Перейти к содержимому

Ghoster AI 3.3.5 — новый раздел «Прогресс»

Product Analyst

105 вопросов в базе. Ниже — разобранные вопросы с ответами.

21 разобрано
01Почему не используете зарубежные модели (OpenAI и др.)? Как относишься к вопросу персональных данных и 152-ФЗ?Intern — Middle+

Отказ от использования зарубежных моделей, таких как OpenAI, может быть обусловлен несколькими причинами, особенно в контексте российского законодательства и политики безопасности данных: • Закон 152-ФЗ «О персональных данных» требует, чтобы персональные данные граждан России обрабатывались и хранились с соблюдением определённых правил, включая локализацию данных на территории РФ. Использование зарубежных сервисов может привести к нарушению этих требований. • Контроль над данными и безопасность. При использовании зарубежных моделей данные могут передаваться и храниться на серверах за рубежом, что создаёт риски утечки или несанкционированного доступа. • Юридические и регуляторные риски. В случае споров или проверок сложно гарантировать соответствие требованиям, если данные обрабатываются вне юрисдикции. • Персонализация и адаптация. Собственные или локальные модели позволяют лучше адаптировать решения под специфику бизнеса и требования рынка. Отношение к персональным данным и 152-ФЗ должно быть ответственным: необходимо обеспечить прозрачность обработки, минимизировать сбор данных, использовать шифрование и контролировать доступ. Таким образом, выбор в пользу собственных или локальных моделей — это баланс между эффективностью, контролем над данными и соблюдением законодательства.

02Какие оконные функции использовал чаще всего? Чем RANK отличается от DENSE_RANK?Intern — Middle

Чаще всего в аналитике используются оконные функции для ранжирования, агрегации и вычисления скользящих метрик. • RANK() — присваивает ранг строкам в пределах окна, при этом при одинаковых значениях присваивает одинаковый ранг, а пропуски в рангах создаются, если есть дубликаты. Например, если две строки делят 1-й ранг, следующая получит 3-й. • DENSE_RANK() — похож на RANK() , но ранги идут подряд без пропусков. Если две строки имеют одинаковый ранг 1, следующая получит ранг 2. Пример: Значение RANK() DENSE_RANK() 100 1 1 100 1 1 90 3 2 80 4 3 Таким образом, DENSE_RANK удобен, когда важна непрерывность рангов, а RANK — когда нужно учитывать пропуски в позициях из-за дубликатов.

03Кейс: к тебе пришёл бизнес с большой задачей, у тебя нет времени всё расписать, но разработчик хочет приступить. Нужно за час отдать документ. Что ты напишешь и в каком формате?Middle+

В условиях ограниченного времени я подготовлю краткий документ в формате One-pager или Lean Canvas , чтобы быстро зафиксировать ключевые моменты задачи. В документе будут следующие разделы: • Цель проекта: что именно нужно достичь. • Основные требования: ключевые функции и ограничения. • Приоритеты: что важно сделать в первую очередь. • Ограничения и риски: что может повлиять на выполнение. • Следующие шаги: что нужно уточнить или сделать после. Такой формат позволит разработчику быстро понять суть задачи и начать работу, а детали можно будет дополнить позже. Например: Задача: Разработка функционала X Цель: Позволить пользователям делать Y для улучшения Z. Основные требования: • Функция A • Функция B Приоритеты: • Функция A • Функция B Ограничения: • Время выполнения не более 2 секунд • Совместимость с платформой Q Риски: • Возможные проблемы с интеграцией API Следующие шаги: • Уточнить детали по API у команды интеграции • Подготовить техническое задание

04Знаешь ли ты, что такое план запроса и как его посмотреть?Middle

План запроса — это подробное описание того, как СУБД будет выполнять SQL-запрос. Он показывает порядок операций, используемые индексы, методы соединения таблиц и оценочную стоимость выполнения. План помогает понять, почему запрос работает медленно, и найти возможности для оптимизации. Как посмотреть план запроса: • В PostgreSQL можно использовать команду EXPLAIN перед запросом, например: EXPLAIN SELECT * FROM orders WHERE customer_id = 123 ; • Для более подробного плана с оценками времени и статистикой используется EXPLAIN ANALYZE : EXPLAIN ANALYZE SELECT * FROM orders WHERE customer_id = 123 ; • В других СУБД, например в MySQL, есть похожие команды EXPLAIN . Анализируя план, можно увидеть, какие индексы используются, есть ли полное сканирование таблиц, и на основе этого улучшать запрос или структуру данных.

05Как ты видишь свой дальнейший карьерный трек? Почему откликнулась на нашу вакансию и почему хочешь уйти с текущего места?Intern — Middle+

В дальнейшем я вижу себя развивающимся в направлении продуктового аналитика с углублением в работу с данными и бизнес-метриками, чтобы лучше понимать потребности пользователей и помогать принимать обоснованные решения. Ваша вакансия заинтересовала меня, потому что в ней сочетаются задачи анализа данных и взаимодействия с продуктовой командой, что соответствует моим профессиональным интересам и опыту. Причина, по которой я рассматриваю смену работы, связана с желанием получить новые вызовы и возможности для роста, а также работать в более динамичной и ориентированной на развитие компании, где я смогу применить и расширить свои навыки.

06Расскажите о себе: вашем опыте, обучении и проектах.Intern — Middle+

Я аналитик продуктов с опытом работы в области сбора и анализа данных для улучшения пользовательского опыта и повышения эффективности бизнес-процессов. На последнем месте работы я занимался анализом пользовательских метрик, построением дашбордов и проведением A/B тестов для оценки влияния новых функций. Моя задача заключалась в том, чтобы выявлять ключевые инсайты из больших объемов данных, формулировать рекомендации для продуктовой команды и помогать принимать решения на основе данных. Я активно взаимодействовал с разработчиками, маркетологами и менеджерами, чтобы обеспечить понимание результатов анализа и их внедрение в продукт. Также я занимался автоматизацией отчетности и оптимизацией процессов сбора данных, что позволило сократить время подготовки аналитики и повысить её точность.

07Как ты оценивала ROI? Расскажи.Intern — Junior

Для оценки улучшения на 15% в мониторинговом дашборде обычно сравнивают ключевые метрики до и после внедрения изменений. Например, если дашборд показывает время отклика системы, то измеряется среднее время отклика за период до улучшений и после. Пример: • Среднее время отклика до: 200 мс • Среднее время отклика после: 170 мс Разница: (200 - 170) / 200 * 100% = 15% Также можно использовать A/B тестирование или анализ трендов с помощью статистических методов, чтобы убедиться, что улучшение действительно связано с изменениями, а не случайными колебаниями.

08Какие особенности есть у связи многие ко многим?Middle

Связь многие ко многим характеризуется тем, что одному объекту из первой сущности может соответствовать множество объектов из второй, и наоборот. Особенности: • Для реализации обычно используется промежуточная таблица (join table), которая хранит пары связей. • Такая связь позволяет гибко моделировать сложные отношения, например, студенты и курсы, где студент может посещать несколько курсов, а курс может включать много студентов. • При работе с такими связями важно учитывать производительность запросов и целостность данных. • В ORM часто есть специальные механизмы для удобного управления такими связями, включая каскадные операции и ленивую загрузку. Пример: таблица students , таблица courses и таблица student_courses с внешними ключами на обе таблицы.

09/* Задание 2 В социальной сети пользователям доступны следующие достижения: 1. «Звезда школы» выдается школьнику, который имеет наибольшее количество друзей. 2. «Хатико» выдается школьнику, который направил наибольшее количество заявок в друзья, но никто из школьников не подтвердил дружбу. Выведите id тех школьников, которые получили достижение, а также название их достижения. */Intern

Для решения задачи можно использовать SQL-запросы, предполагая, что есть таблица friend_requests с полями: • sender_id — кто отправил заявку • receiver_id — кто получил заявку • status — статус заявки ( confirmed или pending ) -- 1. «Звезда школы»: школьник с наибольшим количеством подтверждённых друзей WITH confirmed_friends AS ( SELECT sender_id AS user_id FROM friend_requests WHERE status = 'confirmed' UNION ALL SELECT receiver_id AS user_id FROM friend_requests WHERE status = 'confirmed' ), friend_counts AS ( SELECT user_id, COUNT ( * ) AS friends_count FROM confirmed_friends GROUP BY user_id ), max_friends AS ( SELECT MAX (friends_count) AS max_count FROM friend_counts ), star_school AS ( SELECT user_id, 'Звезда школы' AS achievement FROM friend_counts, max_friends WHERE friends_count = max_count ), -- 2. «Хатико»: школьник, который отправил наибольшее количество заявок, но ни одна не подтверждена unconfirmed_requests AS ( SELECT sender_id AS user_id, COUNT ( * ) AS sent_count FROM friend_requests WHERE status != 'confirmed' GROUP BY sender_id ), confirmed_requests AS ( SELECT sender_id AS user_id, COUNT ( * ) AS confirmed_count FROM friend_requests WHERE status = 'confirmed' GROUP BY sender_id ), hachiko_candidates AS ( SELECT u.user_id, u.sent_count FROM unconfirmed_requests u LEFT JOIN confirmed_requests c ON u.user_id = c.user_id WHERE COALESCE (c.confirmed_count, 0 ) = 0 ), max_unconfirmed AS ( SELECT MAX (sent_count) AS max_sent FROM hachiko_candidates ), hachiko AS ( SELECT user_id, 'Хатико' AS achievement FROM hachiko_candidates, max_unconfirmed WHERE sent_count = max_sent ) SELECT * FROM star_school UNION ALL SELECT * FROM hachiko; Этот запрос выводит id школьников и название их достижения.

10Какие метрики качества модели использовались в медицинском стартапе? Почему именно такие пороговые значения?Intern

В медицинских стартапах часто используют метрики качества модели, которые отражают баланс между чувствительностью (recall) и специфичностью (specificity), а также точностью (precision) и полнотой. Например, такие метрики как AUC-ROC, F1-score, sensitivity и specificity помогают оценить, насколько модель правильно выявляет больных и не ошибается с диагнозом. Пороговые значения выбираются исходя из клинической значимости: например, высокая чувствительность важна, чтобы не пропустить больных, даже если это приводит к некоторому числу ложноположительных результатов. Порог может устанавливаться так, чтобы чувствительность была не ниже 90%, а специфичность — максимально возможной при этом уровне. Это помогает минимизировать риски для пациентов и повысить доверие к системе. Пример: если модель диагностирует рак, то лучше иметь меньше пропущенных случаев (высокая чувствительность), даже если придется дополнительно проверять некоторых здоровых (ложноположительные).

11Расскажи, как ты понял этот модуль (стратегии взыскания). Что такое стратегия, шаг, условие отбора?Middle+

В модуле стратегий взыскания: • Стратегия — это общий план или алгоритм действий для возврата задолженности. Она описывает последовательность шагов и условий, которые нужно выполнить. • Шаг — конкретное действие или этап внутри стратегии, например, отправка уведомления, звонок клиенту, передача дела в коллекторское агентство. • Условие отбора — критерий, по которому выбираются должники или ситуации для применения определенного шага. Например, сумма долга больше определенного порога, срок просрочки больше 30 дней. Таким образом, стратегия состоит из набора шагов, каждый из которых выполняется при выполнении определенных условий отбора. Это позволяет гибко настраивать процесс взыскания в зависимости от ситуации и характеристик должника.

12Как вам формат работы с большим количеством общения с заказчиками, срочными входящими запросами и необходимостью разбираться в незнакомых областях?Junior — Middle

Я полностью готов к универсальной роли, где требуется не только бизнес-анализ, но и написание скриптов, и техподдержка. В моей практике я часто совмещал анализ требований с автоматизацией рутинных задач — писал скрипты на Python для обработки данных и интеграции систем. Также имел опыт поддержки и сопровождения аналитических решений, что позволяет быстро реагировать на возникающие проблемы и улучшать процессы. Такой подход помогает быть гибким и приносить максимальную пользу команде.

13**SQL-задания** 1) Выделите количество заказов в статусе "processing" по каждому исполнителю (executor) за март 2024 года ТОЛЬКО для приоритетных (priority = 'high') заказов. 2) Найдите среднюю выручку (revenue) по каждой категории (Category) товаров. 3) Определите, сколько уникальных клиентов (client_id) сделали заказы в категории "Electronics". 4) Выведите список заказов, которые были отклонены (state = 'rejected') или отменены, если такие есть. 5) Найдите исполнителя (executor), который обработал наибольшее количество заказов в статусе "completed".Intern

• Количество заказов в статусе "processing" по каждому исполнителю за март 2024 года для приоритетных заказов: SELECT executor, COUNT ( * ) AS processing_orders_count FROM orders WHERE status = 'processing' AND priority = 'high' AND order_date >= '2024-03-01' AND order_date < '2024-04-01' GROUP BY executor; • Средняя выручка по каждой категории товаров: SELECT category, AVG (revenue) AS avg_revenue FROM orders GROUP BY category; • Количество уникальных клиентов, сделавших заказы в категории "Electronics": SELECT COUNT ( DISTINCT client_id) AS unique_clients FROM orders WHERE category = 'Electronics' ; • Список заказов, которые были отклонены или отменены: SELECT * FROM orders WHERE state IN ( 'rejected' , 'cancelled' ); • Исполнитель, который обработал наибольшее количество заказов в статусе "completed": SELECT executor FROM orders WHERE status = 'completed' GROUP BY executor ORDER BY COUNT ( * ) DESC LIMIT 1 ;

14Расскажите конкретный кейс: сбор данных, написание требований, результат?Middle

В одном из проектов мне нужно было улучшить конверсию на странице оформления заказа. Для этого я собрал данные о поведении пользователей с помощью Google Analytics и тепловых карт (Hotjar). Анализ показал, что многие пользователи покидают страницу на этапе выбора способа доставки. Далее я провел интервью с пользователями и собрал их отзывы, чтобы понять причины. На основе этих данных написал требования для команды разработки: упростить выбор доставки, добавить подсказки и улучшить визуальное оформление. В результате после внедрения изменений конверсия выросла на 15%, а количество обращений в поддержку по вопросам доставки снизилось.

15Что вас привлекает в аналитике данных?Intern

Машинное обучение и Data Science — это очень интересные и перспективные направления, которые позволяют извлекать ценную информацию из больших объемов данных и принимать более обоснованные решения. Для меня как начинающего аналитика важно понимать базовые концепции этих областей, чтобы эффективно работать с данными, строить модели прогнозирования и помогать бизнесу улучшать процессы. Я заинтересован в изучении методов машинного обучения, статистики и визуализации данных, чтобы развиваться в этой сфере и применять знания на практике.

16Вопросы кандидата к интервьюеру о команде и условиях работы.Middle — Middle+

Вопросы кандидата к интервьюеру о команде и условиях работы могут быть такими: • Как устроена команда? Какие роли и специализации есть? • Как организован процесс работы и коммуникации внутри команды? • Какие инструменты и методологии используются в работе? • Каковы ожидания от роли и ключевые задачи на ближайшее время? • Есть ли возможности для профессионального роста и обучения? • Как оценивается эффективность работы и как проходит обратная связь? • Какие условия работы: удалёнка, гибкий график, соцпакет? Эти вопросы помогут понять культуру команды и соответствие ожиданий.

17Где будут расположены медиана и среднее при правостороннем скошенном распределении?Intern

При правостороннем (положительно скошенном) распределении: • Среднее (математическое ожидание) смещено вправо, то есть находится дальше в сторону хвоста распределения. • Медиана находится левее среднего, ближе к центру данных. Иными словами, расположение по оси: Мода < Медиана < Среднее Это связано с тем, что длинный правый хвост тянет среднее значение вправо, а медиана менее чувствительна к экстремальным значениям и остаётся ближе к основной массе данных.

18Как технически реализовать заполнение пропущенных дат последним известным значением курса?Middle

Чтобы заполнить пропущенные даты последним известным значением курса, обычно используют метод заполнения пропусков вперед (forward fill). Технически это можно сделать так: • Имеется временной ряд с датами и курсами, где некоторые даты отсутствуют. • Создаётся полный список дат с нужным интервалом. • Данные объединяются с полным списком дат, пропуски в значениях курса остаются. • Применяется заполнение пропусков значением последней известной записи (forward fill). Пример на Python с использованием pandas: import pandas as pd # Исходные данные data = { 'date' : [ '2024-01-01' , '2024-01-03' , '2024-01-06' ], 'rate' : [ 100 , 102 , 105 ]} df = pd.DataFrame(data) df[ 'date' ] = pd.to_datetime(df[ 'date' ]) df = df.set_index( 'date' ) # Создаём полный индекс дат full_idx = pd.date_range(start=df.index. min (), end=df.index. max (), freq= 'D' ) # Периндексируем и заполняем пропуски df = df.reindex(full_idx) df[ 'rate' ] = df[ 'rate' ].ffill() print (df) В результате пропущенные даты будут заполнены последним известным значением курса.

19Насколько вам интересна описанная работа и в каком направлении вы хотите развиваться профессионально?Middle

Для меня интересна работа Product Analyst, так как она позволяет сочетать аналитические навыки с пониманием продукта и пользовательских потребностей. Я хочу развиваться в направлении анализа данных и продуктового менеджмента, углублять знания в области метрик, A/B тестирования и пользовательского поведения, чтобы помогать команде принимать обоснованные решения и улучшать продукт.

20Какие типы статистических критериев ты знаешь?Intern — Junior

Основные статистические критерии, которые часто используются в аналитике продуктов: • t-критерий Стьюдента — для сравнения средних значений двух выборок (например, среднее время сессии до и после изменения интерфейса). • Критерий Манна-Уитни — непараметрический аналог t-теста, когда данные не нормальны. • χ² (хи-квадрат) тест — для проверки связи между категориальными переменными (например, конверсия по разным группам пользователей). • ANOVA — для сравнения средних более чем двух групп. • Критерий Колмогорова-Смирнова — для проверки, принадлежат ли две выборки одной распределению. Какой критерий использовать зависит от метрики и данных: • Для метрик с нормальным распределением и количественных данных (например, среднее время, средний чек) — t-тест или ANOVA. • Для непрерывных данных без нормального распределения — непараметрические тесты (Манна-Уитни). • Для категориальных метрик (конверсия, доля пользователей) — χ² тест или точный критерий Фишера. Важно также учитывать размер выборки и предпосылки теста (нормальность, гомогенность дисперсий).

21Product AnalystMiddle

Ответ доступен в приложении.