Собеседование на Data Scientist в СДЭК

Почему СДЭК — особенный работодатель для DS

СДЭК — крупный российский логистический оператор. DS работает над прогнозом ETA, оптимизацией маршрутов, прогнозом нагрузки на ПВЗ и сортировочные центры, детекцией fraud (поддельные отправления), оптимизацией ценообразования для B2B.

Особенность: логистика — operational ML. Модели работают в режиме реального времени, влияют на физические процессы (где курьер, как маршрут), требуют интеграции с навигацией, OSM, time-series для прогноза нагрузки. Подробнее — на странице карьеры СДЭК.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Специфика:

• Был ли опыт с time-series / прогнозированием / геоданными
• Знание классического ML
• Готовность работать с operational pipelines

2. SQL и Python (45-60 минут)

SQL — middle. Python — pandas, numpy. Для гео-задач могут попросить geopandas / shapely.

3. ML-теория (60-90 минут)

• Classical ML: LR, GBM, ансамбли
• Time series: ARIMA, Prophet, gradient boosting на лагах
• Регрессия с категориальными (CatBoost)
• Метрики regression: MAE, MAPE, SMAPE, RMSE
• Optimization базовый: linear programming, VRP высокоуровнево

4. ML system design (60 минут)

«Спроектируй модель ETA-прогноза», «оптимизация маршрута курьера в городе», «прогноз нагрузки на ПВЗ на неделю».

5. Поведенческое (45 минут)

STAR-вопросы.

6. Финал

Технический + культурный.

Что СДЭК ценит в DS

• Time-series навыки. Прогноз нагрузки, ARIMA, Prophet, gradient boosting на лагах.
• Operational mindset. Модель не должна ломать pipeline, должна работать в SLA.
• Геоданные. Понимание GIS, OSM, координат, расстояний.
• Метрики regression. MAPE, WAPE, MAE, RMSE и когда что использовать.
• Pragmatism. Чаще нужна простая модель, надёжно работающая в проде.

Типичные задачи и кейсы

• «Спроектируй модель ETA для отправления по городу»
• «Прогноз нагрузки на сортировочный центр на 7 дней»
• «Оптимизация маршрута курьера: 30 точек, ограничения по времени»
• «Детекция fraud: поддельные отправления при оплате наложкой»
• «Динамическое ценообразование B2B: фичи, целевая, A/B-план»

Как готовиться: план

1. Classical ML. Gradient boosting, регрессия с категориальными.
2. Time series. ARIMA, Prophet, ML-подход (gradient boosting на лагах + календарных фичах).
3. Метрики regression. MAE, MAPE, RMSE — когда что.
4. GIS базовый. Координаты, расстояния, OSM.
5. Optimization. Понимание VRP, linear programming высокоуровнево.

Частые ошибки

• Игнорировать сезонность. В логистике праздники, распродажи и сезон сильно меняют нагрузку. Нужны календарные фичи.
• Использовать MAPE на нулях. ETA не равно 0, но нагрузка по дням может быть. Используйте WAPE или SMAPE для устойчивости.
• Сложная модель в реальном времени. Inference должен быть в миллисекундах. CatBoost > deep learning.
• Игнорировать SLA. Модель, ошибающаяся на 10% от ETA — провал для пользователя.

Связанные темы

• Собеседование на Data Scientist
• Time series CV и features на собесе DS
• Как посчитать MAPE в SQL
• ARIMA-прогнозирование
• Собеседование на DS в МТС

FAQ

Сколько этапов в собеседовании на DS в СДЭК?

Обычно 5-6: рекрутер → SQL/Python → ML-теория → ML system design → поведенческое → финал. Срок 3-5 недель.

Нужен ли опыт в логистике?

Желателен, но не обязателен. Релевантным считается опыт с time-series, real-time ML, operational pipelines.

Какие алгоритмы спрашивают?

Time series (ARIMA, Prophet, gradient boosting на лагах). Classical ML. Метрики regression. GIS-задачи на конкретных командах.

Какой уровень SQL?

Уверенный middle.

Это официальная информация?

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