Lamodaсобеседованиеаналитика данныхfashione-commercecohortкарьера

Вопросы собеса в Lamoda на аналитика 2026: 25+ реальных + разбор

2026-06-04 20 мин

Lamoda — крупнейший fashion-маркетплейс РФ (часть Yandex). Собес туда отличается от обычного e-comm: фокус на fashion-specific метриках (return rate by size, fit prediction, customer lifecycle longer than e-comm staples). В этом гайде разберу 25+ реальных вопросов с 5 раундов собеса аналитика Lamoda — с разбором сильного и слабого ответа.

Главное про Lamoda
Lamoda — fashion e-comm с **высоким return rate** (30-50% normal в fashion) и **longer customer cycle** (8-12 недель между purchases). Tech stack ClickHouse + Yandex DataLens + Python.

Грейды аналитика в Lamoda (2026)

ГрейдCompensation/мес РФОпытЧто спрашивают
Junior130-200K ₽0-1 годSQL, pandas, базовые e-comm метрики
Middle200-310K ₽1-3 годаClickHouse, A/B, fashion-specific метрики
Senior310-470K ₽3-6 летML / size prediction, RecSys, cohort deep
Lead470-630K+ ₽6+ летMulti-team, fashion strategy, mentorship

5 раундов собеса Lamoda

РаундЧтоДлительность
1. HR-скринингМотивация, fashion опыт30 мин
2. SQL live (ClickHouse/PostgreSQL)2-3 задачи + fashion cases60 мин
3. Python + статистикаpandas + A/B + cohort60 мин
4. Fashion-кейсReturn rate / size / pricing60 мин
5. ФиналBehavioral + culture45 мин

7 SQL-вопросов с собеса Lamoda

Return rate by size — найди размеры с high return rate.

✅ Сильный ответ:

\\\sql

SELECT

product_id,

size,

count() AS total_orders,

countIf(status = 'returned') AS returned,

countIf(status = 'returned') * 1.0 / count() AS return_rate

FROM orders

WHERE order_date >= today() - 90

GROUP BY product_id, size

HAVING total_orders >= 100

ORDER BY return_rate DESC, total_orders DESC

LIMIT 100;

\\\

Senior follow-up: «Why \total_orders >= 100\? — statistical significance. Иначе sizes с 5/10 returns =50% return rate скрывают noise.»

Cohort analysis: M+1 return rate.

✅ Сильный ответ:

\\\sql

WITH first_order AS (

SELECT user_id, toStartOfMonth(min(order_date)) AS cohort

FROM orders

WHERE status IN ('completed', 'returned')

GROUP BY user_id

)

SELECT

fo.cohort,

count() AS new_buyers,

countIf(o.order_date >= addMonths(fo.cohort, 1) AND o.order_date < addMonths(fo.cohort, 2)) AS m1_active,

100.0 * countIf(o.order_date >= addMonths(fo.cohort, 1) AND o.order_date < addMonths(fo.cohort, 2)) / count() AS m1_return_pct

FROM first_order fo

LEFT JOIN orders o ON fo.user_id = o.user_id

GROUP BY fo.cohort

ORDER BY fo.cohort;

\\\

Category mix: % выручки по категориям за квартал.

✅ Сильный ответ:

\\\sql

WITH cat_revenue AS (

SELECT category, sum(amount) AS rev

FROM orders

WHERE order_date >= '2026-01-01' AND order_date < '2026-04-01'

AND status = 'completed'

GROUP BY category

)

SELECT category, rev,

rev * 100.0 / sum(rev) OVER () AS pct_of_total

FROM cat_revenue

ORDER BY rev DESC;

\\\

AOV by user cohort (recency-based segmentation).

✅ Сильный ответ:

\\\sql

WITH user_recency AS (

SELECT user_id,

dateDiff('day', max(order_date), today()) AS days_since_last,

avg(amount) AS aov

FROM orders

WHERE status = 'completed'

GROUP BY user_id

)

SELECT

CASE

WHEN days_since_last <= 30 THEN '0-30d (recent)'

WHEN days_since_last <= 90 THEN '31-90d (warm)'

WHEN days_since_last <= 180 THEN '91-180d (cold)'

ELSE '180d+ (dormant)'

END AS recency_bucket,

count() AS users,

avg(aov) AS avg_aov

FROM user_recency

GROUP BY recency_bucket

ORDER BY days_since_last;

\\\

→ RFM сегментация в SQL

Brand performance: топ-10 brands по revenue per active customer.

✅ Сильный ответ:

\\\sql

SELECT

brand,

uniq(user_id) AS unique_buyers,

sum(amount) AS total_revenue,

sum(amount) * 1.0 / uniq(user_id) AS revenue_per_buyer

FROM orders

WHERE order_date >= today() - 90

AND status = 'completed'

GROUP BY brand

HAVING unique_buyers >= 500

ORDER BY revenue_per_buyer DESC

LIMIT 10;

\\\

Window function: разница между orders.

✅ Сильный ответ:

\\\sql

WITH order_gaps AS (

SELECT user_id, order_date,

lag(order_date) OVER (PARTITION BY user_id ORDER BY order_date) AS prev_order,

dateDiff('day', lag(order_date) OVER (PARTITION BY user_id ORDER BY order_date), order_date) AS days_between

FROM orders

WHERE status = 'completed'

)

SELECT user_id,

avg(days_between) AS avg_days_between_orders,

count() AS total_orders

FROM order_gaps

WHERE prev_order IS NOT NULL

GROUP BY user_id;

\\\

Senior follow-up: «Average 60-90 days between orders typical для fashion (vs daily для grocery). Long cycle = больше внимания retention vs frequency.»

Top-3 categories per user (window function).

✅ Сильный ответ:

\\\sql

WITH ranked AS (

SELECT user_id, category, sum(amount) AS spent,

row_number() OVER (PARTITION BY user_id ORDER BY sum(amount) DESC) AS rn

FROM orders

WHERE status = 'completed'

GROUP BY user_id, category

)

SELECT user_id, category, spent

FROM ranked

WHERE rn <= 3

ORDER BY user_id, rn;

\\\

5 Python/ML-вопросов

Size prediction: что features использовать?

✅ Сильный ответ:

«Features для size prediction:

Model: gradient boosting на 30+ features → predict probability of each size being correct. Top-2 sizes recommended.

Lamoda specifically: \Size Calculator\ (на сайте) collect explicit signals. Combined ML + user input.»

Pandas: AOV trend по cohort + brand.

✅ Сильный ответ:

\\\python

orders['cohort'] = orders.groupby('user_id')['order_date'].transform('min').dt.to_period('M')

agg = orders.pivot_table(

index=['cohort', 'brand'],

columns=orders['order_date'].dt.to_period('M'),

values='amount',

aggfunc='mean'

).fillna(0)

\\\

Lookalike modeling для cross-sell.

✅ Сильный ответ:

«Approach: найди juniors look-alike to top customers (LTV или basket size).

In Lamoda: используется для premium customer acquisition — найти аудиторию для luxury brand promotions.»

Customer lifetime value (LTV) calculation для fashion.

✅ Сильный ответ:

«LTV для fashion complicated by long cycle. Approaches:

Simple: LTV = AOV × purchase frequency × customer lifespan

Cohort-based: track cohort spending over time, project forward.

ML-based: BG/NBD model для frequency + Gamma-Gamma для basket → expected LTV.

For Lamoda specifically: разделяем on customer type (casual vs premium) — premium customers могут иметь LTV 500K+ ₽.»

→ LTV/CAC/Payback для SaaS — методология

Recommendation system для cross-sell.

✅ Сильный ответ:

«Levels of recommendations:

For fashion specifically:

Lamoda uses hybrid: ALS for collaborative filtering + content-based image embeddings для visual similarity.»

4 fashion-кейса

Return rate jumped from 35% to 42% — что делаешь?

✅ Сильный ответ:

«Декомпозиция:

Return rate by:

Hypotheses:

Action:

Size Calculator вырос → return rate должен упасть. Не упал. Почему?

✅ Сильный ответ:

«Hypothesis testing:

Investigation steps:

Action:

Premium category retention падает — что делать?

✅ Сильный ответ:

«Premium fashion specific challenges:

Hypothesis:

Action:

New collection rollout: что мерим, что A/B test'им?

✅ Сильный ответ:

«Pre-launch metrics:

Post-launch (1 week):

A/B tests:

Long-term (1 month):

2 behavioral (раунд 5)

Расскажи случай когда твой анализ изменил решение.

✅ Сильный ответ (STAR):

«Ситуация: Marketing хотел запустить flash sale 50% off для clearance inventory.

Задача: анализировать impact на margin + brand reputation.

Действие:

Результат: Marketing согласился с 35% × 48 hours. Result: 80% of 50%-sale revenue achieved with 50% higher margin and 30% lower return rate.»

Самая сложная analytical задача.

✅ Сильный ответ:

«Задача: Build dashboard для C-level showing «true profit per customer» considering returns, support cost, marketing CAC, fraud.

Сложности:

Approach:

Result: Dashboard live, weekly C-level review. Insights drove changes in CAC allocation (cut underperforming channels) saving 15% marketing spend.»

Red flags (не делай)

Как готовиться к Lamoda

Месяц 1: e-comm + fashion specifics

Месяц 2: cohort + ML basics

Месяц 3: кейсы + behavioral

FAQ

Lamoda vs Wildberries?

WB больше про operations + tech. Lamoda больше про fashion product (curation, brand portfolio, premium customers).

Можно ли пройти без e-comm опыта?

Junior — да. Middle+ — желательно retail/e-comm опыт.

Стек технологий?

ClickHouse + PostgreSQL + Yandex DataLens + Python + R (statistics).

Что дальше

Сравнить Free и Pro → (1999 ₽/мес)

Источники

Тренируй SQL/Python на 521+532 задачах
Тренажёр с авто-проверкой + 453 кейса e-comm. AI мок-собес. Первые 5 задач бесплатно.
Открыть тренажёр →

Похожие статьи