Полный цикл отбора на стажировки в X5 (DA, DS, DE)

Полный цикл отбора на стажировки в X5 (DA, DS, DE) У X5 есть отдельная программа для студентов — generationx5.tech . Но сам факт, что программа существует, не значит, что откликнуться напрямую достаточно. Даже на стажировку конкурс жёсткий, и попасть хотя бы на собеседование проще всего через знакомых, которые уже в компании: через LinkedIn, через универ, через любые пересечения, попроси кого-то из них тебя порекомендовать. Дальше вся воронка одна и та же, что для стажировки, что для полноценной вакансии. Кстати разбор заданий стажировки в Х5 на аналитика ( Business Camp ) уже выложен на нашем курсе "Аналитика ПРО" . Дедлайн подачи до 6 октября . Успей записаться с гарантией оффера. ➡ Записаться Как выглядит сам процесс 1) HR присылает подборку открытых вакансий под твоё направление 2) Ты выбираешь, какие команды интересны 3) Первый разговор с HR — просто про опыт и мотивацию, без техники 4) Дальше техническое интервью — единое для всех направлений, кто бы что ни выбрал 5) Если техничка прошла успешно, результат уходит руководителю конкретной команды — и уже он решает, звать ли на финальный этап с кейсом Из чего состоит техническое интервью на DA, DS, DE Четыре блока: живое программирование, математическая статистика, SQL, ML. Причём на позицию Data Analyst, что Data Scientist, что Data Engineer техничка берется из одного пула задач. Программирование Дают функцию rnd2() — равновероятно возвращает 0 или 1. Нужно из неё собрать rnd3() с равными шансами на 0, 1, 2. Правильный путь — rejection sampling: комбинируешь два вызова rnd2(), получаешь число от 0 до 3, и если выпало лишнее четвёртое значение — просто перезапускаешь попытку. Матстат Дан набор float-значений из непонятного процесса. Просят оценить математическое ожидание — но не просто назвать формулу среднего, а объяснить, почему выборочное среднее вообще является хорошей оценкой E[X] (через закон больших чисел), а не просто вызвать готовую функцию. SQL Таблицы orders и customer. Нужно найти для каждого клиента наибольший разрыв между двумя соседними заказами в днях. Решение — оконная функция LAG(): смотрим на дату предыдущего заказа того же клиента, считаем разницу, берём максимум по каждому. ML Тут ничего сложного — классические вопросы про линейную регрессию, обработку данных, мультиколлинеарность, регуляризацию, деревья решений, бустинг. Отдельно очень желательно знание и глубокое понимание PySpark — причём именно того, как всё устроено внутри (партиционирование, ленивые вычисления, shuffle), а не просто поверхностное умение писать код на нём. Что после Прошёл техничку — жди звонка от руководителя команды с приглашением на кейс-интервью, уже заточенное под специфику конкретного направления, все стандартно: бизнесс кейс/system design. Еще больше материалов в наших открытых банках собесов. — Аналитика — ML & DS — Бэкенд — Фронтенд — Алгоритмы Обсудить задачи можно в нашей боталке . Подписаться: @postypashki_old