Собеседование на аналитика в Яндекс: гайд и подготовка

По официальной странице Я.Карьера: 5-6 этапов общей длительностью ~1 месяц. Знакомство с рекрутером → 1-3 техвстречи с командой → общая аналитическая встреча (Python+Jupyter) → аналитическая секция по треку → алгоритмическая секция (опционально) → финальные встречи.

Я.Карьера явно перечисляет темы: **Бизнес-аналитик** — MAU/DAU/LTV, дашборды, A/B-тесты, статистика, теория вероятностей. **Продуктовый аналитик** — «придумать метрику для кейса», SQL (select, join), монетизация веб-сайтов. **Data Engineer** — стандартный SQL, окна, оптимизация, индексы. **Data Scientist** — принципы ML, формулирование задач ML, создание фичей, оценка классификаторов.

По официальной странице: типичные задачи — сортировка (bubble sort или quicksort), разворот одно- или двусвязного списка, разворот строки, обход дерева. Требование: решить за 30 минут без компилятора и подсказок. Секция не для всех аналитических ролей — обычно только для DS / DE / Аналитик-разработчик.

Окна (ROW_NUMBER, RANK, LAG/LEAD), агрегации, JOIN-ы, CTE, оптимизация. На Middle+ — ClickHouse array functions, MergeTree, JOIN-ограничения.

По getgrade.ru (1629 анонимных записей за 6 месяцев, base на руки): общие диапазоны Junior 94-149K, Middle 150-255K, Senior 300-426K, Lead 450-627K+. Конкретный пример из их таблицы: Lead BI в Москве — 627K (467K база + 160K бонус). Точные суммы зависят от стека (DA/PA/DS/ML) и unit.

Грейды Яндекса по открытым данным Levels.fyi: G14-G18 (G14 Junior, G15 Middle, G16 Senior, G17 Staff, G18 Principal). Critical knowledge: уровни наследуются от инженерных, но критерии skill-set отличаются — аналитический фокус (метрики, A/B, продукт) важнее чем low-level code.

Junior: 2-3 месяца плотной подготовки (SQL + Python + продуктовое мышление). Middle: 1-2 месяца если уже работаешь. Senior+ — 3-6 недель повторения + system design.

Из публичного тестового задания Яндекс Поиск (nodatanogrowth.com/test-tasks/yandex): дают файл `data.json` с логами запросов Яндекс Картинок (текст, время, платформа) — нужно вывести топ-10 запросов по desktop/touch, выделить контрастные тематики, объяснить отличия в трафике по часам, доказать статистическую значимость различий. Это типичный «открытый» формат: данные + бизнес-гипотеза + insights.

Классика: парадокс Монти Холла (нужно объяснить почему смена двери выгоднее), задачи из ШАД (комбинаторика, условная вероятность), оценка доверительных интервалов, знание распределений (нормальное, binomial, Poisson). Для DS-треков — bootstrap, доверительные интервалы для медианы, multiple testing correction.