде, не notebook.
• Compliance в банке. AML, PII, 152-ФЗ.
• Domain expertise. Помогает в каждом конкретном направлении.

Как готовиться: план

За 4-6 недель:

1. Неделя 1-2 — ML теория. Бустинги, метрики, KS (специфика банка). ML-теория.
2. Неделя 3 — Python + SQL. Live coding. Python для DS.
3. Неделя 4 — System design. Скоринг / антифрод / NLP. ML system design.
4. Неделя 5 — Compliance + production. AML, PII.
5. Неделя 6 — Mocks + behavioral.

Частые ошибки

• Без банковского домена. Не знаешь PD / EAD / LGD — слабо в скоринге.
• «У меня XGBoost — лучший». Без обоснования и метрик — провал.
• Игнор compliance. В Сбер банке — must.
• Слабый SQL. «Я только Python» не работает.
• Без production. Только эксперименты — спросят как deploy.

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 Сбере для DS?

Гибрид стандарт. Полная — реже из-за compliance.

Зарплатные вилки 2026?

Middle DS: 270-400k. Senior: 400-620k. СберAI — выше из-за специфики LLM.

Английский нужен?

Не обязателен.

Сбер / СберAI — отдельные собесы?

Часто да. СберAI имеет более глубокий ML focus.

Это официальная информация?

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