Собеседование на Data Scientist в Яндекс Еда

Почему Яндекс Еда — особенный работодатель для DS

Яндекс Еда — крупный российский сервис доставки еды. DS работает над ETA-прогнозом, расчётом нагрузки на курьеров, рекомендациями ресторанов и блюд, fraud-детекцией, ценообразованием доставки.

Особенность: трёхсторонний рынок (юзеры, рестораны, курьеры), real-time-операции, time-series + geo-данные. Модели должны учитывать кулинарные предпочтения, время приготовления, погоду, гео-плотность. Подробнее — на странице карьеры Яндекса.

Этапы собеседования

1. Скрининг с рекрутером (30 минут)

Опыт, мотивация. Специфика:

• Был ли опыт с food delivery / маркетплейсом / real-time ML
• Знание классического ML + recsys
• Готовность к operational ML

2. SQL и Python (60 минут)

SQL — middle. Python — pandas, sklearn, numpy.

3. ML-теория (60-90 минут)

• Classical ML: gradient boosting
• Recsys: collaborative filtering, content-based, hybrid
• Time series: ARIMA, ML на лагах
• Метрики regression: MAE, MAPE, WAPE
• Метрики ranking: NDCG, MRR, recall@k

4. ML system design (60 минут)

«Спроектируй модель ETA», «recommender блюд», «прогноз нагрузки на курьеров на час вперёд».

5. Поведенческое + финал

STAR + стратегический разговор.

Что Яндекс Еда ценит в DS

• Recsys навыки. Recommender блюд, ресторанов, cross-sell.
• Time-series. Прогноз нагрузки, спроса.
• Geo / гео-данные. Покрытие районов, плотность ресторанов.
• Real-time ML. Inference в миллисекундах.
• Causal inference. Эффект promo / новинок на bookings.

Типичные задачи и кейсы

• «Спроектируй модель ETA от заказа до получения»
• «Recommender ресторанов: collaborative или content-based»
• «Прогноз нагрузки курьеров на следующий час»
• «Fraud-детекция платежей и promo-абуза»
• «Динамическое ценообразование доставки: модель и метрики»

Как готовиться: план

1. Recsys. Collaborative filtering, content-based, hybrid, ranking metrics.
2. Time series. ARIMA, Prophet, ML на лагах.
3. Classical ML. Gradient boosting.
4. Geo. OSM, distance, geohash.
5. Causal inference. CUPED.

Частые ошибки

• Recsys без понимания cold start. В food delivery новые рестораны / блюда — постоянно.
• MAPE на 0. Заказы могут быть 0 в час — лучше WAPE.
• Игнорировать сезонность. Утро / обед / ужин / выходные — разные модели.
• Сложная модель в реальном времени. Inference в миллисекундах.

Связанные темы

• Собеседование на DS в Яндекс
• Собеседование на DS в Я.Go
• Embeddings на собесе DS
• Ranking метрики (NDCG)
• Собеседование на PM в Я.Еде

FAQ

Сколько этапов в собеседовании на DS в Яндекс Еде?

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

Нужен ли опыт в food delivery?

Желателен. Релевантным считается e-com, маркетплейс, mobility.

Какой уровень SQL?

Уверенный middle.

Спрашивают ли deep learning?

Базовый — для recsys можно. Главное classical ML + time series.

Это официальная информация?

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