Расскажите про недавний анализ или модель, которые поменяли решение.

Продуктовое влияние. Начните с решения, которое изменилось, а не с архитектуры модели.

Объясните p-value продакту, который не видел статистики 5 лет.

Тест на коммуникацию. Если сказали "вероятность истинности нулевой гипотезы" — провал. Точно.

A/B-тест, p = 0.04, lift = +1.2%. Катите?

Тянетесь ли к расчётам power и practical significance, а не только к порогу p.

Bias-variance tradeoff с одним конкретным примером.

Планка для любой ML-роли. Пример важнее определения.

Когда возьмёте логистическую регрессию вместо градиентного бустинга?

Интерпретируемость, размер выборки, регуляторные ограничения, цена деплоя. Имейте позицию.

Датасет по оттоку — пройдите путь от сырых данных до прода.

EDA, ликаж, baseline, валидация, деплой, мониторинг. Поток важнее синтаксиса.

SQL для недельных retention-когорт.

Окна, даты, anti-join. Реальная задача продуктовой аналитики.

Продакт говорит, что DAU упал на 12% week-over-week. Как разбираетесь?

Сегментация (гео, платформа, когорта), инструментация, внешние события, выходные, когда эскалировать.

Модель, которую вы выкатили и она показала хуже ожиданий.

Конкретный разрыв offline vs online. Что заметили, как дебажили, что поменяли.

Как вы отстаиваете правильную метрику против стейкхолдера?

Суждение и коммуникация. Реальный пример. Не звучите ни как всегда уступающий, ни как всегда воюющий.

📊

Подготовка к собеседованию data scientist — статистика, ML, продуктовое мышление — для инженеров Ташкента и Центральной Азии

Интервью на data scientist проверяют три уровня — статистика, ML и продуктовое мышление — и вы должны держать удар на каждом. Тренируйтесь на реальных вопросах ташкентских финтехов и удалённых работодателей из ЕС — с оценкой в реальном времени по коммуникации, технической глубине, решению задач и культурному фиту.

Data scientist в Ташкенте концентрируются в финтехах (Click, Uzum, Payme), e-commerce (Uzum Market) и небольшом, но растущем количестве удалённых работодателей из ЕС, которые нанимают на платформы экспериментов. Формат интервью устойчивый: SQL-скрин, раунд по статистике и ML, продуктовый кейс («DAU упал на 12%, что делать?») и поведенческий блок.

Вопросы ниже — из реальных ташкентских интервью. Тренируйте их вслух на языке вашего реального интервью.

Ключевые навыки, которые проверяют

Статистика: проверка гипотез, p-value, доверительные интервалы
A/B-тесты: мощность, MDE, peeking, multiple comparisons
Классический ML: регрессия, деревья, градиентный бустинг
Feature engineering и избегание ликов
SQL для анализа (окна, когорты)
Python data stack: pandas, scikit-learn, numpy
Продуктовое мышление: рамка задачи, выбор метрики
Коммуникация результатов нетехническим стейкхолдерам

Зарплатные диапазоны в Ташкенте (2026)

Ориентир. Remote-first европейские позиции обычно платят на 30–50% выше локального рынка.

Джуниор

10–15 млн сум / месяц

Мидл

20–30 млн сум / месяц

Сеньор

от 38 млн сум / месяц (или EUR в remote)

Что у вас на самом деле спросят

Собрано из реальных собеседований, записанных на NextSuhbat. Каждая позиция — вопрос, к которому стоит готовиться, и что интервьюер на самом деле проверяет.

1
Скрининг рекрутёра
Расскажите про недавний анализ или модель, которые поменяли решение.
Зачем спрашивают: Продуктовое влияние. Начните с решения, которое изменилось, а не с архитектуры модели.
2
Технические
Объясните p-value продакту, который не видел статистики 5 лет.
Зачем спрашивают: Тест на коммуникацию. Если сказали "вероятность истинности нулевой гипотезы" — провал. Точно.
3
Технические
A/B-тест, p = 0.04, lift = +1.2%. Катите?
Зачем спрашивают: Тянетесь ли к расчётам power и practical significance, а не только к порогу p.
4
Технические
Bias-variance tradeoff с одним конкретным примером.
Зачем спрашивают: Планка для любой ML-роли. Пример важнее определения.
5
Технические
Когда возьмёте логистическую регрессию вместо градиентного бустинга?
Зачем спрашивают: Интерпретируемость, размер выборки, регуляторные ограничения, цена деплоя. Имейте позицию.
6
Кодинг
Датасет по оттоку — пройдите путь от сырых данных до прода.
Зачем спрашивают: EDA, ликаж, baseline, валидация, деплой, мониторинг. Поток важнее синтаксиса.
7
Кодинг
SQL для недельных retention-когорт.
Зачем спрашивают: Окна, даты, anti-join. Реальная задача продуктовой аналитики.
8
System design
Продакт говорит, что DAU упал на 12% week-over-week. Как разбираетесь?
Зачем спрашивают: Сегментация (гео, платформа, когорта), инструментация, внешние события, выходные, когда эскалировать.
9
Поведенческие
Модель, которую вы выкатили и она показала хуже ожиданий.
Зачем спрашивают: Конкретный разрыв offline vs online. Что заметили, как дебажили, что поменяли.
10
Поведенческие
Как вы отстаиваете правильную метрику против стейкхолдера?
Зачем спрашивают: Суждение и коммуникация. Реальный пример. Не звучите ни как всегда уступающий, ни как всегда воюющий.

Потренируйте эти вопросы вслух — бесплатно

Чтение — не практика. Прогоните 20-минутное AI-мок-интервью на английском, русском или узбекском и получите оценку по коммуникации, технической глубине, решению задач и культурному фиту.

Начать бесплатное мок-интервью

Сделано в Ташкенте для Центральной Азии. Все сессии поддерживают английский, русский и узбекский голос.