Оценка уровня менти — Продуктовый аналитик

00

Кто проходит

Имя нужно ментору, чтобы найти результат в кабинете. Telegram — опционально.

Имя

Telegram (опционально)

01

SQL

~12 мин

Фундамент работы аналитика. Проверяем от базовых конструкций до оконных функций и аналитических паттернов.

01

Теория

Объясни разницу между WHERE и HAVING. Приведи пример, когда нужен именно HAVING.

Слушаем: понимание порядка выполнения SQL (WHERE до агрегации, HAVING после)

02

Практика

Есть таблицы users(user_id, reg_date) и orders(order_id, user_id, amount, created_at). Найди пользователей, которые зарегистрировались, но ни разу не совершили покупку.

Слушаем: LEFT JOIN + IS NULL или NOT EXISTS. Если пишет NOT IN — уточнить про NULL-безопасность.

03

Оконные функции

Для каждого пользователя найди время между первой и второй покупкой. Опиши или напиши запрос.

Слушаем: ROW_NUMBER() PARTITION BY user_id ORDER BY created_at, затем SELF JOIN или CTE + LAG/LEAD.

04

Практика

Построй когортный анализ в SQL: для каждой когорты (месяц регистрации) посчитай retention на 1-й, 2-й, 3-й месяц.

Слушаем: DATE_TRUNC для когорты, JOIN с событиями, DATE_DIFF для месяца жизни, GROUP BY. Продвинутый уровень.

02

Python для анализа данных

~5 мин

Базовый pandas и понимание, когда Python нужен вместо SQL.

05

Теория

В каких случаях ты бы использовал Python/pandas вместо SQL? Приведи 2–3 примера.

Слушаем: стат. тесты, визуализация, ML-фичи, работа с API, сложная трансформация — когда SQL неудобен.

06

Практика

Как бы ты в pandas посчитал среднее количество заказов на пользователя по месяцам? Опиши подход.

Слушаем: groupby + agg, pd.to_datetime, resample или dt.to_period. Понимание merge.

03

Теория вероятностей и статистика

~8 мин

Математическая база для A/B-тестирования. Без этого — невозможна корректная интерпретация результатов.

07

Теория

Что такое ЦПТ (центральная предельная теорема) и почему она важна для A/B-тестирования?

Слушаем: среднее выборки → нормальное распределение при большой n. Именно поэтому z-тест работает для конверсий (0/1).

08

Теория

Что такое p-value? Объясни простыми словами, что означает p = 0.03 в контексте A/B-теста.

Красный флаг: «вероятность, что гипотеза верна». Правильно: вероятность получить такой или более экстремальный результат при H₀.

09

Кейс

Объясни ошибки I и II рода на примере бизнес-решения. Какая из них хуже и почему зависит от контекста?

Слушаем: I рода — раскатили неэффективную фичу. II рода — не заметили полезную. Зависит от цены ошибки.

04

A/B тестирование

~10 мин

Центральная компетенция. На собесах в BigTech — 40–60% технических вопросов. Проверяем дизайн и продвинутые методы.

10

Теория

Как рассчитать необходимый размер выборки для A/B-теста? Какие параметры нужны?

Слушаем: α, β (power), MDE, baseline, вариативность. Формула или хотя бы понимание зависимостей.

11

Кейс

Тест запустили, через 3 дня видим p=0.03. Менеджер просит остановить. Твои действия?

Слушаем: peeking problem, multiple testing, нужна изначально рассчитанная длительность. Sequential testing — бонус.

12

Теория

Что такое CUPED? Объясни идею и зачем он нужен.

Продвинутый уровень. Слушаем: использование предэкспериментальных данных для снижения дисперсии. Дифференциатор middle.

13

Кейс

Тест показал рост конверсии +5%, но retention упал на 2%. Как принять решение — запускать или нет?

Слушаем: primary vs guardrail метрики, трейд-оффы, долгосрочное влияние, пересчёт в деньги (LTV).

05

Продуктовые метрики

~8 мин

Язык продукта и бизнеса. Engagement, retention, юнит-экономика, система метрик.

14

Теория

Как посчитать Day-7 Retention? В чём разница между Classic и Rolling Retention?

Classic: вернулся именно в день 7. Rolling: вернулся в день 7 или позже. Какой для чего.

15

Кейс

DAU вырос на 10%, но retention упал. Что происходит? Как разбираться?

Вероятно: массовый приток новых (маркетинг), которые не задерживаются. Смотрим когорты — старые vs новые.

16

Теория

Как рассчитать LTV? Как улучшение retention на 5% влияет на LTV? Что такое LTV/CAC?

Слушаем: формула LTV (ARPU × Lifetime или когортный расчёт). LTV/CAC > 3 — хороший ориентир. Связь retention → lifetime → LTV.

17

Теория

Что такое North Star Metric? Как бы ты её выбрал для маркетплейса (Авито)?

NSM = метрика ценности продукта. Для маркетплейса: количество сделок, GMV, или % ликвидных объявлений. Бонус: знает AARRR.

06

Продуктовое мышление

~8 мин

Умение мыслить как продуктовый аналитик, а не как «считатель запросов». Проверяем структуру мышления.

18

Кейс

Выручка маркетплейса упала на 20% вчера вечером. Расскажи план действий: что смотришь и в каком порядке.

Слушаем: 1) Уточнить масштаб 2) Декомпозиция (трафик × конверсия × средний чек) 3) Сегментация 4) Гипотезы (баг, маркетинг, сезонность). MECE — бонус.

19

Кейс

PM приходит и говорит: «Сделай мне отчёт по конверсии». Как ты отреагируешь? Что спросишь перед тем как начать?

Слушаем: уточняет бизнес-вопрос (какое решение будет принято), аудиторию, сроки, определение конверсии. Не бросается считать.

20

Теория

Декомпозируй выручку маркетплейса на составляющие. Нарисуй дерево метрик.

Выручка = Трафик × CR × AOV × Take Rate. Или: кол-во сделок × средний чек × комиссия. Каждый компонент раскладывается дальше.

21

Теория

Чем отличаются бизнес-модели маркетплейса, подписочного сервиса и рекламной платформы? Какие ключевые метрики у каждой?

Маркетплейс: GMV, take rate, ликвидность. Подписка: MRR, churn, expansion. Реклама: CTR, RPM, fill rate.

07

BI и визуализация

~3 мин

Умение донести результаты анализа через дашборды и графики.

22

Практика

С какими BI-инструментами работал? Расскажи о дашборде, который создавал: для кого он был и какие решения по нему принимались?

Слушаем: Tableau, Superset, Power BI, Looker, DataLens. Важнее не инструмент, а понимание аудитории и цели дашборда.

23

Теория

Как ты проектируешь дашборд мониторинга здоровья продукта? Какие метрики включишь и почему?

Слушаем: иерархия (ключевая метрика сверху → детали), выбор типов графиков, алерты, аудитория. Принципы Тафти — бонус.

08

Soft skills и коммуникация

~4 мин

Умение формулировать выводы, работать с неполными данными и общаться со стейкхолдерами.

24

Кейс

Расскажи о случае, когда данные не дали однозначного ответа. Как ты принял решение?

Слушаем: фрейм STAR (Situation, Task, Action, Result). Работа с неопределённостью, proxy-метрики.

25

Кейс

PM настаивает на запуске фичи, но твой анализ показывает риск. Как ты действуешь?

Слушаем: аргументация данными, компромиссы (ограниченный раскат), эскалация, уважение к процессу решений.

26

Теория

Как бы ты объяснил p-value руководителю, который не знает статистику?

Слушаем: умение упрощать без потери смысла. «Пирамида Минто» — вывод сначала, потом детали.

09

Практика и портфолио

~2 мин

Наличие практического опыта и готовность к интервью.

27

Опыт

Есть ли pet-проект или портфолио на GitHub? Опиши самый сильный аналитический кейс из практики.

Слушаем: бизнес-контекст → данные → вывод → результат. Не «я делал отчёты», а «мой анализ повлиял на решение X».

28

Теория

Из каких этапов состоит интервью на позицию продуктового аналитика в BigTech? К чему ты готов, а к чему нет?

HR → SQL → A/B + статистика → Продуктовый кейс → Поведенческое. Самооценка готовности.

★

Самооценка и мотивация

~2 мин

Для калибровки ожиданий и составления плана.

29

Рефлексия

Где ты видишь свои главные пробелы? Что хочешь закрыть в первую очередь?

Слушаем: адекватность самооценки, понимание приоритетов, мотивацию.

30

Мотивация

Почему именно продуктовая аналитика? Чем она отличается от data-аналитики или бизнес-аналитики для тебя?

Слушаем: осознанность выбора, понимание роли (влияние на продукт, а не просто отчёты).