Собеседование на Data Scientist в МТС Банке

Почему МТС Банк — особенный работодатель для DS

МТС Банк — банковская часть экосистемы МТС. DS работает с банковскими данными + телеком-данными (звонки, локации, активность). Уникальное конкурентное преимущество — cross-sell телеком → банк (75 млн абонентов МТС — потенциальная база). ML задачи: скоринг, антифрод, churn, cross-sell, recsys продуктов.

Особенность: фичи на стыке банкинга и телекома. Локационные данные, паттерны общения, активность мобильного интернета — мощные предикторы для скоринга и churn. Подробнее — на странице карьеры МТС.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Специфика:

• Был ли опыт с табличными данными
• Знание классического ML
• Готовность к телеком + банк domain

2. SQL и Python (60 минут)

SQL — middle. Python — pandas, sklearn.

3. ML-теория (60-90 минут)

• Classical ML: gradient boosting
• Несбалансированные классы (fraud 0,3%)
• Метрики: AUC, KS, lift, F1
• Survival analysis
• Calibration

4. ML system design (60 минут)

«Cross-sell кредитной карты абонентам МТС», «scoring модель для розничного кредита», «детекция fraud в платежах».

5. Поведенческое + финал

STAR + стратегический разговор.

Что МТС Банк ценит в DS

• Classical ML. Gradient boosting глубоко.
• Cross-sell механика. Сегменты, scoring response.
• Compliance. 152-ФЗ, банковская тайна.
• Calibration. В скоринге — обязательно.
• Stage-aware features. Использование данных абонента (локация, активность).

Типичные задачи и кейсы

• «Cross-sell кредитной карты абонентам МТС: scoring response»
• «Скоринг для розничного кредита: фичи на стыке банка и телекома»
• «Fraud в платежах: 0,3% positive»
• «Churn cardholders: prediction»
• «Recommender банковских продуктов для активного абонента»

Как готовиться: план

1. Classical ML. Gradient boosting.
2. Несбалансированные классы. Sampling, class weights.
3. Calibration. Platt, isotonic.
4. Telecom features. Локация, активность, паттерны.
5. Compliance. 152-ФЗ.

Частые ошибки

• Игнорировать calibration. AUC недостаточно для скоринга.
• Использовать локации без compliance. В МТС privacy — must.
• Слабая SQL. Уверенный middle.
• Зубрить deep learning. Classical ML — основа банковского DS.

Связанные темы

• Собеседование на DS в Т-Банке
• Собеседование на DS в МТС
• Собеседование на DS в Альфа-Банке
• Accuracy vs F1
• Собеседование на PM в МТС Банке

FAQ

Сколько этапов в собеседовании на DS в МТС Банке?

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

Нужен ли банковский опыт?

Желателен. Релевантным считается финтех, телеком, e-com с финансами.

Какой уровень SQL?

Уверенный middle.

Спрашивают ли deep learning?

Редко. Главное classical ML + survival.

Это официальная информация?

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