Собеседование маркетингового аналитика

Проверь себя · 1/3разбор после ответа
Вы улучшаете онбординг и хотите рано увидеть сигнал о работающем изменении. Какая из метрик является ярко выраженным запаздывающим индикатором — то есть подтверждающим, а не опережающим показателем?

Что спрашивают на собесе маркетингового аналитика

Маркетинговый аналитик стоит на стыке маркетинга и данных: его задача — понять, какие каналы и кампании реально приносят деньги, а какие просто красиво выглядят в отчёте. Поэтому собеседование проверяет не «знаете ли вы определение CAC», а умеете ли вы связать рекламный бюджет с выручкой и объяснить, где в этой цепочке теряется правда. От продуктового аналитика роль отличается фокусом: здесь больше про привлечение, платные каналы и атрибуцию, меньше — про внутреннюю продуктовую воронку и использование фич.

Хорошая новость в том, что набор тем конечен и из собеседования в собеседование повторяется. Если разобрать атрибуцию, маркетинговые метрики и когорты до автоматизма, секция превращается из стресса в предсказуемую часть. Ниже — основные блоки, которые встречаются почти на каждом цикле.

Атрибуция. Главная тема маркетинговой аналитики. Last-click отдаёт всю заслугу последнему касанию перед конверсией, multi-touch распределяет её по всей цепочке. Интервьюер хочет услышать, почему last-click переоценивает каналы внизу воронки (брендовый поиск, ретаргетинг) и недооценивает верхние касания, которые создали спрос. Дальше идут модели first-click, linear, time-decay, position-based, data-driven (Markov, Shapley) и MMM для оффлайна — нужно понимать, какая модель под какую задачу.

Маркетинговые метрики. CAC (стоимость привлечения клиента), LTV, ROMI и ROAS, CR (конверсия по шагам воронки), CTR и CPA. Часто просят на ходу объяснить разницу между ROMI и ROAS или прикинуть, при каком LTV/CAC канал остаётся прибыльным. Базовый ориентир здоровой модели — LTV/CAC выше трёх и понятный payback period, но это порядок величины, а не закон.

Когортный анализ. Группировка пользователей по дате и каналу привлечения, чтобы смотреть retention и накопленный LTV по неделям и месяцам. Когорты отвечают на вопрос, который не виден в среднем CAC: трафик из одного канала может быть дешевле, но отваливаться через неделю, а из другого — дороже, но окупаться к третьему месяцу.

A/B-тесты и инкрементальность. Дизайн эксперимента, расчёт размера выборки, мощность, длительность с учётом недельной сезонности. Отдельно — инкрементальность: сколько конверсий канал создал сверх того, что произошло бы и без него. Это любимый вопрос на senior-уровне, потому что отделяет тех, кто верит отчёту рекламного кабинета, от тех, кто умеет измерять реальный эффект.

Юнит-экономика канала. Связать стоимость привлечения, маржу и удержание в одну модель и сказать, зарабатывает канал или сжигает бюджет. Сюда же — blended CAC против paid CAC и вопрос, куда относить органику и брендовый трафик.

SQL для маркетинговых данных. Уверенный уровень: когорты, воронки, расчёт метрик по каналам и кампаниям в одном запросе. SQL-секция у маркетингового аналитика обычно не легче, чем у продуктового, — много джойнов событий с источниками трафика и аккуратная работа с датами.

Веб-аналитика. Понимание событийной модели и UTM-разметки, основы Яндекс Метрики, Google Analytics и продуктовых систем вроде PostHog. Не обязательно знать каждый интерфейс, но нужно понимать, как сырое событие превращается в строчку отчёта и где там копятся искажения.

Как проходит секция

Формат зависит от компании, но цикл обычно собирается из нескольких этапов. Начинается со скрининга с рекрутером на 20–30 минут: опыт, инструменты, ожидания по зарплате. Дальше — SQL deep dive примерно на час, где дают схему из событий, источников трафика и заказов и просят собрать когорты, воронку или расчёт атрибуции прямо в запросе. Отдельная секция уходит на маркетинговые метрики и кейсы, ещё одна — на A/B-тесты, и часто цикл закрывает поведенческое интервью про работу с маркетинговой командой.

Сигнатурный кейс маркетингового аналитика — «оцени эффективность канала». Вам дают вводные про бюджет, заявки и продажи и просят сказать, стоит ли масштабировать канал. Сильный кандидат не выпаливает ROAS из головы: он уточняет, как устроена атрибуция, спрашивает про маржу и удержание, проговаривает разницу между корреляцией и инкрементальностью и предлагает, как проверить эффект экспериментом. Слабый — берёт цифру из рекламного кабинета и называет её прибылью.

В любом из форматов выигрывает не тот, кто помнит больше формул, а тот, кто связывает рекламные затраты с деньгами бизнеса и сам проговаривает, где в данных прячется ошибка.

Почему проваливают

Большинство кандидатов знают определения метрик, но спотыкаются на нюансах, и эти ловушки повторяются из собеседования в собеседование.

Первая — слепая вера в last-click. Кандидат отдаёт всю выручку последнему касанию и не замечает, что брендовый поиск просто собирает спрос, созданный другими каналами. Вторая — путаница ROMI и ROAS: их называют синонимами и забывают, что ROAS не знает ни про маржу, ни про себестоимость. Третья — корреляция вместо инкрементальности: «включили канал, продажи выросли» не доказывает, что выросли именно из-за канала. Четвёртая — A/B-тест без расчёта размера выборки и мощности, запущенный «на глаз» и остановленный, как только цифра стала красивой. Пятая — слабый SQL: маркетинговый аналитик пишет запросы каждый день, и неумение собрать когорту обнуляет все красивые слова про юнит-экономику.

Эти ошибки стоят оффера чаще, чем незнание экзотических моделей атрибуции. Их достаточно один раз разобрать и больше не повторять.

Примеры вопросов с разбором

Попробуйте ответить сами, прежде чем читать разбор.

  1. Чем ROMI отличается от ROAS? ROAS — это выручка на рубль рекламы (revenue / ad spend), он не учитывает ни себестоимость, ни маржу, ни остальные маркетинговые расходы. ROMI считает возврат на маркетинговые инвестиции с учётом прибыли: (прибыль − маркетинговые затраты) / маркетинговые затраты. Канал может иметь высокий ROAS и при этом отрицательный ROMI, если маржа низкая.

  2. Что не так с моделью last-click? Она приписывает всю конверсию последнему касанию и потому переоценивает каналы внизу воронки — брендовый поиск, ретаргетинг, прямые заходы. Каналы, которые создали спрос на старте (охватная реклама, контент), выглядят бесполезными, и бюджет утекает туда, где спрос просто собирают.

  3. Как оценить инкрементальность канала? Через эксперимент с контрольной группой: holdout (части аудитории канал не показывают), geo-эксперименты (отключаем канал в части регионов и сравниваем), PSA или ghost ads. Инкрементальность показывает конверсии сверх базового уровня — те, которых без канала не случилось бы. Сравнение «было/стало» без контроля не годится: на результат влияют сезонность и другие кампании.

  4. Как построить когорты для маркетинга? Сгруппировать пользователей по дате и каналу привлечения и смотреть retention и накопленный LTV по неделям или месяцам с момента первого касания. Так видно качество трафика, а не только его стоимость: дешёвый канал может отваливаться за неделю, дорогой — окупаться к третьему месяцу.

  5. Как посчитать CAC по каналам? Затраты на канал поделить на число привлечённых из него клиентов за тот же период. Ловушка — общие расходы (зарплаты, продакшн креативов) и пересечение каналов: куда отнести клиента, который пришёл из охватной рекламы, а конвертировался через брендовый поиск. Поэтому различают paid CAC по каналу и blended CAC по всему маркетингу.

  6. Что такое LTV и как связать его с CAC? LTV — суммарная прибыль с клиента за всё время жизни. Здоровье юнит-экономики оценивают отношением LTV/CAC: ориентир выше трёх и payback period в разумные месяцы. Если CAC растёт быстрее LTV, канал нужно либо чинить, либо выключать, каким бы красивым ни был его ROAS.

  7. Когда multi-touch атрибуция лучше single-touch, а когда хуже? Multi-touch честнее распределяет заслугу по цепочке касаний и виден вклад верхней воронки. Но она требует сквозного трекинга пользователя, чувствительна к потере данных (ограничения cookie, кросс-девайс) и сложнее в поддержке. На простом коротком пути к покупке single-touch может быть достаточно и надёжнее.

  8. Как спроектировать A/B-тест маркетинговой кампании? Зафиксировать метрику и минимально значимый эффект (MDE), посчитать размер выборки под мощность около 80% и значимость 5%, заложить длительность с учётом недельной сезонности и не останавливать тест досрочно при первом всплеске (проблема peeking). Без расчёта sample size результат — это шум.

  9. Что такое payback period и зачем он маркетингу? Срок, за который выручка или прибыль с клиента окупает затраты на его привлечение. Он важен для денежного потока: канал с хорошим LTV/CAC, но окупаемостью в год, может кассово душить бизнес сильнее, чем канал с быстрым payback и средним LTV.

  10. Когда применяют Marketing Mix Modeling (MMM)? Когда нет надёжного user-level трекинга — оффлайн-каналы, ТВ, наружка, ограничения по cookie и приватности. MMM строит регрессию выручки на маркетинговые затраты по каналам на агрегированных данных, учитывая отложенный эффект (adstock) и насыщение (saturation). Это не замена экспериментам, а способ оценить вклад там, где клик не отследить.

Подробные разборы по темам

Как готовиться

За четыре–шесть недель реально подтянуть все блоки, если идти от фундамента к кейсам. Первые две недели — глубокий SQL: когорты, воронки и расчёт метрик по каналам в одном запросе, потому что это самая весомая и самая отсеивающая часть. Третью неделю отдайте маркетинговым метрикам: разберите CAC, LTV, ROMI, ROAS и юнит-экономику канала так, чтобы свободно объяснять разницу и считать в уме. Четвёртая неделя — A/B-тесты и инкрементальность: дизайн, размер выборки, мощность, методы holdout и geo-экспериментов. Пятую посвятите кейсам формата «оцени эффективность канала», а шестую — мокам и поведенческим вопросам.

Главный принцип подготовки — практиковаться на коротких вопросах с быстрым разбором, а не зубрить теорию. На собеседовании проверяют понимание концепций и скорость рассуждения, а не способность написать запрос на сорок строк. Удобно прогонять такие вопросы пачками и сразу читать объяснение — например, в банке примеров вопросов, где собраны задачи по SQL, метрикам, A/B и статистике с разбором после каждого ответа.

Частые ошибки

Самая дорогая ошибка на собеседовании — называть цифру из рекламного кабинета прибылью и не задавать уточняющих вопросов. Перед расчётом всегда проговорите, как устроена атрибуция, какая маржа у продукта и как считается удержание, иначе любой ваш ROAS повисает в воздухе. Вторая ошибка — путать корреляцию с причинностью: рост продаж после запуска канала не доказывает, что канал сработал, и интервьюер ждёт, что вы сами предложите проверку экспериментом.

Третья — переусложнять там, где не нужно: тащить data-driven атрибуцию и MMM в задачу, которую закрывает аккуратная когорта и здравый смысл. Четвёртая — игнорировать бизнес-контекст и говорить «просто цифрами», без связи с деньгами и решениями маркетинга. Кандидат, который сам поднимает вопросы про маржу, инкрементальность и денежный поток, выглядит сильнее того, кто выдал формально верный, но оторванный от бизнеса ответ.

Другие темы

FAQ

Чем маркетинговый аналитик отличается от продуктового?

Маркетинговый фокусируется на привлечении: атрибуция, платные каналы, CAC и LTV по источникам, эффективность кампаний. Продуктовый — на том, что происходит внутри продукта: использование фич, retention, рост. Границы размыты, и SQL с A/B-тестами нужны обеим ролям, но акценты на собеседовании разные.

Какие метрики спрашивают чаще всего?

CAC, LTV и их отношение, ROMI и ROAS, CR по шагам воронки, CTR и CPA, payback period. Почти всегда просят объяснить разницу между ROMI и ROAS и прикинуть, при каких значениях канал остаётся прибыльным.

Насколько глубокий нужен SQL?

Уверенный. Когорты, воронки, расчёт метрик по каналам и кампаниям, аккуратная работа с датами и джойнами событий с источниками трафика. SQL-секция у маркетингового аналитика обычно не легче, чем у продуктового.

Нужен ли Python?

Желательно базовый: pandas для когорт и атрибуции, иногда простые модели прогноза LTV или оттока. На junior- и middle-позициях обязательным его делают не всегда, но он усиливает кандидата.

Какие инструменты стоит знать?

SQL — обязательно. Из веб-аналитики — Яндекс Метрика, Google Analytics, продуктовые системы вроде PostHog, плюс понимание UTM-разметки и событийной модели. Таблицы (Excel/Sheets) нужны для коммуникации с маркетингом, BI — для отчётности.

Где практиковать вопросы?

На открытых маркетинговых датасетах, в SQL-тренажёре и на разборах кейсов. Полезно прогонять короткие вопросы по метрикам, A/B и SQL с моментальным объяснением, чтобы закреплять паттерны, а не заучивать определения.

Открыть Карьерник в Telegram