Собеседование на аналитика данных в «Магнит»

По открытому разбору реального тестового на позицию Middle Data Analyst в «Магнит» задание состояло из трёх частей. Часть 1 (SQL): даны таблицы orders (order_id, user_id) и items — история цен и названий товаров (ключи item_id + update_date). Нужно: 1) вывести user_id, сделавших 7+ заказов после 2022-03-01; 2) показать состояние товаров (item_id, item_name, price) на дату 2022-06-01; 3) получить order_id и item_name только для заказов, где цена товара > 3. Подход: пункт 1 — GROUP BY user_id + HAVING COUNT(*)>=7 с фильтром по дате; пункт 2 — ключевая идея, что items это SCD-таблица истории, поэтому берём последнюю запись с update_date <= '2022-06-01' на каждый item_id (оконная ROW_NUMBER() OVER(PARTITION BY item_id ORDER BY update_date DESC) или коррелированный подзапрос с MAX(update_date)); пункт 3 — JOIN orders к актуальному состоянию items на дату заказа + WHERE price > 3. Часть 2 (теория): для SELECT COUNT(*) FROM A INNER JOIN B ON A.id=B.id при N строк в A и M в B назвать минимум и максимум. Минимум = 0 (нет совпадений по id), максимум = N*M (если все id в обеих таблицах одинаковы — декартово произведение по совпадению). Часть 3 (Python): написать и протестировать функцию проверки палиндрома для строк; подход — сравнить строку с её разворотом (s == s[::-1]) или двумя указателями с обоих концов.

По открытым источникам ядро — SQL под ритейл и метрики. По SQL просят оконные функции и запросы уровня «рассчитайте скользящий средний чек по магазинам за последние 7 дней» (решается через AVG(...) OVER(PARTITION BY store ORDER BY date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW)), состояние товара на дату из истории цен, JOIN нескольких таблиц, агрегации. По метрикам спрашивают, как считать LFL sales (сопоставимые продажи по магазинам, открытым в обоих периодах), средний чек, промо-эффективность, пенетрацию лояльности — и почему метрики различаются между форматами «у дома» и «Семейный». По статистике/A/B — как спланировать эксперимент в офлайн-рознице: выбор контрольных и тестовых магазинов, учёт сезонности, гео- и демографических различий, понимание p-value и размера эффекта. На бизнес-кейсах разбирают падение среднего чека или эффективность переводов ассортимента. Важна не только правильность, но скорость (примерно 15 минут на SQL-задачу) и умение объяснить логику.

Обычно: скрининг рекрутера, тестовое задание, один-два технических этапа (SQL, затем метрики/статистика/A/B) и финал с бизнес-кейсом и знакомством с командой. Точное число зависит от направления (коммерция, маркетинг, логистика, лояльность, e-grocery Магнит Маркет) и грейда — на senior/product-роли добавляется секция по теории вероятностей и дизайну экспериментов. Детальных пошаговых таймингов именно по DA в публичных отзывах немного, поэтому это отраслевой профиль роли, а не гарантированный сценарий для каждой вакансии.

SQL — до автоматизма: оконные функции (ROW_NUMBER, RANK, LAG/LEAD, SUM/AVG OVER), CTE, JOIN нескольких таблиц, агрегации, работа с историей цен и датами (LFL-периоды, состояние на дату). Полезно понимать min/max при JOIN и как избегать дублей. Python — базовая обработка данных и алгоритмические задачи (как палиндром из реального тестового). Из вакансий MAGNIT TECH: PostgreSQL, Teradata, Python, Tableau, DataLens; на senior — статистика, A/A и A/B-тесты, желательно опыт ML-моделей.

Ключевые: LFL sales (like-for-like, сопоставимые продажи — считаются только по магазинам, работавшим в обоих сравниваемых периодах, чтобы отделить органический рост от эффекта открытия новых точек), средний чек, трафик магазинов, конверсия, промо-эффективность (аплифт от акции, каннибализация соседних SKU), пенетрация программы лояльности. Отдельно ценят понимание мультиформатности: у «Магнит у дома» и «Магнит Семейный» разная корзина, частота визитов и экономика, поэтому одни и те же метрики интерпретируются по-разному. На e-grocery (Магнит Маркет) добавляются метрики e-commerce и ценообразование с кросс-эффектами.

Ориентировочно по открытым данным getmatch за 2024–2026: вакансия «Аналитик данных (Коммерческая аналитика Магнит Маркета)», грейд Senior — 215 000–304 000 ₽/мес на руки; «Главный аналитик данных» — от 300 000 ₽/мес на руки. Junior/middle точных вилок в открытых вакансиях меньше, ориентир по рынку — примерно 120–215K. Это данные по конкретным вакансиям MAGNIT TECH и оценка рынка, а не официальная сетка компании; актуальные вилки стоит проверять на getmatch.ru и career-порталах.

По отзывам на продуктовую/аналитическую секцию (PA/DA) уровень сложности описывают как высокий: теорвер, бизнес-кейсы и A/B. Готовиться стоит так: доведите SQL (оконки, CTE, JOIN, история цен) до скорости 15 минут на задачу; повторите базовую статистику и дизайн A/B (в т.ч. специфику офлайн-розницы — контрольные магазины, сезонность); разберите ритейл-метрики (LFL, средний чек, промо, лояльность); прорешайте пару алгоритмических задач на Python. Проговаривайте логику вслух — оценивают не только ответ, но и рассуждения.