Собеседование на Data Scientist в Спортмастере

Почему Спортмастер — особенный работодатель для DS

Спортмастер — крупнейший в России ритейлер спортивных товаров с большой сетью магазинов, интернет-магазином и развитой программой лояльности. Для Data Scientist это классический ритейл-домен со своей спецификой: широкий ассортимент (SKU с размерами, цветами, сезонностью), сильная сезонность спроса (лыжи зимой, велосипеды летом) и большая база клиентов, по которой можно строить персонализацию.

Типичные задачи DS здесь — рекомендательные системы (что показать покупателю на сайте и в приложении), прогноз спроса по SKU для управления закупками и складом, sizing-рекомендации (подсказать правильный размер, чтобы снизить возвраты), сегментация покупателей и прогноз оттока в программе лояльности, кросс-сейл сопутствующих товаров (к беговым кроссовкам — носки и гели). Общий знаменатель — эти модели напрямую влияют на выручку и издержки, поэтому от DS ждут не только качественной модели, но и понимания бизнес-эффекта и умения проверить его через A/B.

Актуальные вакансии и описание процессов — на странице карьеры Спортмастера.

Этапы собеседования

Стандартный процесс DS в крупном ритейле — обычно 5 этапов на 2-3 недели. Ниже типичная последовательность; конкретная команда может что-то объединять.

1. HR-скрининг (30-40 минут)

Рекрутер знакомится, уточняет опыт, стек и мотивацию. Подготовьте короткий питч: какие задачи решали, какие модели строили, какой был бизнес-эффект. Здесь же обсудят грейд и зарплатные ожидания.

2. SQL и Python (60-90 минут)

Живое кодирование. По SQL — оконные функции, агрегации, джойны, работа с продажами и клиентами (например, посчитать повторные покупки или средний чек по сегменту). По Python — pandas, чистка данных, базовый ML-пайплайн. Уровень SQL — крепкий middle.

3. ML-теория (60-90 минут)

Разбор классического ML: bias-variance, регуляризация, метрики классификации и регрессии, работа с дисбалансом классов, валидация. Для ритейла отдельно спросят про рекомендательные системы (коллаборативная фильтрация, content-based, гибриды, проблема холодного старта) и про прогноз временных рядов (сезонность, тренд, метрики качества прогноза). Освежите эмбеддинги на собесе DS — их часто применяют в recsys.

4. ML system design (60-90 минут)

Открытый кейс: спроектировать, например, рекомендательную систему для сайта или прогноз спроса по SKU. Смотрят, как вы рассуждаете от бизнес-метрики к модели: как соберёте данные и фичи, какую модель возьмёте и почему, как решите холодный старт, как выкатите и как будете мерить эффект (онлайн-метрики, A/B). Ценится связка «модель → продукт → деньги».

5. Поведенческое + финал (45-60 минут)

Вопросы по STAR: командная работа, сложное решение, конфликт приоритетов, провал и выводы. Может быть синк с будущим руководителем и обсуждение оффера.

Что Спортмастер ценит в DS

• Рекомендательные системы. Коллаборативная фильтрация, content-based, гибриды и, главное, умение решать холодный старт для новых товаров и новых пользователей.
• Временные ряды. Прогноз спроса по SKU с учётом сезонности, промо и разреженности (многие товары продаются редко). Понимание, какие метрики адекватны.
• Классический ML. Градиентный бустинг, логистическая регрессия, работа с признаками и дисбалансом. В ритейле «тяжёлый» deep learning нужен реже, чем крепкий табличный ML.
• Ритейл-домен. Понимание ассортимента, размеров, сезонности, возвратов и лояльности — это язык, на котором ставятся задачи.
• A/B-мышление. Готовность проверить эффект модели экспериментом, а не только офлайн-метрикой. Модель без плана проверки в проде — незаконченная работа.

Типичные задачи и кейсы

• Recsys спортивных товаров. Рекомендации на карточке товара, в приложении и в рассылках: что показать, как учесть сезон и историю покупок, как решить холодный старт.
• Прогноз спроса по SKU. Предсказать продажи по позиции на горизонте недель для закупок и распределения по складам; учесть сезонность, промо и разреженные продажи.
• Sizing-рекомендация. Подсказать покупателю подходящий размер по истории покупок и возвратов, чтобы снизить долю возвратов из-за размера.
• Отток в лояльности. Спрогнозировать, кто из участников программы перестаёт покупать, и что предложить, чтобы удержать.
• Кросс-сейл аксессуаров. Предложить сопутствующие товары к основной покупке (к кроссовкам — носки, к велосипеду — шлем и насос).

Как готовиться: план

Ориентировочно 3-4 недели, если база ML есть.

1. Рекомендательные системы. Коллаборативная фильтрация, content-based, гибриды, метрики (precision@k, recall@k, NDCG), холодный старт.
2. Временные ряды. Сезонность, тренд, бэктест, адекватные метрики; почему MAPE ломается на нулевых продажах.
3. Классический ML. Бустинг, регуляризация, валидация, дисбаланс классов, важность признаков.
4. A/B. Дизайн эксперимента, выбор метрики, стат-значимость, ловушки при проверке рекомендаций и прогнозов.
5. SQL. Оконные функции, агрегаты по продажам и клиентам. Уровень middle.

Частые ошибки

• Recsys без холодного старта. Кандидат описывает коллаборативную фильтрацию и забывает, что для нового товара и нового пользователя истории нет. В ритейле с постоянным обновлением ассортимента это ключевой вопрос — молчание про cold start считывается сразу.
• MAPE на нулевых продажах. Для прогноза спроса по SKU выбирают MAPE, не подумав, что многие товары продаются редко, и на нулях метрика взрывается или неопределена. Нужно уметь объяснить выбор адекватной метрики (например, WAPE или квантильные потери) под разреженный спрос.
• Слабый SQL. Сильная теория ML не компенсирует плавание на оконных функциях и агрегациях. Данные для моделей вы будете собирать сами, и SQL проверяют предметно.

Связанные темы

• Собеседование на DS в Я.Маркет
• Собеседование на DS в Ozon
• Собеседование на DS в Магнит
• Embeddings на собесе DS
• Собеседование на PM в Спортмастере

FAQ

Сколько этапов в собеседовании DS в Спортмастере?

Обычно около пяти: HR-скрининг, техническая секция по SQL/Python, ML-теория, ML system design и финальное поведенческое. По времени — 2-3 недели, но точное число зависит от команды и грейда.

Нужен ли опыт в ритейле?

Не обязателен, но желателен. Понимание ассортимента, сезонности, лояльности и возвратов помогает быстрее вникать в постановку задач. Без ритейл-бэкграунда компенсируйте сильным recsys/time series и умением связывать модель с бизнес-метрикой.

Какой уровень SQL ожидают?

Крепкий middle: оконные функции, агрегации, джойны, дедупликация, расчёт продуктовых метрик по продажам и клиентам. SQL проверяют предметно, а не «для галочки».

Что чаще спрашивают — recsys или прогноз спроса?

Оба направления профильные. Recsys — для персонализации на сайте и в приложении, прогноз спроса по SKU — для закупок и склада. На system design может прийти любой из кейсов, поэтому готовьте оба, включая холодный старт и выбор метрик.

Это официальная информация о процессе найма?

Нет. Материал собран из публичных источников и опыта кандидатов. Конкретные этапы, задачи и требования зависят от команды, грейда и текущих процессов — финальные детали уточняйте у рекрутера.

Тренируйте Data Science — откройте тренажёр с 1500+ вопросами для собесов.