Вопросы рекрутеру и нанимающему менеджеру на собеседовании

Коротко

Собеседование — двусторонний процесс. Работодатель оценивает вас, вы — его. Правильные вопросы показывают вашу экспертизу, помогают избежать плохих офферов и дают реальную картину будущей работы. «У меня нет вопросов» — красный флаг для обеих сторон. Ниже — 30 вопросов, сгруппированных по темам, с пояснениями, что ответы говорят о компании.

Про данные и инфраструктуру

1. Какие основные источники данных? Ожидайте: PostgreSQL, ClickHouse, BigQuery, API, логи, CRM. Если «всё в Google Sheets» — аналитику придётся строить инфраструктуру с нуля.

2. Есть ли хранилище данных? Без DWH аналитик тратит время на ETL вместо анализа. Хорошо: есть DWH + ETL-пайплайн. Нормально: планируют. Плохо: «а что это?».

3. Какой стек аналитики? SQL-диалект, BI-инструменты, Python/R, системы трекинга (Amplitude, PostHog, Mixpanel). Стек говорит о зрелости data-культуры.

4. Как устроен трекинг событий? Есть ли event tracking? Кто добавляет новые события — аналитик, разработчик, автоматически? Если «трекинга нет» — первые месяцы уйдут на его внедрение.

5. Насколько данным можно доверять? Есть ли дубликаты, пропуски, расхождения между источниками? Честный ответ: «есть проблемы, но мы работаем над этим». Тревожный: «у нас идеальные данные» (не бывает) или «мы не проверяли».

Про роль и задачи

6. Как выглядит типичная неделя аналитика? Хотите услышать: 40% ad hoc запросы, 30% дашборды и отчёты, 30% исследования и A/B-тесты. Тревожный сигнал: 90% «срочных выгрузок для начальства».

7. Какие задачи будут в первые 3 месяца? Конкретные задачи — хорошо. «Разберёшься на месте» — плохо (нет плана).

8. Кто основные заказчики аналитики? Продакт, маркетинг, CEO, финансы? От этого зависит тип задач: продуктовые метрики vs маркетинговая атрибуция vs финансовые отчёты.

9. Есть ли процесс приоритизации задач? Без процесса аналитик тонет в «срочных» запросах от всех подряд. Хорошо: бэклог с приоритетами. Приемлемо: еженедельное планирование. Плохо: «все задачи срочные».

10. Какие решения принимаются на основе данных? Если «мы запускаем фичи без A/B-тестов» или «данные смотрим, но решения принимает CEO по интуиции» — культура принятия решений на данных не зрелая.

Про команду

11. Сколько аналитиков в команде? 1 аналитик на всю компанию — вы делаете всё: от SQL до дашбордов и ETL. 5+ аналитиков — специализация и менторство.

12. Есть ли data engineers? Если нет — аналитик будет строить пайплайны. Если есть — можно фокусироваться на анализе.

13. К какой команде прикреплён аналитик? Централизованная аналитика (отдельный отдел) vs децентрализованная (аналитик в продуктовой команде). Оба подхода имеют плюсы, но ваш день будет выглядеть по-разному.

14. Кто будет мой непосредственный руководитель? Технический лид (data-бэкграунд) vs менеджер (бизнес-бэкграунд). От этого зависит тип обратной связи и возможности роста.

15. Как устроен онбординг? Есть ли документация, ментор, план первых недель? «Разберёшься сам» — красный флаг для junior.

Про процессы

16. Как устроен процесс A/B-тестирования? Есть ли платформа? Кто считает размер выборки? Кто принимает решение о запуске? Если «A/B-тестов нет» — возможность их внедрить.

17. Как аналитики доносят результаты? Дашборды, отчёты, презентации, Slack-сообщения? Если только «SQL-запрос в Jira-тикете» — культура коммуникации слабая.

18. Как часто обновляются дашборды? Реал-тайм, ежедневно, еженедельно? Кто поддерживает? Если «дашборды есть, но они сломаны» — значит, поддержка ляжет на вас.

19. Есть ли code review для SQL/Python? Код-ревью в аналитике — признак зрелости. Если нет — ошибки в запросах проходят незамеченными.

20. Как устроен доступ к данным? Могу ли я запускать запросы напрямую? Есть ли sandbox? Нужно ли ждать доступы неделями? Бюрократия vs скорость.

Про рост и развитие

21. Как выглядит карьерный путь аналитика? Junior → Middle → Senior → Lead/Principal? Или потолок — Senior? Есть ли IC-трек (individual contributor) и менеджерский?

22. Есть ли бюджет на обучение? Конференции, курсы, книги. Хорошо: $1000+ в год. Нормально: можно обосновать. Плохо: «учись за свой счёт».

23. Какие навыки нужны для перехода на следующий уровень? Конкретные критерии — хорошо. «Проработать 2 года» — плохо (время ≠ рост).

24. Есть ли примеры аналитиков, которые выросли в компании? Реальные истории роста vs «теоретически можно».

Про культуру

25. Какой формат работы (офис/удалёнка/гибрид)? И гибкость: можно ли иногда работать удалённо, если офис обязателен?

26. Как устроена обратная связь? 1-on-1 с руководителем? Как часто? Performance review?

27. Что вам нравится в работе здесь? Личный вопрос для собеседующего. Искренний ответ vs шаблонный — говорит больше, чем описание вакансии.

Красные флаги

Ответы, после которых стоит задуматься:

• «Данных пока нет, но мы планируем» (если вакансия не про построение аналитики с нуля)
• «Аналитик — это про Excel-отчёты»
• «A/B-тесты не нужны, мы и так знаем, что работает»
• «Стек выберешь сам» (нет стандартов)
• «Все задачи срочные»
• Не могут назвать конкретную задачу на первый месяц

Когда и сколько спрашивать

• Рекрутеру (первый звонок): 3–5 вопросов про роль, команду, процесс
• Техническое собеседование: 2–3 вопроса про стек, данные, задачи
• Финальное собеседование: 3–5 вопросов про рост, культуру, ожидания

Не спрашивайте всё сразу — выберите самые важные для каждого этапа. Задавайте те вопросы, ответы на которые реально повлияют на ваше решение.

FAQ

Можно ли спрашивать про зарплату на первом звонке?

Да. Лучше сразу узнать вилку, чем пройти 5 этапов и узнать, что бюджет вдвое ниже ожиданий. «Какая зарплатная вилка для этой позиции?» — нормальный вопрос.

Что если у меня нет вопросов?

Значит, вы недостаточно подготовились. Изучите компанию, продукт, вакансию — вопросы появятся. «Нет вопросов» = «мне всё равно, куда идти».

Как не показаться агрессивным?

Формулируйте через интерес: «Мне важно понять...», «Расскажите, как у вас устроен...». Не через претензию: «Почему у вас нет...».

Как тренироваться

Подготовка к собеседованию — не только технические вопросы. В тренажёре Карьерник — 1500+ вопросов по SQL, Python, статистике и продуктовой аналитике. Больше вопросов — в разделе с примерами.