Мок-собес аналитика данных 2026: форматы, вопросы, как готовиться

Мок-собес — единственный способ научиться звучать уверенно на реальном собесе. Можно прочитать 200 вопросов, но если ты ни разу не отвечал вслух — на интервью замрёшь. В этом гайде разберу 3 формата (peer/paid/AI), типичный flow на 60 минут, 15 реальных вопросов с разбором ответа и 10 главных ошибок.

Что такое мок-собес и зачем он нужен

Мок-собес (от англ. mock interview) — репетиция собеседования с человеком или AI, который задаёт реальные вопросы и даёт обратную связь.

Главная боль: на реальном собесе у тебя ~30 секунд на формулировку ответа. Если ты раньше эти вопросы только читал — мозг блокирует, ты говоришь «эээ... ну как бы...», интервьюер ставит галку «не уверен в материале».

Мок-собес решает 3 проблемы:

• Формулировка под таймером — учишься говорить структурно за 30-60 секунд
• Адаптация под формат — привыкаешь к роли «отвечающего» (вместо «изучающего»)
• Обратная связь — узнаёшь конкретно что криво в ответе (часто кажется что ответил норм, а интервьюер не понял)

→ Готовый план подготовки: 30 дней

3 формата мок-собеса — что выбрать

Peer-to-peer (с другим кандидатом)

Бесплатный вариант — найти партнёра на форумах (ODS Slack, telegram чаты Karpov.Courses, Yandex Practicum чаты).

Плюсы: бесплатно, симметрично (вы оба тренируетесь), реалистичная атмосфера

Минусы: партнёр не senior — может не дать качественной обратной связи; нужно искать слот

Когда подходит: на ранней стадии (junior/middle), просто чтобы преодолеть страх

Paid (с senior из индустрии)

Платный вариант — нанимаешь действующего лида/архитектора (ставка 5000-15000 ₽ за час). Найти можно на:

• Хабр Карьера → раздел «менторы»
• Telegram-каналы «найти ментора в аналитике»
• LinkedIn (хотя многие senior РФ в LinkedIn неактивны 2026)

Плюсы: топовая обратная связь, реальные «вопросы которые я задаю на работе»

Минусы: дорого (10-30K ₽ на 2-3 мок-сесии), нужно искать «своего» ментора по нише

Когда подходит: финальная подготовка перед таргет-офером (Yandex/Ozon senior+), когда уже 2-3 раза провалил похожий собес

AI мок-собес (наш формат)

AI-интервьюер задаёт реальные вопросы из бесплатного пула, ты отвечаешь голосом или текстом, AI оценивает по 5 критериям (структура, технические детали, конкретика, объяснение «почему», полнота) и даёт развёрнутый фидбек.

Плюсы: доступно 24/7, не нужен партнёр, бесплатно (первая сессия), безлимит на Pro, никто не осудит за «глупый» ответ

Минусы: AI не задаст уточняющий follow-up как живой интервьюер

Когда подходит: на любой стадии — особенно junior (страшно отвечать живому человеку) и для тренировки behavioral вопросов

→ Пройти AI мок-собес бесплатно — один сценарий без оплаты, проверишь как работает.

Типичный flow мок-собеса на 60 минут

Это сжатая версия реального собеса (60 мин vs 4 часа), но покрывает все 3 типа вопросов.

15 примеров вопросов мок-собеса с разбором ответа

SQL — 5 вопросов

1. Дано: таблица events(user_id, event_ts, event_type). Найди DAU за прошедший месяц.

Хороший ответ за 60 сек:

• Уточняешь: «DAU — это уникальные user_id за день?» (демонстрируешь что не путаешь с MAU)
• Пишешь: SELECT date_trunc('day', event_ts) AS day, COUNT(DISTINCT user_id) AS dau FROM events WHERE event_ts >= now() - interval '30 days' GROUP BY 1 ORDER BY 1
• Упоминаешь: «COUNT(DISTINCT) дорогой на больших объёмах — для прод используют HLL или materialized view»

Чего НЕ делать: молча писать SQL без уточнений. Интервьюер ждёт диалога.

→ 77 задач на DAU/retention в SQL-тренажёре

2. Найди топ-3 категории по выручке за последний квартал в каждой стране.

Хороший ответ:

• Сразу говоришь «топ-N per group — это window function ROW_NUMBER или RANK»
• Пишешь: WITH ranked AS (SELECT country, category, SUM(amount) AS revenue, ROW_NUMBER() OVER (PARTITION BY country ORDER BY SUM(amount) DESC) AS rn FROM orders WHERE created_at >= '2026-01-01' GROUP BY country, category) SELECT * FROM ranked WHERE rn <= 3
• Уточняешь: «Если выручка одинаковая — нужно ROW_NUMBER (строго 3) или DENSE_RANK (могут быть 4 с tie)?»

3. Объясни разницу между ROW_NUMBER, RANK, DENSE_RANK.

Хороший ответ за 30 сек:

• ROW_NUMBER — всегда уникальный (1, 2, 3, 4, 5)
• RANK — одинаковые значения дают одинаковый ранг, следующий ранг ПРОПУСКАЕТСЯ (1, 1, 3, 4, 4, 6)
• DENSE_RANK — одинаковые дают одинаковый, без пропуска (1, 1, 2, 3, 3, 4)
• Пример использования: ROW_NUMBER для строгой top-N выборки, DENSE_RANK для «топ-3 категорий» где могут быть ties

→ Глубокий разбор window-функций

**4. Что быстрее: COUNT(*) или COUNT(column)?**

Хороший ответ:

• COUNT(*) считает все строки включая NULL
• COUNT(column) считает только не-NULL значения этой колонки
• На уровне performance в PostgreSQL — COUNT(*) часто быстрее (использует индекс если есть, не нужно проверять NULL по колонке)
• Если колонка NOT NULL — разницы по семантике нет, по скорости минимальная

5. JOIN-fanout: что это, как избежать?

Хороший ответ:

• Fanout случается когда один-ко-многим даёт умножение строк
• Пример: пользователи JOIN заказы → пользователь с 5 заказами появится 5 раз
• Если потом SUM(amount) — корректно. Если SUM(user_balance) — баланс умножится в 5 раз = BUG
• Решение: агрегировать ДО JOIN или использовать DISTINCT/window

→ Полный гайд по JOIN

Python / pandas — 3 вопроса

6. Как объединить два DataFrame по ключу?

Хороший ответ:

• pd.merge(a, b, on='user_id', how='left/inner/outer/right')
• left = все из левой + матчи из правой (NaN если нет)
• inner = только совпадающие
• Уточняешь: «Есть ли индекс по ключу? Если нет — для больших df сделать sort_values + merge_asof для time-series joins»

7. У тебя 50М строк CSV — как обработать без OOM?

Хороший ответ:

• pd.read_csv(chunksize=100_000) → итеративно по чанкам
• Или DuckDB (read_csv напрямую с partial loading, потом groupby/merge быстрее pandas)
• Или Polars (lazy evaluation, query optimizer)
• В крайнем случае — Spark/Dask (если 500M+ строк)

→ Сравнение Polars vs Pandas

8. Покажи как реализовать sliding window для running average за 7 дней в pandas.

Хороший ответ:

• df.sort_values('date'); df['ma7'] = df['amount'].rolling(window=7, min_periods=1).mean()
• min_periods=1 — чтобы первые дни тоже имели значение (иначе NaN)
• Если по группам: df.groupby('user_id')['amount'].rolling(7).mean()

A/B-тесты — 3 вопроса

9. Объясни α и β своими словами.

Хороший ответ:

• α (alpha) — вероятность ошибки I рода: ты сказал «эффект есть» когда его нет. По дефолту 5%.
• β (beta) — вероятность ошибки II рода: ты сказал «эффекта нет» когда он есть. По дефолту 20%.
• Power = 1 - β = 80% (вероятность правильно обнаружить эффект)
• Trade-off: уменьшаешь α → растёт β и/или нужный sample size

→ Калькулятор sample size для A/B

10. Что такое peeking problem?

Хороший ответ:

• Peeking = «подглядывание» в результат A/B до накопления заданного sample size
• Проблема: каждое «peek» — это микро-тест с собственным p-value. Если делаешь 10 peeks с α=5% — реальная FPR ~30%
• Решение: фиксировать sample size заранее ИЛИ использовать sequential testing (mSPRT, Pocock, OBF)
• На собесе senior всегда спросят про эту проблему — типичный red flag

11. SRM — что это и почему важно?

Хороший ответ:

• SRM = Sample Ratio Mismatch — если разделил 50/50 но получил 51/49, это статистически значимое отклонение
• Причина: бага в рандомизации, бот-трафик в одной группе, контрольная группа потеряла часть юзеров
• Проверка: chi-square test с ожидаемой пропорцией
• Если SRM есть — результат A/B нельзя доверять даже если есть статзначимый эффект

Продуктовые / метрики — 2 вопроса

12. DAU упал на 12% за неделю — что делаешь?

Хороший ответ (по фреймворку):

• Уточняю scope: все юзеры или конкретный сегмент? Все платформы? Когда именно упало?
• Декомпозиция: DAU = new + returning. Что упало?
• Гипотезы: релиз → проверяю changelog; маркетинг → траты по каналам; конкуренты → новости; технические → ошибки API/crashes
• Действие: строю dashboard «DAU by segment, platform, day» — ищу аномальную группу

→ Подробный разбор «как чинить падение метрики»

13. NSM для маркетплейса — какую выберешь?

Хороший ответ:

• NSM (North Star Metric) должна отражать долгосрочную ценность для юзера + бизнеса
• Для маркетплейса: GMV (gross merchandise value) ИЛИ «успешные транзакции в неделю»
• НЕ DAU — можно нагнать ботов
• НЕ выручка — может расти за счёт скидок (убывание margin)
• На собесе важно: обосновать ВЫБОР и упомянуть guardrail-метрики (margin, retention) чтобы NSM не оптимизировался в ущерб

Behavioral — 2 вопроса

14. Расскажи про конфликт с PM. Что сделал?

Хороший ответ (STAR-метод):

• S (Situation): PM просил запустить A/B без guardrail на user-experience
• T (Task): убедить что без guardrail можем сломать retention
• A (Action): показал данные прошлого A/B где похожий тест съел 8% retention; предложил guardrail на NPS + retention
• R (Result): добавили guardrail, A/B запустили, фича прошла без негативных эффектов

→ Полный гайд behavioral interview + STAR

15. Опиши случай когда твой A/B провалился.

Хороший ответ:

• Конкретный пример с цифрами (не общие фразы)
• Что было: фичу не приняли (effect negative или не было)
• Что узнал: какая гипотеза была неверна
• Что изменил в подходе — это главное. Senior ищет «learning mindset»: «теперь всегда проверяю baseline retention сегмента до запуска»

10 главных ошибок в мок-собесе

• Молчать долго — лучше сказать «мне нужно 30 секунд подумать» чем 2 минуты тишины
• Решать SQL без уточнений — диалог важнее правильного ответа
• Полный ответ на behavioral без STAR — рассказываешь длинно без структуры, теряешь интервьюера
• Перечислять методы вместо рекомендации — на «какой подход лучше?» отвечать «зависит от X, я бы взял Y потому что Z»
• Игнорировать SRM/peeking на A/B вопросах — senior сразу видит уровень
• Хвалить себя на behavioral («я лучший») — фокусируйся на «что сделал», не «какой я»
• Не задавать уточнения на продуктовых кейсах — это первый сигнал «фреймворком не владеет»
• Игнорировать guardrail-метрики на A/B / NSM вопросах — топ-3 red flag
• Не упомянуть complexity на SQL/Python — senior ждёт «O(n) avg, O(n²) worst для quicksort»
• Завершать ответ без summary — на сложный вопрос всегда заверши «итого: подход X с условиями Y»

Как тренироваться

Неделя 1 (15 мок-сессий):

• День 1-3: AI мок-собес (3 × 30 мин) — освоиться с форматом
• День 4-5: Тренируешь SQL вопросы вслух (записываешь на телефон, переслушиваешь)
• День 6-7: 1 peer-собес + 1 AI на behavioral

Неделя 2 (10 сессий):

• 5 AI с фокусом на слабые места из недели 1
• 2 peer (продуктовые кейсы)
• 1 paid с senior (если есть бюджет — финальная доводка)

Неделя 3 (5 финальных):

• 3 AI на полный mix (SQL + Python + кейс + behavioral)
• 1 peer на полный 90-минутный собес как настоящий
• 1 день отдыха перед реальным собесом

→ Полный 30-дневный план подготовки

FAQ

Сколько мок-собесов делать перед реальным собесом?

Минимум 5, оптимально 10-15. Меньше 5 — не успеешь привыкнуть к формату. Больше 20 — диминишинг ретёрнс, лучше доучивать слабые темы.

Можно ли пройти мок-собес бесплатно?

Да. Peer-to-peer с другими кандидатами на форумах — бесплатно. AI мок-собес на нашем сайте — первая сессия бесплатно, дальше Pro (1999 ₽/мес безлимит).

Чем мок отличается от обычного «проговорить ответы»?

Мок — это под таймером + с критикой. Один отвечаешь себе расслабленно. На моке тебя могут перебить, переспросить, поставить в неудобную ситуацию — и это полезно.

Что важнее — много моков или хорошая теория?

Сначала теория, потом моки. Без знаний мок бесполезен (тебе нечего отвечать). Когда уже знаешь 80% материала — моки дадут максимум прироста.

Что делать если на моке провалился?

Хорошо! Лучше провалиться на моке чем на реальном. Запиши: какой вопрос, какой ответ дал, какой правильный, что улучшить. Через 2 дня — этот же вопрос на следующем моке. Должен ответить идеально.

Можно ли проходить мок-собес с друзьями?

Можно, но они должны играть роль интервьюера — задавать вопросы по списку, не подсказывать, давать критику. Если просто «поговорим про SQL» — это не мок, а обычная беседа.

Стоит ли платить за мок-собес с senior?

Если идёшь на senior+ позицию (от 350K ₽) — да, 1-2 платных мок-собеса это инвестиция. Если на middle — можно без, AI + peer хватит.

Что дальше

• Пройди AI мок-собес (первый бесплатный, дальше Pro 1999 ₽/мес безлимит)
• Изучи 150+ вопросов собеса — полный pillar
• Топ-50 вопросов с разбором по 5 темам
• Behavioral interview + STAR-метод
• 30-дневный план подготовки к собесу
• Грейды Junior/Middle/Senior — что спрашивают
• SQL-тренажёр — 521 задача с авто-проверкой
• Python-тренажёр — 532 задачи
• Тестовые задания — 612 заданий по 9 темам

Сравнить Free и Pro → (1999 ₽/мес — безлимит мок-собесов + все 521 SQL + 532 Python задачи)

Источники

• Karpov.Courses public materials — методология мок-собесов 2026
• Yandex Practicum — open lectures про подготовку к собесу
• exp-platform.com — Microsoft материалы про A/B тестирование (peeking, SRM)