Слив технической части со стажировки в Х5 на аналитика

Все вопросы для DA, DS, DE беруется из одного пула. Кстати прямо сейчас идет набор на стажировку в Х5 на аналитика. Задания уже выложены здесь. Разбор заданий уже выложен на нашем курсе "Аналитика ПРО". Дедлайн 6 октября. Успей записаться с гарантией оффера.
➡ Записаться

Ниже сами вопросы с технической части от нашего студента, на ваш суд.

Задача 1.
есть rnd2() -> P(0)=0.5, P(1)=0.5
Напиши rnd3() -> P(0)=0.33, P(1)=0.33, P(2)=0.33

def rnd3():
# while True:
# val = 2*rnd2() + rnd2()
# if val < 3:
# return val
val = 2 * rnd2() + rnd2()
if val < 3:
return val
else:
return rnd3()

Задача 2.
Есть список (list) из float чисел пришедших из какого-то пораждаюшего процесса.
Оценить математическое ожидание по определению

Задача 3.
orders
+----------------+
| order_id |
| date_time |
| amount |
| customer_id |
+----------------+

customer
+----------------+
| customer_id |
| fio |
| age |
+----------------+

Для каждого посетителя найти максимальный интервал между последовательными заказами в днях.

WITH orders_with_lag AS(
SELECT
customer_id
date_time,
LAG(date_time) OVER(PARTITION BY customer_id ORDER BY date_time) AS prev_date_time
FROM orders
)
SELECT
customer_id,
fio,
MAX(DATEDIFF(date_time, prev_date_time)) AS max_inter
FROM customer c
LEFT JOIN orders_with_lag o ON c.customer_id = o.customer_id
WHERE prev_date_time IS NOT NULL
GROUP BY c.customer_id, c.fio;


y = x0 + w*x1 + w*x2 + ...
real_y = 0 0 0
pred_y = 0 -1 1
1/n сумма (y_i - a_i)^2 -> min


y = w0 + w1x1
y = w0 + w1x1 + w2x2
x1 = x2

y = w0 + x1(w1+w2)

Подписаться: @ProdAnalysis

Удачный эксперимент — повод порадоваться. Пять аналитических кейсов — повод собраться и обменяться находками 📊

14 октября встречаемся на аналитическом онлайн-митапе с экспертами hh.ru и X5. Послушаем кейсы коллег и присмотрим идеи для своих задачек.

В программе:

🔴 Кирилл Фейн, hh.ru — как поручить выбор посылов для баннера «многорукому бандиту» и проверить, справляется ли он лучше A/B-экспериментов.
🟩 Анастасия Тяпкина, X5 — зачем корзине собственный ID и что он помогает узнать о покупках, которые так и не случились.
🔴 Дмитрий Утенков, hh.ru — как тестировать системы приоритизации лидов и не принять пару крупных платежей за доказательство успеха модели.
🟩 Александр Кореньков, X5 — как с помощью Marketing Mix Modeling отделить эффект охватной рекламы от других факторов.
🟩 Анастасия Маврина, X5 — как выяснить, почему просели метрики поиска: проблема в понимании запроса, ассортименте или ранжировании.

📅 14 октября 2026, начало 18:30 МСК
💻 Онлайн, трансляция в VK и YouTube

🎟 Зарегистрироваться бесплатно — ссылки на трансляцию пришлём незадолго до начала.

12 октября стартует подготовка к ШАДу

90% наших учеников, поступивших в ШАД, советуют начинать подготовку как можно раньше. Весенний отбор кажется далёким, но за это время нужно не только пройти темы, а ещё научиться уверенно решать задачи и уметь проходить экзамены и собесы в формате ШАД.

В этот понедельник стартуют наши курсы по поступлению в ШАД. И ты успеваешь присоединиться к старту потока.

Готовим по 6 направлениям:
⏩Алгоритмы
⏩Анализ данных
⏩Линейная алгебра
⏩Теория вероятностей
⏩Дискретная математика
⏩Математический анализ

За 3 месяца пройдём путь от базовых понятий до сложных задач. В основе курсов — практика:
🔵ДЗ и еженедельные пробники с проверкой
🔵Обратная связь по твоему решению: где ошибка и что доработать
🔵Задачи прошлых отборов и закрытая база для самостоятельной практики
🔵Пробный экзамен и мок-собеседования

Каждый год мы подробно разбираем все этапы экзамена: смотрим, какие темы появляются чаще, какие задачи повторяются, какие паттерны встречаются в отборах. На основе этого анализа строится программа курсов —
вы готовитесь к тому, что реально будет на экзамене.

🔊Скидки к запуску действуют до 11 октября
Собери комбо из предметов для системной подготовки по спеццене. Расписание курсов не пересекается, удобно совмещать с учебой и работой, а если что-то не получается, то куратор поможет.

Остались вопросы, или ты не уверен, что курс подойдет тебе? Пиши в личку менеджеру — поможем и объясним ▶️

⭐️ЗАПИСАТЬСЯ НА КУРС⭐️

Понимание продуктового и проектного управления

Начнём с базы: продуктовое управление ≠ проектное управление.

Проектное управление — это когда уже понятно, что нужно сделать, и твоя задача — организовать работу так, чтобы это случилось в нужный срок, с нужным качеством и чтобы ничего не сломалось по дороге (по возможности)

Пример ⬇️

Компания решила запустить оплату по СБП в приложении до 1 декабря.

Это проект. И тут нужно:
— собрать требования;
— понять, какие команды участвуют;
— поставить задачи разработке и дизайну;
— договориться с банком/провайдером;
— учесть зависимости;
— протестировать;
— запустить к сроку.

Главный вопрос ⏬

«Как нам это реализовать?»

🫥🫥🫥

Продуктовое управление начинается чуток раньше проектного.

Если проджекту уже сказали, что надо делать оплату по СБП, то продакт заранее подумал:

«А зачем нам вообще СБП?»

Например, мы видим, что пользователи часто бросают заказ на этапе оплаты.

Дальше продакт начинает разбираться:
— у кого именно проблема
— почему люди уходят
— может, у них не проходит карта
— может, они не хотят вводить данные карты
— может, проблема вообще не в оплате, а в стоимости доставки

И только после этого появляется гипотеза:

«Если добавить оплату через СБП, конверсия в заказ вырастет».

Потом её нужно проверить и чекнуть результат.

Главный вопрос продакта ⏬

«Какую проблему пользователя и бизнеса мы решаем и стоит ли вообще это делать?»

⸻

Ещё пример ⬇️

Представим сервис доставки еды.

Проект:
«До Нового года запустить раздел с праздничными блюдами».

Есть понятный результат и дедлайн. Нужно собрать команду, подготовить ассортимент, дизайн, разработку и успеть зарелизиться.

Продукт:
«Как помочь людям решить проблему с новогодним столом и при этом увеличить количество заказов?»

Ну и продакт генерит ряд решений:

— готовый набор на семью из 4 человек
— конструктор праздничного стола
— рецепты + ингредиенты одной кнопкой
— готовая еда
— доставка ко времени

И задача продакта — понять, какое реально нужно пользователю и даст результат бизнесу.

🫥🫥🫥

В реальной жизни менеджер продукта занимается и тем, и другим.

Он может утром разбираться, какую проблему вообще стоит решать, а вечером писать в чат:

«Коллеги, а почему релиз опять переехал на следующую неделю?»

Поэтому от продакта ждут понимания обеих частей:
⭐️продуктовое управление — найти правильную проблему и решение
⭐️проектное управление — организовать реализацию этого решения.

Как получить значимый A/B-тест из воздуха? 🥸

Товарищи, сегодня разберём одну из неприятных ошибок в A/B-тестировании, на которой можно легко завалиться даже с хорошим знанием матстата.

Представим, что мы тестируем новую рекомендательную систему.

В эксперименте:

• 10 000 пользователей в каждой группе
• Каждый пользователь совершил по 10 сессий
• CR в контроле = 10%
• CR в тесте = 10,3%

Аналитик берёт все 100 000 сессий в каждой группе, запускает z-test для долей и получает p-value ≈ 0,026.

Можно выкатывать?

Не торопимся)))

Проблема в том, что рандомизация происходила на уровне пользователей, а тест мы провели на уровне сессий.

Сессии одного пользователя зависимы. Если человек склонен покупать, он с большей вероятностью совершит покупку и в следующей сессии.

Получается, что наши 100 000 наблюдений не являются независимыми.

Это называется псевдорепликацией (pseudoreplication).

➡️Как оценить масштаб проблемы?

Введём intraclass correlation coefficient (ICC), который показывает корреляцию между наблюдениями внутри одного кластера.

Для кластеров одинакового размера поправка на дисперсию приближённо равна:

DE = 1 + (m − 1) × ICC

Где m — число наблюдений на пользователя.

Допустим, ICC = 0,2.

Тогда:

DE = 1 + 9 × 0,2 = 2,8

То есть дисперсия оценки примерно в 2,8 раза больше, чем предполагалось при независимости сессий.

А эффективный размер выборки:

n_eff ≈ 100 000 / 2,8 ≈ 35 714

Что будет с нашим p-value?

После учёта внутрипользовательской корреляции стандартная ошибка увеличится примерно в √2,8 раза.

И вместо p ≈ 0,026 мы получим уже около p ≈ 0,18.

Поздравляю, статистическая значимость исчезла 🙂

➡️Как правильно?

Если рандомизация идёт по пользователям, нужно учитывать зависимость наблюдений внутри пользователя.

Например:

• Агрегировать метрику до уровня пользователя и применять тест к пользовательским наблюдениям
• Использовать cluster bootstrap с ресемплированием пользователей
• Применять cluster-robust standard errors

Но есть нюанс: средняя конверсия по пользователям и общая конверсия по сессиям не всегда оценивают один и тот же эффект. При разном количестве сессий на пользователя это нужно учитывать отдельно.

Мораль: 200 000 строк в датасете ещё не означают 200 000 независимых наблюдений.

И перед выбором статистического критерия стоит проверить не только распределение метрики, но и единицу рандомизации, зависимости в данных и то, какой именно эффект мы пытаемся оценить.

🫥🫥🫥🫥
Такие задачи могут встретиться на контестах и собеседованиях на продуктового аналитика

Чтобы уверенно их решать, приходите на наши курсы «Аналитика СТАРТ» и «Аналитика ПРО»

До конца дня на них скидка 60% 🔔

Полный цикл отбора в Сбер на аналитика данных (команда саппорта)

Сейчас идет набор на стажировку в Сбер, делимся опытом прохождения нашего студента курса "Аналитика ПРО".

🔥 Разборы экзаменов и рекомендации будут выложены на наших курсах ПРО: Дата Аналитика на "Аналитике ПРО", LLM AI-агенты на "ИИ агенты ПРО", Machine Learning на "МЛ ПРО".
➡️ Записаться

Первый созвон с HR
На первом этапе был короткий созвон с HR. В основном обсуждали мотивацию: почему хочу работать именно в Сбере, чем интересна аналитика данных и почему выбрал это направление. Также попросили кратко рассказать о себе, своем опыте и навыках. Никаких сложных технических вопросов на этом этапе не было.

Техническое интервью
На техническом собеседовании проверяли базовые навыки работы с SQL и Python.

По SQL дали две простые задачи. Ничего сверхъестественного: нужно было продемонстрировать, что умеешь писать запросы и работать с данными.

По Python задавали несколько вопросов на знание самого языка и библиотеки pandas. Важно было понимать, как обрабатывать данные, работать с таблицами и выполнять базовые операции (типо мерджей, пивотов и т п).

В целом этап был вполне адекватным по сложности. Глубокого знания чего либо или даже знание аб тестов не требовалось.

Финальный этап
На финале был бизнес-кейс и снова обсуждали мотивацию. Кейс был примерно такой: вы аналитик данных в команде саппорта Сбера. За последний месяц количество обращений клиентов выросло на 20%. Руководство хочет снизить нагрузку на поддержку, не ухудшая качество обслуживания. Как будете анализировать ситуацию и какие метрики рассмотрите?

Здесь важно было разобраться в причинах роста обращений, предложить метрики эффективности поддержки и подумать, как снизить нагрузку без ущерба для клиентского опыта. Помимо кейса, еще раз поговорили о мотивации, интересе к команде и желании работать именно на этой позиции.

Если сравнивать с более сложными отборами в аналитические команды Яндекса, здесь входной порог заметно ниже.

Подписаться: @ProdAnalysis