Собеседование на Data Scientist в Т-Банке

Почему Т-Банк — особенный работодатель

Т-Банк (бывший Тинькофф) — один из самых сильных DS-эмплоеров в РФ. ML внутри почти всех продуктов: скоринг, антифрод, маркетинг, голосовой ассистент Олег, инвестиции, рекомендации. Особенность — research/applied баланс, регулярные публикации в международных конференциях (NeurIPS, ICML).

DS в Т-Банке — это про A/B как религию. Все продуктовые решения проверяются экспериментально. Это сильно отличается от классического банка: ближе к технологической компании, чем к финансовой. Актуальные вакансии — на карьерной странице Т-Банка.

Этапы собеседования

1. Скрининг с рекрутером (30-40 минут)

Стандартное знакомство. Особенности:

• Какие задачи DS решал и какой эффект (в метриках)
• Опыт A/B-тестов
• Готовность к remote-first работе (часть команд работает удалённо)

Питч 90 секунд: продукт, задача, метрика, результат.

2. Алгоритмы / coding (60-90 минут)

LeetCode Medium-Hard уровень. Не самая жёсткая планка в индустрии, но решительно отсеивают слабых:

• Алгоритмы на графах и DP
• Иногда задача на пандас или numpy
• Базовый SQL: window functions, JOIN

Подготовка: алгоритмы на собесе DS.

3. ML-теория (60-90 минут)

Глубокое погружение в основы:

• Линейные модели, логрег: вывод формул, регуляризация
• Деревья и бустинг: устройство CatBoost / LightGBM / XGBoost
• Метрики imbalanced classification (Precision @ recall, F-beta)
• Cross-validation, time-based split
• Bias-variance trade-off

Особенность Т-Банка — могут «копать» с выводом математически (производные, gradient в gradient boosting). Подготовка: bias-variance, регуляризация, boosting vs bagging.

4. A/B-тесты (45-60 минут)

Отдельный раунд. Т-Банк делает тысячи A/B в год. Вопросы:

• Расчёт sample size, MDE
• Multiple comparison корректировка (Bonferroni, BH-FDR)
• CUPED, stratification, variance reduction
• SRM check, peeking penalty
• Когда A/B нельзя — switchback, interrupted time series

Подготовка: A/B для DS, CUPED, MDE.

5. ML System Design (60-90 минут)

Сценарий:

• «Спроектируй real-time антифрод модель»
• «Сделай систему рекомендаций продуктов в приложении банка»
• «Как построишь голосовое распознавание для звонков»

Что оценивают: data → features → model → serving → monitoring → retraining. Полный pipeline, а не только Jupyter.

Подготовка: ML system design, feature engineering.

6. Поведенческое / фит

STAR-вопросы. У Т-Банка свой акцент:

• Самый сложный technical debt, который чинил
• Эксперимент, который не сработал — что вынес
• Конфликт с stakeholder — как разрешил
• Решение без полных данных

Особенности по направлениям

Что Т-Банк ценит в DS

• Экспериментальный mindset. Не «я думаю, что фича B сильнее», а «я запустил A/B и получил +2% к conversion»
• Глубокое понимание основ. Знание ML «изнутри» (как работает gradient boosting на низком уровне), а не «я использовал библиотеку»
• Бизнес-привязка. Каждая модель — про метрику и эффект. ROC-AUC сам по себе мало значит
• Готовность спорить с данными. Аргументация через числа — нормально. «Я не согласен, потому что чувствую» — слабо
• Технический фон. Production-разработка, git, CI/CD, мониторинг моделей

Как готовиться: план

1. Алгоритмы Medium. LeetCode 100+ задач Python, фокус на DP и графах.
2. ML-теория глубоко. Не «использовал XGBoost», а «знаю, как устроены listing-based loss, how histogram-based splits работают».
3. A/B-стек. Sample size, CUPED, Bonferroni, SRM.
4. ML System Design. 5-7 кейсов с упором на production-pipeline.
5. Доменные кейсы. Антифрод, скоринг, RecSys, NLP — в зависимости от команды.
6. STAR-истории. 6-8 готовых.

Частые ошибки

• «Я ставлю xgboost.fit() и работает». Уровень junior. Senior DS объясняет, почему gradient boosting лучше random forest на этих данных
• Игнор A/B. На вопрос «как доказал эффект модели» отвечать «по offline-метрикам» — слабо. Без A/B Т-Банк не катит
• Слабые алгоритмы. Без LeetCode дальше не идёшь, даже сильный по ML кандидат
• Не думать о production. «Обучил модель» без размышлений про latency / monitoring / retraining — слабо на ML System Design
• Шаблонные ответы. «Я использовал ROC-AUC» без обсуждения «почему именно она в этой задаче» — провал

Связанные темы

• Собеседование на Data Scientist
• Собеседование на PM в Т-Банке
• ML system design на собесе DS
• A/B testing для Data Scientist
• CUPED: снижение дисперсии в A/B

FAQ

Сколько раундов в Т-Банке для DS?

Обычно 5-6: рекрутер → coding → ML-теория → A/B → ML system design → фит. Срок 3-6 недель.

Нужны ли публикации для research-команд?

Желательно, но не строго. Для applied-команд — нет.

Берут ли в Т-Банк junior DS?

Да, через стажировки и Tinkoff Education. Сильный конкурс.

Как Т-Банк отличается от Сбера?

Т-Банк — ближе к технокомпании: A/B, продуктовое мышление, прозрачные процессы. Сбер — больше корпорат, больше compliance.

Это официальная информация?

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