Собеседование на Data Engineer в Т-Банке (Тинькофф)

Почему Т-Банк — особенный работодатель для DE

Т-Банк (Тинькофф) — один из самых продуктовых банков, с собственным data-стеком и активной digital-трансформацией. DE здесь работает на стыке банковских данных (транзакции, продукты, клиенты) и продуктовой аналитики. Стек: преимущественно open-source — Airflow, Spark, ClickHouse, Kafka, плюс часть on-prem решений.

Особенность: финтех-данные имеют жёсткую регуляторную нагрузку. Любой pipeline проходит compliance, документируется, тестируется на корректность. DE в Т-Банке должен думать не только про скорость и масштаб, но и про trust в данных — auditability, lineage, data quality. Актуальные вакансии — на странице карьеры Т-Банка.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Особенности Т-Банка:

• Опыт с банковскими / финтех-данными
• Знание SQL и Python на сильном уровне
• Готовность работать в среде с compliance-ограничениями

2. SQL deep dive (60 минут)

Live-coding на банковских данных: транзакции, retention, когорты, RFM. Оконные функции, CTE, оптимизация запросов на больших таблицах. Подготовка — SQL на собеседовании, оконные функции.

3. Инструменты и архитектура (60-90 минут)

Темы:

• Airflow: DAG-design, idempotence, sensors, retry. Airflow на собесе
• Spark: optimization, partitioning, broadcast joins
• Kafka: consumer groups, retention, exactly-once semantics
• ClickHouse: MergeTree, materialized views, replication
• Data quality: тесты, мониторинг, alerting

4. Data modeling и DWH (45-60 минут)

«Спроектируй DWH для нового кредитного продукта», «как хранить historical view клиента через SCD типы». Звезда / снежинка / Data Vault.

5. System design (60 минут)

«Спроектируй pipeline для real-time fraud detection feed», «как обработать late-arriving транзакции».

6. Поведенческое и фит (45 минут)

STAR-вопросы. Т-Банк ценит самостоятельность и инициативу.

7. Финал с лидом DE

Стратегический разговор.

Что Т-Банк ценит в DE

• Data quality. В банке данные должны быть корректными — баг в pipeline может стоить миллионов
• Понимание финтех-домена. Транзакции, скоринг, продуктовые метрики — терминология
• Open-source стек. Airflow, Spark, Kafka, ClickHouse — must
• Скорость. Релизы недельные, инциденты быстро
• Compliance-mindset. Lineage, документация, auditability

Типичные задачи и кейсы

• «Транзакции late-arrive с задержкой до 7 дней. Как обрабатывать?»
• «Спроектируй pipeline для real-time scoring модели»
• «DAG падает раз в неделю. План диагностики?»
• «Запрос на 1B записей выполняется час. Оптимизируй»
• «Как обеспечить exactly-once семантику в Kafka pipeline?»

Как готовиться: план

1. SQL на финтех-данных. Когорты, RFM, retention, агрегации по транзакциям. SQL-раздел.
2. Airflow глубоко. Pet-project с DAG, sensors, idempotence, backfill. Airflow на собесе.
3. Spark. Книга + practice. Понимание optimization.
4. Kafka. Книга + понимание exactly-once.
5. Distributed systems. «Designing Data-Intensive Applications» (Kleppmann) — главная книга.
6. Data quality. Great Expectations или DBT tests.

Частые ошибки

• Игнорировать data quality. В банке корректность данных — главное. Сказать «модель важнее качества данных» — провал
• Зубрить инструменты без понимания. «Я делал DAG-и в Airflow» — мало. Нужно объяснить trade-off-ы dynamic vs static DAG
• Не учитывать compliance. Любые изменения логируются, документируются
• Слабая алгоритмика. Live-coding есть, нужно решать стандартные задачи
• Не учитывать failure modes. Что если Kafka упадёт? Что если Spark worker зависнет?

Связанные темы

• Собеседование на Data Engineer
• Собеседование на DE в Яндексе
• Airflow на собесе DE
• Apache Spark на собесе DE
• Kafka на собесе DE

FAQ

Сколько этапов в собеседовании на DE в Т-Банке?

Обычно 5-7: рекрутер → SQL → инструменты → data modeling → system design → поведенческое → финал. Срок 3-5 недель.

Нужен ли финтех-опыт?

Желателен, но не критичен. Если приходишь из e-commerce/SaaS — упор на готовность освоить домен.

Какие инструменты обязательны?

SQL (must), Python (must), Airflow (must), Spark (для middle+), Kafka (для streaming-команд), ClickHouse (преимущество).

Спрашивают ли ML?

В DE-командах — нет. Если интересуешься ML Engineering — это отдельная роль.

Это официальная информация?

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