Як оцінити навички Data Scientist

Оцінити Data Scientist складніше, ніж бекенд-розробника: результат його роботи не завжди «або працює, або ні». Тому важливо перевіряти не лише код, а й мислення. Розберемо, як це робити рекрутеру разом із техлідом.

Три виміри, які треба перевірити

Сильний Data Scientist поєднує три речі, і оцінювати варто кожну:

Технічні навички — Python, SQL, ML, статистика.
Спосіб мислення — як людина підходить до задачі, ставить гіпотези, працює з невизначеністю.
Комунікація — чи вміє пояснити складне просто й повʼязати роботу з бізнесом.

Кандидат, сильний лише в першому вимірі, часто розчаровує на реальних задачах.

Перевірка технічної бази

На технічному етапі (краще за участі техліда) перевірте: розуміння класичного ML і коли який алгоритм застосувати; статистику на рівні інтерпретації, а не заучених формул; SQL наживо; уміння працювати з даними в pandas. Важливо: шукайте розуміння, а не завчені визначення. Питання «чому ви обрали саме цей підхід?» розкриває більше, ніж «що таке random forest».

Практичне завдання

Найкращий сигнал дає невелике практичне завдання на реальних (чи реалістичних) даних. Оцінюйте не лише фінальну метрику, а й хід роботи: як кандидат чистив дані, які припущення робив, як валідував результат, чи помітив підводні камені. Тримайте завдання компактним — поважайте час кандидата.

Захист портфоліо як лакмус

Попросіть детально розповісти про проєкт із резюме. Сильний кандидат легко пояснить, навіщо проєкт, чому обрав такий підхід, що б покращив. Плутанина у власному проєкті — тривожний сигнал. Це один із найінформативніших і найдешевших методів оцінки.

Не забувайте про бізнес-мислення

Поставте кейс: «Продукт втрачає користувачів. Як би ви підійшли до задачі за допомогою даних?» Тут немає єдиної правильної відповіді — ви оцінюєте структуру мислення: чи уточнює кандидат задачу, чи думає про метрики, дані й ризики. Це передбачає реальну користь краще, ніж будь-який алгоритмічний тест.

Тривожні сигнали

Не може пояснити власні проєкти.
Оперує buzzwords без розуміння суті.
Ігнорує якість даних і одразу «стрибає» на складні моделі.
Не ставить жодних уточнювальних питань до задачі.

Оцінка Data Scientist — це не пошук того, хто знає найбільше термінів, а того, хто вміє перетворювати дані на рішення й зрозуміло про це говорити. Поєднання технічної перевірки, практичного завдання й кейсу дає найповнішу картину.