Собеседование на Data Scientist в Wrike

Почему Wrike — особенный работодатель для DS

Wrike — российско-международная SaaS-платформа для управления проектами и совместной работы: десятки тысяч компаний-клиентов по всему миру (в первую очередь США и Европа), миллионы задач и проектов в системе, активные продуктовые направления по AI/ML-помощникам в управлении задачами. Для Data Scientist это специфический работодатель: глобальный SaaS-продукт (значит англоязычный контекст и метрики международного бизнеса), но команды разработки и DS преимущественно в России и СНГ. Часть юридической структуры после 2022 года поменялась (юридический владелец — международная компания Citrix), но продуктовые и DS-команды частично продолжают работать в РФ — уточняй детали у рекрутера.

Главные ML-домены: классификация задач и приоритизация (предсказание срока выполнения, риски срыва дедлайна, важность); рекомендации задач исполнителю (next-best-task, automatic assignment); NLP для классификации описаний задач, sentiment в комментариях, тегирования, поиска в базе проектов; антифрод на trial-аккаунтах и манипуляциях с подпиской; внутренний churn клиентов Wrike и expansion; LTV-моделирование; иногда — генерация описаний задач и summarization через LLM. Часть моделей — продакшен-сервисы у клиентов, часть — внутренняя аналитика SaaS-метрик.

Стек: Python + Catboost + LightGBM + PyTorch для NLP-задач; современный DWH (часть на ClickHouse, часть на Snowflake/BigQuery в зависимости от инфраструктуры); Airflow для пайплайнов; Spark; MLflow flavor для трекинга; Kubernetes для serving. Кодовая база — частично legacy из-за возраста продукта, частично — современный ML-стек.

Актуальные вакансии — на hh.ru и сайте Wrike (или партнёров).

Этапы собеседования

Полный цикл — 4-6 недель, 5-6 этапов. Процесс международный: HR-скрининг, ML-теория, тестовое или live-coding, продуктовый кейс, английская беседа, финал. Алгоритмическая планка средняя, без LeetCode Hard. Wrike известен довольно тщательным процессом найма, включая обязательную секцию на английском.

1. HR-скрининг (30-45 минут)

Рекрутер уточняет: production-опыт ML (от 1.5-2 лет, желательно с табличными или NLP-задачами), уровень английского (это критично — продукт международный), готовность работать в распределённой команде с международными часовыми поясами, мотивацию идти в Wrike, ожидания по компенсации (часто в долларах или евро). Готовь питч на 90 секунд про самый зрелый production-кейс, желательно на английском.

2. ML-теория (60-90 минут)

Базовая секция со старшим DS из команды. Темы: градиентный бустинг (Catboost/LightGBM, регуляризация, обработка категориальных), классические методы (логистическая регрессия с интерпретацией, метрики классификации, дисбаланс), feature engineering для event-данных, NLP-база (transformer, BERT, классификация, sentiment, поиск дубликатов, semantic search), recsys-классика (CF, content-based), базовые time-series и survival analysis (актуально для предсказания срыва дедлайна). Часть собеса может идти на английском — особенно если интервьюер не русскоговорящий.

Подготовка: классическая ML, NLP задачи, метрики модели.

3. Live-coding или тестовое (60-90 минут или 5-7 дней)

В зависимости от позиции и команды — либо живое кодинг-интервью (1-2 на Python с pandas, 1-2 на SQL, часто с английскими условиями), либо тестовое задание на 5-7 дней с реальным кейсом (классификация задач, прогноз срыва, NLP-классификация). Тестовое сдают с защитой — будь готов объяснить решение на собесе.

Подготовка: live coding.

4. Продуктовый кейс (60-90 минут)

Кейс продуктовый: «спроектируй фичу „предсказание срыва дедлайна“ для проекта», «как ты бы построил classifier приоритета задачи на основе описания и контекста проекта», «как сделать рекомендации „следующая лучшая задача“ для исполнителя». Нужно: уточнить бизнес-метрику, описать данные (что есть в продукте), выбрать модель и обосновать, продумать пайплайн, учесть multi-tenant и multi-language специфику (международные клиенты — разные языки в описаниях задач). Сильный сигнал — обсуждение fairness между клиентами разного размера и языка.

Подготовка: ML system design, feature engineering.

5. Беседа на английском с международным интервьюером (45-60 минут)

Обычно с продактом, тимлидом или representative из международной команды. Темы — behavioral, понимание продукта Wrike, общее обсуждение карьеры и мотивации. Если английский слабый — это самый частый отсев на этом этапе.

6. Финал с тимлидом / head of DS (45 минут)

Финальная встреча: грейд, оффер, обсуждение проектов. Корректировки по цифрам, обсуждение формата (в т.ч. валюта компенсации и юридический контракт).

Особенности по командам

PM-аналитика и task ML. Команда занимается классификацией задач, приоритизацией, прогнозом срока выполнения, риском срыва дедлайна. Стек — Python + Catboost + Spark + современный DWH. Челлендж — multi-tenant: модель идёт к десяткам тысяч компаний разных индустрий и языков. Подойдёт DS с опытом в продуктовом ML или operations research.

NLP и semantic search. Команда занимается классификацией описаний задач и комментариев, sentiment, semantic search в базе проектов, summarization. Стек — PyTorch + multilingual transformer-модели + интеграция с LLM-провайдерами + ElasticSearch/Vespa. Челлендж — многоязычность (английский, русский, немецкий, японский и др.), миллионы документов. Подойдёт DS с NLP-фоном и опытом multilingual моделей.

Recsys и автоматизация. Команда строит next-best-task, automatic assignment, рекомендации шаблонов проектов, рекомендации контактов. Стек — Catboost + CF + content-based + bandits. Челлендж — обучение в условиях live-deployment у десятков тысяч клиентов. Подойдёт DS с background в recsys или маркетинг-аналитике.

Internal SaaS analytics. Команда внутренних DS: churn клиентов, expansion, NPS-аналитика, MRR-моделирование, support load prediction. Стек — Catboost + survival analysis + кастомные дашборды + современный DWH. Подойдёт кандидатам с B2B-SaaS background.

LLM и generative AI. Растущее направление: автоматическая генерация описаний задач, summarization активности в проекте, conversational AI-помощник. Стек — PyTorch + интеграция с LLM-провайдерами + RAG-архитектуры. Подойдёт DS с NLP/LLM background.

Что Wrike ценит в DS

Английский. Это критично — продукт международный, команды распределённые. Без свободного английского на уровне productive working будет сложно пройти продуктовое интервью и работать в команде.

Production-опыт. Не Kaggle-experience, а модель в проде с количественным эффектом. Сильный сигнал — история про модель, которая используется международными клиентами и приносит им результат.

Multi-tenant и multi-language. Wrike — глобальный SaaS. Кандидат, который думает только про monolingual ML или про одну компанию, рассматривается слабее. Сильный — тот, кто сразу спрашивает про языки данных и про разные сегменты клиентов.

Weak vs strong на System Design. Слабый ответ: «обучим English-only BERT для классификации описаний задач». Сильный ответ: «начну с multilingual baseline: XLM-R или mBERT — это покрывает 100+ языков. Сравню с language-specific моделями для топ-3 языков (English, German, Russian) на A/B. Метрика — accuracy разбита по языкам и по сегментам клиентов. Если выяснится, что для отдельных языков multilingual сильно проседает, добавлю specialized model и роутинг по языку — но только если бизнес-эффект оправдывает дополнительную сложность инференса».

Продуктовое мышление. Wrike ценит DS, которые думают категориями user experience и retention, а не только метриками модели.

Self-management и распределённая работа. Команды глобальные, синки с разными часовыми поясами. DS, который теряется без ежедневной обратной связи или офисной коммуникации, рассматривается слабее.

Как готовиться: план

За 6-8 недель до планируемого собеса:

1. Неделя 1-2 — Табличный ML и multilingual NLP. Catboost (категориальные фичи, регуляризация), логистическая регрессия и её интерпретация, multilingual transformer-модели (mBERT, XLM-R), классификация и sentiment на разных языках. Прорешай 1-2 кейса с текстовыми данными. Параллельно — на Карьернике обнови базу по SQL, Python и ML: 1500+ задач, по 15-20 минут в день, чтобы за месяц закрыть пробелы по метрикам и регуляризации.
2. Неделя 3 — SaaS- и PM-контекст. Прочитай блог Wrike, Asana, Monday, Atlassian (Jira). Запомни понятия: проект, задача, эпик, MQL/SQL, churn, expansion, ARPA, NRR, time-to-value. Прокачай словарный запас на английском в этой нише.
3. Неделя 4 — Python + SQL live coding на английском. 20-30 SQL Medium-задач, 30 простых на pandas. Перейди на английский язык в комментариях кода и в обсуждении решений — это рабочий язык в Wrike.
4. Неделя 5 — System Design кейсы. Прорешай 5-6 кейсов: classification и приоритизация задач multi-tenant, NLP-классификация описаний на разных языках, recsys задач, churn клиентов SaaS, summarization через LLM. Структура — бизнес → метрики → данные → модель → multi-tenant и multi-language → A/B → мониторинг. Тренируйся проводить кейс на английском. ML system design.
5. Неделя 6 — Английский deep-dive. Если уровень B1-B2 — практика разговорного английского с тренером или mock-интервью с native-speaker. На английском проходит как минимум один этап.
6. Неделя 7-8 — Mocks и behavioral. Mock-интервью, 5-7 STAR-историй на английском: конфликт с продактом, факап в проде, история про быстрый пилот, кейс с multi-language архитектурой.

Частые ошибки

Слабый английский. Самый частый отсев в Wrike. Кандидат с сильным резюме, который не может рассказать на английском про свой проект, не пройдёт.

Не думают про multi-language. Кандидат на System Design рисует English-only модель. Wrike — глобальный SaaS, языков много. Если в ответе нет ни слова про мультиязычность — балл проседает.

Хайпуют LLM-ками. Кандидат предлагает GPT-4 fine-tune для классификации задач. Не упоминает, что для большинства задач multilingual BERT даёт 95% качества в 1% от стоимости.

Не разбираются в SaaS-метриках на английском. «What is NRR vs GRR, ARR vs MRR, expansion vs upsell?» — кандидат теряется. На продуктовом интервью это сразу видно.

Не задают вопросы про данные. На кейсе сразу — модель, а не «what events do we collect, what's the data quality across regions, how do we handle GDPR-restricted fields». Это первый фильтр.

Связанные темы

• Собеседование на Data Scientist
• NLP задачи на собесе
• Feature engineering
• Собеседование на аналитика в Wrike
• Собеседование на Data Scientist в amoCRM

FAQ

Удалёнка в Wrike для DS?

В основном удалёнка и гибрид с офисами в РФ (если контракт российский) или международные локации. Wrike исторически работает распределённо, синки — с международными часовыми поясами.

Зарплатные вилки 2026?

Зависит от контракта (российский или международный). Middle DS: 250-400k руб или $2-4k. Senior: 400-650k или $4-7k. Уточняй на скрининге, юридический статус Wrike менялся в последние годы.

Нужен ли английский?

Свободный — обязательно. Английский — рабочий язык продукта и значительной части команды.

Сколько этапов?

5-6 этапов, 4-6 недель из-за международных согласований и обязательной секции на английском.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера — формат и грейды отличаются по командам и контракту.