Подготовка к собеседованию аналитика в Сбер
Готовим вопросы…
Три вопроса по теме этой страницы, с объяснениями.
О компании
Сбер — крупнейший банк России и одновременно технологическая экосистема с множеством направлений: от банковских продуктов до медицины, маркетплейса, ИИ и мобильности.
Аналитические роли есть практически в каждом направлении: кредитный скоринг, риски, продуктовая аналитика, маркетинг, отчётность, R&D.
Информация в статье основана на публичных источниках и опыте кандидатов. Формат собеседования сильно зависит от команды и направления. Актуальные вакансии и требования — на карьерной странице Сбера.
Как готовиться
SQL
Ожидаемый уровень обычно middle и выше:
- Сложные JOIN'ы
- Оконные функции
- CTE и рекурсивные запросы
- Базовое понимание оптимизации
Полезно:
Python и ML
Для скоринговых и риск-ролей:
- pandas, numpy
- scikit-learn: логистическая регрессия, случайный лес, градиентный бустинг (в том числе CatBoost)
- Метрики классификации: AUC, Gini, KS
Полезно:
Банковская и продуктовая предметка
- Базовые банковские продукты и метрики
- Понятия NPL, PD, LGD, LTV, DTI
- Для небанковских направлений — продуктовые метрики и воронки
Кейсы
Типичные темы:
- Как построить модель скоринга для нового продукта?
- Как оценить эффект коммуникации с клиентами?
- Почему выросла доля просрочки в сегменте X?
- Как сегментировать клиентов для кросс-продаж?
Полезно: как отвечать на кейсы.
Особенности процесса
- Процесс обычно состоит из нескольких этапов: HR, техническое собеседование, кейс, финал
- Процесс может занимать несколько недель
- В зависимости от роли может быть проверка службой безопасности
На что обратить внимание
- Говорите структурно
- Аккуратно уточняйте бизнес-контекст
- Не делайте громких обещаний по точности моделей или влиянию аналитики — честность ценится
Связанные темы
- Собеседование аналитика в Сбер AI
- Собеседование аналитика в СберМаркет
- Собеседование аналитика в СберЛогистика
- Как пройти собеседование в финтех
FAQ
Банковский опыт обязателен?
Для скоринговых и риск-ролей — большой плюс. Для продуктовых ролей — часто не обязателен.
Какой Python ожидают?
Для аналитических ролей — уверенный pandas. Для data scientist — дополнительно ML-стек.
Долгий процесс?
Процесс в крупном банке обычно длиннее, чем в стартапах.