Собеседование в Яндекс на аналитика и ШАД в 2026: ML, продукт, математика

Собес в Яндексе на аналитика — что внутри

Яндекс — это экосистема: поиск, Маркет, Еда, Карты, Такси, Музыка, Облако. У каждого продукта свои аналитики, но входная воронка похожа. И, конечно, отдельная история — Школа анализа данных (ШАД), куда подают в среднем 4–6 тысяч человек в год, а проходит ≈300.

В этой статье разберём:

• структуру собеседования на продуктового аналитика в Яндексе;
• что включает вступительный экзамен в ШАД;
• ML-секцию и какие задачи там бывают;
• план подготовки и список тренировочных задач;
• разницу между «обычной» вакансией аналитика и ШАД.

Структура интервью в Яндексе

В 2026 году типичная воронка аналитика выглядит так:

1. Скрининг с рекрутером (30 минут) — мотивация, опыт.
2. Алгоритмы и математика (60 минут) — кодинг + теорвер.
3. ML-секция (60–90 минут) — для аналитиков с ML-уклоном или ШАД-кандидатов.
4. Продуктовый кейс (60 минут) — разбор реальной задачи.
5. Финал — с командой и тимлидом.

Не все секции бывают у всех. Например, на маркетинг-аналитика часто пропускают ML, но добавляют SQL-секцию. На аналитика в Поиске или Маркете — обязательно будет хотя бы один блок про метрики продукта.

Алгоритмическая секция: чем Яндекс отличается

В большинстве российских компаний секция «алгоритмы» — это лайт-вариант (типа FizzBuzz). В Яндексе уровень другой: ближе к Google или Meta. Что обычно дают:

Задачи на структуры данных и обходы

• бинарный поиск и его модификации;
• двух-указательная техника;
• хэш-таблицы;
• стек/очередь.

Пример из ШАД-каталога: Валидный палиндром с одним удалением — классическая задача на два указателя.

Задачи на структуру данных «список интервалов»

Очень любят. Пример: Список → диапазоны — сжатие соседних целых чисел в интервалы.

Геометрия и расстояния

• Минимальное расстояние между точками XY — задача про метрики.

Алгоритмы дают и на собесе аналитика, и в ШАД. На аналитика — короче и проще; на ШАД — полноценная олимпиадная задача.

Математическая секция: ШАД-style

Математика в Яндексе — самая сильная сторона компании. Что точно стоит знать:

Теория вероятностей и ожидание

Классические ШАД-задачи:

• ШАД · 100 дверей и ожидание — расчёт ожидания через индикаторы.
• ШАД · Стратегии лифта — выбор оптимальной стратегии.
• ШАД · Дискаунты на Чёрную пятницу — задача про распределения.
• ШАД · Арбуз и попытки — ожидание в дискретной модели.

Теория игр и равновесия

• ШАД · Стартапы и равновесие Нэша — олимпиадная классика.

Метрики и продуктовая математика

• ШАД · Метрика счастья поиска — задача про правильное определение метрики.

На обычном собесе аналитика глубину упрощают, но базу — Байес, ожидание, дисперсия — всё равно нужно знать назубок.

ML-секция: что спрашивают

Если идёте на аналитика с ML-направлением (или в команду рекомендаций/ранжирования), готовьтесь к ML-секции. В ней обычно три уровня вопросов:

1. Базовая теория

• что такое bias–variance trade-off (задача про bias–variance);
• зачем нужна кросс-валидация и как выбрать число фолдов (cross-validation k);
• что такое ROC AUC и как интерпретировать (ROC AUC);
• разница между L1 и L2 регуляризацией (L1 vs L2).

2. Метрики и оценка моделей

• классификация и баланс классов (class imbalance);
• MSE vs MAE и когда что выбирать (MSE vs MAE).

3. Алгоритмы

• решающее дерево vs линейная модель — когда что лучше (decision tree vs linear);
• стратегии шага в SGD (SGD step strategies).

Что в ML-секции делать НЕ надо

• Не заучивайте формулы — интервьюер всегда поймёт.
• Не врите, что использовали XGBoost в продакшене, если не использовали.
• Не путайте F1 и F-beta.

Если вас спрашивают «что такое L1 регуляризация», правильный ответ — не «штраф на |w|», а «это разрежает веса, потому что в нуле субградиент позволяет коэффициенту обнулиться». Понимание ценится больше формулы.

Продуктовая секция: метрики Яндекса

Каждый продукт Яндекса учит думать определённым образом. В Поиске — про релевантность и счастье пользователя. В Такси — про supply/demand и поездки. В Маркете — про конверсию и средний чек.

Один из любимых форматов — «дизайн метрики». Например:

• «Как мерить качество поиска?»
• «Как понять, что Маркет работает лучше или хуже за неделю?»

Тренироваться можно на задаче Кейс Яндекс.Маркет: метрики и ШАД · Метрика счастья поиска.

Хороший ответ всегда строится в три слоя:

1. North Star — главная метрика продукта.
2. Декомпозиция — input → output → outcome.
3. Guardrails — что мы НЕ должны ухудшить.

ШАД: чем отличается от обычной воронки

ШАД — это двухлетняя школа с очень серьёзной программой по математике и ML. Поступление состоит из:

1. Анкета и оценка резюме — отсев по бэкграунду.
2. Онлайн-тест — математика и алгоритмы (3 часа).
3. Письменный экзамен — олимпиадного уровня (4 часа).
4. Устные собеседования — 2–3 секции с преподавателями.

Сложность экзамена сравнима со студенческим математическим экзаменом мехмата МГУ или МФТИ. Что нужно уметь:

• классический матанализ (производные, интегралы, ряды);
• линейную алгебру (собственные значения, разложения, диагонализация);
• теорию вероятностей и матстатистику;
• алгоритмы и структуры данных уровня олимпиад.

Если вы поступаете в ШАД, готовиться нужно минимум 6 месяцев, лучше год. И начать стоит с разбора предыдущих экзаменов — они есть в открытом доступе.

Чек-лист подготовки на 4 недели (на «обычную» аналитику)

Неделя 1: алгоритмы

• 30 задач LeetCode уровня easy/medium.
• Освоить два указателя, бинарный поиск, хэш.
• Тренироваться писать код на доске (без IDE).

Неделя 2: математика

• 20 задач по вероятностям и ожиданию.
• Разобрать ШАД-задачи прошлых лет.
• Освежить базовый матанализ и линейку.

Неделя 3: ML и SQL

• Пройти ML-чеклист (bias–variance, кросс-валидация, метрики, регуляризация).
• 20 SQL-задач с окнами.

Неделя 4: продукт и mock

• Разобрать «дизайн метрик» для 3 типов продуктов.
• Сделать 2 mock-интервью.
• Подготовить «истории» по проектам.

Что почитать

1. «Pattern Recognition and Machine Learning» Бишопа — каноническая книга по ML.
2. «Введение в анализ данных» Воронцова — короче и доступнее.
3. «Cracking the Coding Interview» — для алгоритмической части.
4. «Trustworthy Online Controlled Experiments» Кохави — A/B-тесты.
5. Курсы ШАД на YouTube — особенно по матанализу и ML.

Типичные ошибки

1. Готовятся только к LeetCode, забывая про математику. На собесе аналитика в Яндексе математика весит так же, как код.
2. Не объясняют свои решения. Молчите на доске — теряете баллы.
3. Заучивают ML-определения. Интервьюер вопросом «почему» вскрывает заучивание мгновенно.
4. Игнорируют продукт. Даже если идёте на «технического» аналитика — продуктовая секция будет.
5. Под ШАД не готовятся к олимпиадному уровню. Это не «middle интервью на работу», это отбор студентов.

Связанные задачи каталога

Для тренировки:

• Алгоритмы и математика ШАД: 100 дверей и ожидание, Стратегии лифта, Скидки на Чёрную пятницу, Стартапы Нэша, Арбуз, Метрика счастья, Расстояние XY, Палиндром с одним удалением, Список → диапазоны.
• ML: bias–variance, cross-validation k, ROC AUC, L1 vs L2, class imbalance, MSE vs MAE, decision tree vs linear, SGD step strategies.
• Продукт: Кейс Яндекс.Маркет.

Специфика по направлениям Яндекса

Яндекс — это десятки продуктов, и в каждом своя «местная» культура. Несколько ключевых отличий:

Поиск и Толока

Самые «олимпиадные» собесы. Алгоритмическая секция ближе к Google. Математика — на уровне ШАД-вступительных. Если вы туда идёте, готовьтесь как к олимпиаде.

Маркет и Маркетплейс

Больше похоже на собес в Озон или Авито. SQL и продуктовые кейсы преобладают. Алгоритмы упрощены, ML — на уровне базовых понятий.

Такси и Еда

Сильный акцент на маркетинговую аналитику и операции: supply/demand, surge pricing, маршруты курьеров. Switchback-эксперименты тут — повседневность, и про них спросят.

Облако и B2B

Меньше «продукта», больше data engineering. SQL обязательно, плюс возможны вопросы про дата-витрины и моделирование.

Алиса и ML-направления

Тут ML-секция полноценная: задавайте уточняющие вопросы про метрики моделей, про A/B на оффлайн-метриках и онлайн-результаты.

Несколько практических советов

1. На алгоритмической секции говорите вслух. Это не олимпиада, где можно решать молча. Интервьюер хочет видеть процесс.

2. Если задача сразу не решается — упростите. «Давайте сначала решу для $n=3$, потом обобщу.» Это нормально, и часто это правильный подход.

3. Для ШАД готовьтесь по программе вступительного. Программы прошлых лет в открытом доступе. Решайте экзамены 2020–2025 годов — это лучшая подготовка. После решения сверяйте каждое доказательство с разбором; половина потерь баллов — за «правильный ответ, но неправильное обоснование».

4. Если идёте на не-ШАД позицию, не пытайтесь «соответствовать ШАД». Готовьтесь под конкретный продукт. Аналитика в Маркете не должна знать SGD-стратегии назубок. Зато должна понимать GMV, take rate, конверсии в воронке заказа и метрики качества выдачи.

5. Помните про внутренние референсы. Если у вас есть знакомый, работающий в Яндексе — попросите его внутренний реферал. Это не гарантирует оффер, но сильно ускоряет первый этап и часто даёт +1 уровень внимания со стороны рекрутера.

6. Готовьтесь к «странным» вопросам на финале. Тимлиды Яндекса любят задавать «вопросы на смекалку» — не для проверки знаний, а для проверки реакции. «Сколько шариков для пинг-понга поместится в Боинг 747?» — не угадывайте ответ, а покажите рассуждение и ассумпции.

Итого

Собес в Яндексе на аналитика в 2026 — это требовательная воронка с упором на алгоритмы, математику и ML. На ШАД — отдельная история, и готовиться к нему надо как к серьёзному экзамену. Но если ваша подготовка систематична — 30+ задач в каждой секции, понимание (а не заучивание) и хорошие mock-интервью — то оффер вполне реален даже без олимпиадного бэкграунда. Главный принцип: не пытайтесь «понравиться Яндексу вообще». Поймите, в какой продукт вы идёте, и готовьтесь под его культуру.