Собеседование на Data Scientist в Магните

Почему Магнит — особенный работодатель для DS

Магнит — один из крупнейших российских ритейлеров. DS работает с гигантскими транзакционными данными (десятки миллионов чеков в день), лояльностью, ассортиментом, цепочками поставок. Главные ML задачи: прогноз спроса по SKU × магазин, RFM-сегментация лояльных клиентов, recsys в мобильном приложении, оптимизация маркетинговых акций.

Особенность: ритейл-DS — это операционный ML. Модели влияют на физические процессы (что заказать на склад, какую акцию запустить). Требования к стабильности, интерпретируемости. Подробнее — на странице карьеры Магнита.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Специфика:

• Был ли опыт с retail / FMCG данными
• Знание классического ML + time series
• Готовность работать с большими объёмами

2. SQL и Python (60 минут)

SQL — middle-senior. Python — pandas, sklearn.

3. ML-теория (60-90 минут)

• Classical ML: gradient boosting
• Time series для прогноза спроса
• Recsys: collaborative, content-based
• Метрики regression: MAE, MAPE, WAPE
• RFM-сегментация

4. ML system design (60 минут)

«Прогноз спроса на 7 дней по SKU × магазин», «recsys в мобильном приложении», «scoring эффективности промо».

5. Поведенческое + финал

STAR + стратегический разговор.

Что Магнит ценит в DS

• Retail-domain. Понимание ассортимента, лояльности, цепочек.
• Time series. Прогноз спроса.
• Recsys. Collaborative, content-based.
• Метрики regression. MAE, MAPE, WAPE — когда что.
• Pragmatism. Простая модель в проде.

Типичные задачи и кейсы

• «Прогноз спроса на 7 дней по SKU × магазин»
• «RFM-сегментация: дизайн и валидация»
• «Recsys в мобильном приложении лояльности»
• «Scoring эффективности промо: до/после или uplift»
• «Дефицит товара: классификация причин (логистика / спрос)»

Как готовиться: план

1. Classical ML. Gradient boosting.
2. Time series. ARIMA, Prophet, ML на лагах.
3. RFM. Сегментация, классификация.
4. Recsys. Базовое.
5. Метрики regression. MAE, MAPE, WAPE.

Частые ошибки

• MAPE на нулях. Спрос может быть 0 на SKU в магазине — WAPE надёжнее.
• Игнорировать сезонность. Праздники / акции / погода влияют на спрос.
• Сложная модель в реальном времени. Inference на десятки тысяч SKU должен быть быстрым.
• Не учитывать unit-эффект. Спрос на одном SKU зависит от наличия других.

Связанные темы

• Собеседование на DS в X5 Tech
• Собеседование на DS в Ozon
• Как посчитать MAPE в SQL
• Time series CV и features на собесе DS
• Собеседование на DE в Магните

FAQ

Сколько этапов в собеседовании на DS в Магните?

Обычно 5-6: рекрутер → SQL/Python → ML-теория → ML system design → поведенческое → финал. Срок 4-6 недель.

Нужен ли ритейл-опыт?

Желателен. Релевантным считается e-com, FMCG.

Какой уровень SQL?

Уверенный middle-senior.

Спрашивают ли deep learning?

Редко. Главное classical ML + time series.

Это официальная информация?

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