მონაცემთა მეცნიერება, AI & ანალიტიკა: გასაუბრების კითხვები და პასუხები
ანალიტიკოსისა და მონაცემთა მეცნიერის შერჩევა საქართველოში ჩვეულებრივ SQL-ის ან Python-ის ტესტით იწყება, რომელსაც მოსდევს სატესტო დავალება რეალურ მონაცემებზე და ტექნიკური ინტერვიუ. ბანკებსა და ტელეკომ კომპანიებში ხშირად გთხოვენ, შედეგები ბიზნესის წარმომადგენლებს წარუდგინოთ, რადგან ამოწმებენ, რამდენად მარტივად ხსნით ციფრებს.
როგორ მოვემზადოთ
- ივარჯიშეთ SQL-ში JOIN-ებზე, ფანჯრულ ფუნქციებზე (window functions) და აგრეგაციაზე: ეს ტესტების ძირითადი ნაწილია.
- სატესტო დავალებაში დაიწყეთ მთავარი დასკვნით და მხოლოდ შემდეგ აჩვენეთ მეთოდი და კოდი.
- მოამზადეთ ერთი პროექტი, სადაც თქვენმა ანალიზმა კონკრეტული ბიზნეს-გადაწყვეტილება შეცვალა.
- გაიმეორეთ სტატისტიკის საფუძვლები: p-მნიშვნელობა, ნდობის ინტერვალი, კორელაცია და მიზეზ-შედეგობრიობა.
უმცროსი მონაცემთა / BI ანალიტიკოსი: კითხვები
როგორ დაწერდით SQL მოთხოვნას, რომელიც თითოეული ქალაქისთვის ბოლო თვის სამ ყველაზე დიდ შეკვეთას აჩვენებს?
რას ამოწმებენ: ამოწმებენ SQL-ის პრაქტიკულ ცოდნას, განსაკუთრებით ფანჯრულ ფუნქციებს.
ნიმუში პასუხი
ჯერ შეკვეთებს ბოლო თვის თარიღით გავფილტრავდი, შემდეგ ROW_NUMBER() ფუნქციით თითოეულ შეკვეთას მივანიჭებდი რიგით ნომერს, PARTITION BY ქალაქით და ORDER BY თანხით კლებადობით. ამას ქვემოთხოვნაში ან CTE-ში მოვაქცევდი და გარე მოთხოვნაში დავტოვებდი მხოლოდ ჩანაწერებს, სადაც ნომერი სამამდეა. თუ ორ შეკვეთას ერთნაირი თანხა აქვს და ორივე უნდა გამოჩნდეს, ROW_NUMBER-ის ნაცვლად DENSE_RANK-ს გამოვიყენებდი. ბოლოს შევამოწმებდი შედეგს ერთ-ორ ქალაქზე ხელით.
დაშბორდზე გაყიდვები ერთ დღეში 40%-ით დაეცა. რას შეამოწმებთ, სანამ მენეჯმენტს შეატყობინებთ?
რას ამოწმებენ: ამოწმებენ, ამოწმებთ თუ არა მონაცემების ხარისხს, სანამ დასკვნას გააკეთებთ.
ნიმუში პასუხი
ჯერ შევამოწმებდი, მონაცემები სრულად ჩაიტვირთა თუ არა: ხშირად ასეთი ვარდნა ETL-ის შეფერხებაა, როცა ზოგიერთი ფილიალის ან არხის მონაცემები ჯერ არ შემოსულა. შემდეგ ვნახავდი, ვარდნა ყველგანაა თუ კონკრეტულ მაღაზიაში, პროდუქტსა ან გადახდის მეთოდში. ასევე გავითვალისწინებდი კალენდარს: დღესასწაული ან შაბათ-კვირა ბუნებრივად ცვლის გაყიდვებს. თუ მონაცემები სწორია და ვარდნა რეალურია, მენეჯმენტს მივწერდი მოკლედ: რა მოხდა, სად და რა ვიცით ჯერჯერობით.
მარკეტინგის მენეჯერი ითხოვს ანგარიშს „ყველა მონაცემით“. როგორ გაარკვევთ, რა სჭირდება რეალურად?
რას ამოწმებენ: ამოწმებენ, შეგიძლიათ თუ არა ბუნდოვანი მოთხოვნის კონკრეტულ კითხვად ქცევა.
ნიმუში პასუხი
ვკითხავდი, რა გადაწყვეტილების მიღებას აპირებს ამ ანგარიშით და რას შეცვლის, თუ ციფრები ერთი ან მეორე მიმართულებით იქნება. ხშირად აღმოჩნდება, რომ კონკრეტული კითხვა აინტერესებს, მაგალითად რომელი კამპანია მოიტანს ყველაზე იაფ კლიენტებს. შემდეგ შევთანხმდებოდით 3–5 მთავარ მეტრიკაზე, პერიოდზე და იმაზე, რამდენად ხშირად სჭირდება განახლება. პირველ ვერსიას სწრაფად ვაჩვენებდი და მისი უკუკავშირით დავხვეწდი, რომ დიდი, გამოუყენებელი ანგარიში არ შევქმნა.
მიდ მონაცემთა მეცნიერი / ანალიტიკის ინჟინერი: კითხვები
A/B ტესტში ახალმა ვერსიამ კონვერსია 3%-ით გაზარდა. როგორ გადაწყვეტთ, შეიძლება თუ არა ამ შედეგის ნდობა?
რას ამოწმებენ: ამოწმებენ სტატისტიკური აზროვნების პრაქტიკულ გამოყენებას და ტიპური შეცდომების ცოდნას.
ნიმუში პასუხი
ჯერ შევამოწმებდი, რომ ჯგუფები სწორად და თანაბრად გაიყო და ტესტამდე ერთმანეთს ჰგავდნენ. შემდეგ ვნახავდი, საკმარისია თუ არა ნიმუშის ზომა და ტესტი წინასწარ განსაზღვრულ ვადამდე გაგრძელდა თუ ადრე გაჩერდა, რადგან ადრე გაჩერება ყალბ შედეგს იძლევა. გამოვთვლიდი ნდობის ინტერვალს და არა მხოლოდ p-მნიშვნელობას, რომ გამეგო, რამდენად დიდი შეიძლება იყოს რეალური ეფექტი. ასევე შევამოწმებდი სხვა მეტრიკებს, მაგალითად დაბრუნებებს, რომ კონვერსიის ზრდამ სხვა რამ არ გააუარესოს.
როგორ ააგებდით მოდელს, რომელიც პროგნოზირებს, რომელი კლიენტი დატოვებს კომპანიას მომდევნო თვეში?
რას ამოწმებენ: ამოწმებენ მანქანური სწავლების პროექტის სრული ციკლის გაგებას, ამოცანის დასმიდან გამოყენებამდე.
ნიმუში პასუხი
ჯერ ბიზნესთან ერთად განვსაზღვრავდი, რას ნიშნავს „წასვლა“ და რას გააკეთებენ პროგნოზით, მაგალითად შეთავაზებას გაუგზავნიან რისკის ჯგუფს. შემდეგ მოვამზადებდი მახასიათებლებს: აქტივობის ცვლილება, მომსახურების ცენტრთან კონტაქტები, გადახდების ისტორია, და ყურადღებით დავიცავდი, რომ მომავლის ინფორმაცია მოდელში არ შეიპაროს. დავიწყებდი მარტივი მოდელით, როგორიცაა ლოგისტიკური რეგრესია, შემდეგ კი gradient boosting-ს შევადარებდი და შევაფასებდი precision-ით და recall-ით, რადგან კლასები დაუბალანსებელია. ბოლოს მოდელის ღირებულებას ფულში ვაჩვენებდი: რამდენი კლიენტის შენარჩუნება შეიძლება და რა ღირს კამპანია.
მოგვიყევით შემთხვევაზე, როცა თქვენი ანალიზის შედეგი ხელმძღვანელობის მოლოდინს არ დაემთხვა.
რას ამოწმებენ: ამოწმებენ, იცავთ თუ არა მონაცემების სიმართლეს და როგორ აწვდით არასასურველ დასკვნას.
ნიმუში პასუხი
მენეჯმენტი დარწმუნებული იყო, რომ ლოიალობის პროგრამამ გაყიდვები გაზარდა, რადგან პროგრამის წევრები მეტს ხარჯავდნენ. ჩემმა ანალიზმა აჩვენა, რომ ეს ადამიანები პროგრამამდეც მეტს ხარჯავდნენ, ანუ პროგრამაში უბრალოდ ისედაც აქტიური კლიენტები ჩაეწერნენ. შედეგი შედარების ჯგუფის მეთოდით დავადასტურე და მარტივი გრაფიკებით წარვადგინე, ემოციების გარეშე. თავიდან ეს არ მოეწონათ, მაგრამ შედეგად პროგრამა შეიცვალა და ნაკლებად აქტიურ კლიენტებზე გადავიდა, რამაც რეალური ზრდა მოიტანა.
სენიორ მონაცემთა მეცნიერი / AI ინჟინერი: კითხვები
კომპანიას სურს LLM-ზე დაფუძნებული ასისტენტი მომხმარებელთა მხარდაჭერისთვის ქართულ ენაზე. როგორ ააწყობდით?
რას ამოწმებენ: ამოწმებენ თანამედროვე AI სისტემების პრაქტიკულ ცოდნას და ადგილობრივი ენის სპეციფიკის გათვალისწინებას.
ნიმუში პასუხი
მოდელს მთლიანად თავიდან არ გავწვრთნიდი: ავირჩევდი არსებულ მოდელს, რომელიც ქართულს კარგად ამუშავებს, და RAG-ის მიდგომით დავაკავშირებდი კომპანიის ცოდნის ბაზასთან, რომ პასუხები რეალურ წესებსა და ტარიფებს ეფუძნებოდეს. ჯერ შევქმნიდი შეფასების ნაკრებს რეალური კითხვებით ქართულად და რუსულად, რადგან ბევრი მომხმარებელი ორივე ენაზე წერს. დავამატებდი დამცავ მექანიზმებს: პერსონალური მონაცემების დაცვას, უცნობ კითხვებზე ოპერატორზე გადამისამართებას და ყველა საუბრის ლოგირებას. გაშვებას ეტაპობრივად, ჯერ ოპერატორების დამხმარედ დავიწყებდი და შემდეგ ხარისხის მიხედვით გავაფართოებდი.
პროდაქშენში არსებული მოდელის სიზუსტე თანდათან ეცემა. როგორ მოიქცევით?
რას ამოწმებენ: სენიორისგან ელიან MLOps-ის, მონიტორინგისა და მოდელის სასიცოცხლო ციკლის გაგებას.
ნიმუში პასუხი
ჯერ დავადგენდი, რა შეიცვალა: შემავალი მონაცემების განაწილება (data drift) თუ თავად კავშირი მახასიათებლებსა და შედეგს შორის (concept drift). ამისთვის მახასიათებლების განაწილებას ტრენინგის პერიოდს შევადარებდი და შევამოწმებდი, ხომ არ შეიცვალა რომელიმე წყარო-სისტემა ან ველის ფორმატი. თუ ბაზარი შეიცვალა, მაგალითად ახალი პროდუქტის გამო, მოდელს ახალ მონაცემებზე გადავამზადებდი და ძველს A/B რეჟიმში შევადარებდი. მომავლისთვის ავტომატურ მონიტორინგს და გადამზადების რეგულარულ გრაფიკს დავაყენებდი.
როგორ უხსნით არატექნიკურ ხელმძღვანელს, რატომ მიიღო მოდელმა კონკრეტული გადაწყვეტილება, მაგალითად სესხზე უარი?
რას ამოწმებენ: ამოწმებენ მოდელის ახსნადობისა და პასუხისმგებლიანი AI-ის გაგებას.
ნიმუში პასუხი
ვიყენებ ახსნადობის მეთოდებს, მაგალითად SHAP-ს, რომლითაც თითოეული გადაწყვეტილებისთვის ჩანს, რომელმა ფაქტორებმა იმოქმედა ყველაზე მეტად. ხელმძღვანელს ტექნიკურ დეტალებს არ ვუხსნი: ვეუბნები, მაგალითად, რომ უარზე ყველაზე მეტად იმოქმედა მაღალმა არსებულმა ვალმა შემოსავალთან შედარებით და ბოლოდროინდელმა ვადაგადაცილებამ. ასევე ვამოწმებ, ხომ არ ეყრდნობა მოდელი ისეთ ფაქტორებს, რომლებიც შეიძლება დისკრიმინაციული იყოს. მნიშვნელოვანი გადაწყვეტილებებისთვის ვრჩევ, რომ ბოლო სიტყვა ადამიანს ეკუთვნოდეს.
მონაცემთა მიმართულების ხელმძღვანელი / მონაცემთა დირექტორი (CDO): კითხვები
კომპანიაში თითოეულ დეპარტამენტს საკუთარი ციფრები აქვს და ისინი ერთმანეთს არ ემთხვევა. რით დაიწყებთ?
რას ამოწმებენ: ამოწმებენ მონაცემთა მართვის (data governance) ხედვას და ორგანიზაციული ცვლილების უნარს.
ნიმუში პასუხი
ჯერ ავირჩევდი ხუთ-ექვს მთავარ მეტრიკას, რომლებზეც ხელმძღვანელობა გადაწყვეტილებებს იღებს, მაგალითად შემოსავალი, აქტიური კლიენტი და გადინება, და თითოეულისთვის ერთ ოფიციალურ განმარტებას შევათანხმებდი დეპარტამენტების ხელმძღვანელებთან. თითოეულ მეტრიკას ეყოლებოდა მფლობელი ბიზნესის მხრიდან. შემდეგ ეს განმარტებები მონაცემთა საცავში ერთ ცენტრალურ ფენაში განვახორციელებდით, რომ ყველა ანგარიში ერთი წყაროდან იკვებებოდეს. ძველ, ურთიერთსაწინააღმდეგო ანგარიშებს თანდათან გავთიშავდით, რაც ყველაზე რთული, მაგრამ აუცილებელი ნაწილია.
როგორ შეარჩევთ, რომელ AI პროექტებში ჩადოს კომპანიამ ინვესტიცია მომდევნო წელს?
რას ამოწმებენ: CDO-სგან ელიან, რომ AI-ს ბიზნესის ღირებულებით შეაფასებს და არა ტექნოლოგიური ინტერესით.
ნიმუში პასუხი
დეპარტამენტებთან ერთად ვაგროვებ იდეებს და თითოეულს ვაფასებ სამი კრიტერიუმით: რა ფინანსური ეფექტი აქვს, რამდენად მზადაა საჭირო მონაცემები და რა რისკი აქვს შეცდომის შემთხვევაში. უპირატესობას ვანიჭებ პროექტებს, რომლებიც სწრაფად აჩვენებს შედეგს, მაგალითად დოკუმენტების დამუშავების ავტომატიზაციას, და პარალელურად ერთ-ორ გრძელვადიან სტრატეგიულ პროექტს ვინარჩუნებ. თითოეულ პროექტს აქვს პილოტის ეტაპი წინასწარ განსაზღვრული წარმატების კრიტერიუმით, რომ წარუმატებელი პროექტი დროულად გავაჩეროთ. ასე ბიუჯეტი იქ მიდის, სადაც რეალურ შედეგს იძლევა.
როგორ ააწყობთ მონაცემთა გუნდის სტრუქტურას: ცენტრალიზებული გუნდი თუ ანალიტიკოსები დეპარტამენტებში?
რას ამოწმებენ: ამოწმებენ ორგანიზაციული დიზაინის გამოცდილებას და გუნდის ზრდის დაგეგმვას.
ნიმუში პასუხი
ჩემი აზრით, საუკეთესო შედეგს ჰიბრიდული მოდელი იძლევა: ცენტრალური გუნდი პასუხისმგებელია პლატფორმაზე, მონაცემთა ხარისხზე, სტანდარტებსა და რთულ მოდელებზე, ხოლო ანალიტიკოსები დეპარტამენტებთან ერთად სხედან და მათ ყოველდღიურ კითხვებზე მუშაობენ. ანალიტიკოსები ფორმალურად მონაცემთა გუნდში რჩებიან, რომ ერთ სტანდარტს მიჰყვნენ და ერთმანეთისგან ისწავლონ. გუნდის ზრდას ბიზნესის პრიორიტეტების მიხედვით ვგეგმავ და ჯერ იქ ვამატებ ადამიანს, სადაც ყველაზე დიდი რიგია. ასევე ვზრუნავ, რომ ბიზნესის თანამშრომლებმა მარტივ კითხვებზე პასუხი თვითმომსახურების დაშბორდებით თავად მიიღონ.
სხვა პროფესიების კითხვები
მზად ხართ გასაუბრებისთვის?
მოძებნეთ შესაფერისი ვაკანსია და გაგზავნეთ CV რამდენიმე წუთში.

