Собеседование на ML Engineer в Belka Games

Почему Belka Games — особенный работодатель для MLE

Belka Games — международная мобильная игровая студия с русскоязычной командой, известна казуальными хитами Clockmaker, Solitaire Cruise, Funky Bay и Mahjong Journey. Игры — F2P-модель с in-app purchases и рекламой как основными источниками монетизации, аудитория — десятки миллионов установок по всему миру, основные рынки — США, Европа, Япония. Belka активно нанимает русскоязычных специалистов на полную удалёнку, что делает компанию популярной среди MLE, ищущих международный опыт без релокации.

ML-системы: monetization (recommendation внутри-игровых офферов, dynamic pricing, IAP-предложения), retention / churn prediction (предсказание оттока с горизонтом 7/14/30 дней), ad personalization (выбор рекламных форматов и сетей под игрока), антифрод (детекция ботов, refund-fraud, накруток), recommendation в магазине игр. Особенность Belka — фокус на casual F2P unit economics: LTV, payback CAC, ad revenue per DAU.

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей + K8s для deployment + AWS как основная инфраструктура (S3, EMR, Redshift, SageMaker) + Spark для тяжёлых ETL + MLflow для трекинга экспериментов.

Актуальные вакансии — на hh.ru и сайте Belka Games.

Этапы собеседования

Цикл занимает 4-6 недель и включает 5-7 этапов. Belka — международная компания, процесс структурированный, часть собеса на английском (особенно с зарубежной командой). Упор на mobile gaming и F2P unit economics.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, mobile gaming / casual / F2P background — большой плюс. Английский — обязателен для большинства команд. Готовь питч 90 секунд: проекты, бизнес-эффект, стек. Если работал в mobile games, ad-tech, F2P-монетизации — упомяни сразу.

2. ML-теория (60-90 минут)

Базовая секция с ведущим ML-инженером. Темы: градиентный бустинг (CatBoost vs XGBoost), recommendation (CF, two-tower, factorization), churn prediction (survival analysis, classification), uplift modeling для монетизации, propensity-модели. Будь готов рассказать про mobile-specific фичи: device-level signals, session patterns, IAP behavior, ad engagement.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: 1-2 задачи на алгоритмы (LeetCode Medium), плюс задача на ML-pipeline — написать функцию для расчёта Lift в uplift modeling, реализовать sampling для negative samples, отладить чужой код с утечкой train/test. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсовая секция. Кейсы уровня «спроектируй monetization pipeline для casual F2P», «churn prediction для retention в мобильной игре», «ad personalization для выбора рекламной сети». Нужно: уточнить бизнес-метрику (revenue per DAU, retention, LTV), описать архитектуру, выбрать модели, продумать data leakage, A/B-план, мониторинг.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

Секция про инфраструктуру: K8s deployment, AWS-инфраструктура, мониторинг моделей. Кейсы про откат модели, drift, инциденты с качеством. Знание AWS-стека (S3, EMR, SageMaker) — серьёзный плюс.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое + английский (45 минут)

С тимлидом и/или представителем команды. STAR-формат: конфликт с продактом, факап с моделью, спор по архитектуре. Часть собеса на английском (особенно с зарубежной командой). Belka ценит самостоятельность и владение метриками F2P.

Особенности по командам

Monetization ML. Ядро F2P-аналитики: внутри-игровые офферы, dynamic pricing для IAP, рекомендации в магазине. Команда работает с uplift modeling, propensity, sequential. Тесная работа с продактами и геймдизайнерами. Подойдёт тем, кто работал с recsys в e-commerce или F2P.

Retention / Churn ML. Прогноз оттока с горизонтом D7/D14/D30, propensity для re-engagement-кампаний, persona-driven content scheduling. Тесная работа с CRM. Подойдёт кандидатам с retention-опытом в подписке или mobile apps.

Ad personalization. Выбор рекламных форматов (interstitial, rewarded video, banner) и сетей под игрока, балансировка ad-frequency vs retention. Тесная работа с mediation-провайдерами (AppLovin, Unity, Meta Audience Network). Подойдёт тем, у кого опыт с ad-tech или mediation.

Антифрод. Детекция ботов, накруток, refund-fraud. ML-системы анализируют behavior, device fingerprints, network. Подойдёт тем, у кого опыт в anti-fraud.

Recommendation. Магазин игр Belka (если есть unified store) или внутри-игровая рекомендация контента. Recsys на основе поведения и метаданных контента.

Что Belka Games ценит в MLE

Production ML. Базовое требование. Нужны истории про реальные модели в проде с количественным эффектом. Слабый — «делал на Kaggle»; сильный — «monetization-модель на 5М MAU, +12% revenue per DAU в pilot, deploy через K8s на AWS».

Casual / mobile gaming context. Понимание особенностей casual mobile: short sessions, high churn в первые дни, важность first-week experience, ad-supported revenue. Если в mobile games не работал, изучи блоги Supercell, King, Playrix.

F2P unit economics. LTV (D7, D14, D30, D90), CAC payback, ARPDAU, ARPPU, ad revenue per impression. Слабый — «считал LTV»; сильный — «считал predicted LTV с учётом D7 indicator features, payback CAC за 30 дней, разделял paying и non-paying когорты».

K8s + AWS. AWS-знание критично — Belka полностью на AWS-стеке. Слабый — «не работал с AWS»; сильный — «деплоил в K8s на EKS, использовал S3 для storage моделей, EMR для Spark-jobs, мониторил через CloudWatch».

Английский. Свободный английский — обязателен для большинства команд. Будь готов обсуждать архитектуру и кейсы на английском.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML. LeetCode Medium 30+ задач, Catboost, uplift modeling, F2P-метрики. Параллельно прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. Python для DS, ML-теория.
2. Неделя 3 — K8s + AWS. Подними хотя бы 1 модель в EKS, изучи S3, EMR, SageMaker, CloudWatch.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — System design + gaming ML. Кейсы monetization, retention, ad personalization. Model serving.
5. Неделя 6 — Monitoring + deployment. Drift, canary, A/B. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral + английский. Mock-интервью на английском, 5-7 STAR-историй.

Частые ошибки

Без mobile gaming понимания. Кандидат говорит «у меня опыт с e-commerce» — может пройти, но на System Design отвалится. Сильный — «изучил casual mobile, understanding session patterns, IAP behavior, ad revenue».

Без monetization. Кандидат говорит «делал классификацию» — для Belka слабо. Сильный — «делал uplift modeling для outflows, +18% revenue в treated cohort, propensity для IAP с учётом D1 events».

Без AWS. Кандидат говорит «работал с self-managed K8s» — слабо. Сильный — «деплоил в EKS, использовал managed-сервисы AWS, мониторил через CloudWatch и Prometheus».

Только notebook. Кандидаты с Jupyter-only валятся на live-coding. Сильный — «свои проекты переписал в виде пакетов с тестами и CI/CD».

Слабый английский. Для Belka — критичное ограничение. Сильный — свободно обсуждает архитектуру и поведенческие истории на английском.

Связанные темы

• Собеседование на ML Engineer
• MLOps
• Feature stores
• Model serving
• Monitoring и drift
• Deployment strategies

FAQ

Удалёнка в Belka Games для MLE?

Часто полная удалёнка, международная команда. Belka активно нанимает удалённо.

Зарплатные вилки 2026?

Middle MLE: 310-460k. Senior: 460-690k. Конкурентоспособные международные вилки.

Английский нужен?

Да, обязательно. Свободный говорящий — критичен для большинства команд.

Сколько этапов?

5-7 этапов, 4-6 недель.

Это официальная информация?

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