Собеседование на Data Scientist в Skyeng

Почему Skyeng — особенный работодатель для DS

Skyeng — один из крупнейших EdTech-сервисов РФ по обучению английскому и не только. DS работает над персонализацией траектории обучения, прогнозом retention / churn студентов, рекомендациями уроков и преподавателей, NLP для проверки текстовых заданий, ML-классификацией ошибок учеников.

Особенность: EdTech — это медленный продукт (студенты учатся месяцами и годами), retention зависит от ощущения прогресса. DS строит модели, влияющие на учебный план студента, что напрямую отражается на bookings, revenue, completion rate. Подробнее — на странице карьеры Skyeng.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Специфика:

• Был ли опыт в EdTech / подписочных моделях
• Знание классического ML + базовый NLP
• Готовность работать на долгие циклы экспериментов

2. SQL и Python (45-60 минут)

SQL — middle (JOIN, оконки, CTE). Python — pandas, sklearn.

3. ML-теория (60-90 минут)

• Classical ML: LR, GBM, ансамбли
• Метрики classification + regression
• NLP базовый: TF-IDF, эмбеддинги, классификация
• Survival analysis для retention / time-to-churn
• A/B-тесты, особенно для длинных циклов

4. ML system design (60 минут)

«Спроектируй рекомендации уроков», «модель churn для подписки», «NLP-проверка домашних заданий».

5. Поведенческое (45 минут)

STAR-вопросы.

6. Финал

Технический + культурный.

Что Skyeng ценит в DS

• EdTech mindset. Понимание учебных метрик: completion rate, time-on-task, progress, mastery.
• Подписочные метрики. Trial conversion, churn, retention, ARPU.
• NLP базовый. Для проверки текстовых ответов.
• A/B на длинных циклах. Holdout, CUPED.
• Продуктовое мышление. Не «модель ради модели», а влияние на learning outcomes.

Типичные задачи и кейсы

• «Спроектируй рекомендации следующего урока для студента»
• «Модель churn подписки. Фичи, целевая, метрика»
• «NLP-проверка эссе: classification по уровню (A1-C2)»
• «Как мерить эффект персонализации на learning outcomes»
• «Cold start новых студентов: что рекомендовать в первые 3 урока»

Как готовиться: план

1. Classical ML. Logistic regression, gradient boosting.
2. NLP базовый. TF-IDF, BERT-эмбеддинги, классификация.
3. Подписочные метрики. Trial conversion, retention curve, churn.
4. A/B на длинных циклах. Holdout vs A/B.
5. EdTech-домен. Учебные модели (mastery learning, spaced repetition, adaptive learning).

Частые ошибки

• Игнорировать learning outcomes. Retention высокий, но студент не учится — плохая модель.
• Короткие A/B. Эффект на learning видно через 4-8 недель.
• Кейсы без контекста студента. Уровень, цель, motivation — разные сегменты, разная модель.
• Слабая SQL. Уверенный middle обязателен.

Связанные темы

• Собеседование на Data Scientist
• Holdout vs A/B на практике
• CUPED — снижение дисперсии A/B
• Embeddings на собесе DS
• Метрики ML на собесе

FAQ

Сколько этапов в собеседовании на DS в Skyeng?

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

Нужен ли опыт в EdTech?

Желателен, но не обязателен. Релевантным считается любой subscription business + опыт с rec sys / NLP.

Какие алгоритмы спрашивают?

Classical ML обязательно. NLP базовый. Deep learning — только в командах, занимающихся NLP-задачами.

Какой уровень SQL?

Уверенный middle: оконки, CTE, JOIN.

Это официальная информация?

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