🔄 Как изменились собесы для аналитиков в 2026 году За последний год они стали не столько сложнее, сколько требовательнее к качеству мышления. Дать правильный ответ уже недостаточно. Нужно решать быстро и точно, показывая ход рассуждений. Сразу оговорюсь: ниже не исследование рынка, а мои наблюдения из общения с сотнями кандидатов и нанимающими руководителями. Процессы везде разные, но эти шесть изменений я вижу все чаще. 1️⃣ Техническая база стала входным фильтром Решить задачу на SQL, Python или теорвер уже не достижение. Нужно сделать это быстро и оптимально, учесть пограничные случаи и объяснить, почему выбран именно такой подход. При этом идеально решенная задача сама по себе не сделает вас сеньором. А вот заваленная легко приведет к отказу. Технический блок все чаще работает как проверка «база есть или нет». Грейд определяют дальше. 2️⃣ Грейд в продуктовой аналитике определяют кейсы Накидать метрики и гипотезы из головы недостаточно. Смотрят на то, как вы структурируете задачу в условиях неопределенности, задаете уточняющие вопросы, связываете метрики с бизнесом, замечаете риски и ограничения, объясняете свой выбор. Именно здесь становится видно, кто перед интервьюером: начинающий аналитик, крепкий мидл или человек, способный самостоятельно и от начала до конца вести сложные продуктовые задачи. 3️⃣ В некоторых воронках появились AI-интервью Это отдельный этап в начале отбора, который проводит AI-агент. Обычно это типовой набор вопросов по SQL, Python, метрикам, статистике и опыту. Вопросы довольно простые, а диалог ощущается поверхностным. Содержательной пользы кандидату такой этап почти не дает. А для компании это дешевый способ сократить число людей, доходящих до живого интервью. Относиться приходится как к любому фильтру: раздражает, но без него дальше не пустят. 4️⃣ Стали чаще спрашивать, как вы работаете с AI Ответ «активно использую LLM» уже никого не впечатляет. Работает конкретика: для каких задач использую, вот пример, где это ускорило работу, вот как перепроверял результат и какую ошибку модели нашел. Ценят не того, кто копирует ответы модели, а того, кто понимает, где ей нельзя доверять без контроля и как проверить ее ответы и расчеты. В конце концов, именно вы отвечаете за конечный результат. Чем умнее и доступнее становятся модели, тем ценнее умение оценить качество ответа, а не просто его получить. 5️⃣ Стирается грань между дата- и продуктовыми аналитиками Раньше аналитик данных отвечал за источники, выгрузки, отчетность и ad-hoc-задачи, а продуктовый – за метрики, гипотезы и эксперименты. Сейчас, особенно в продуктовых компаниях, от кандидатов на позиции Data Analyst все чаще ждут продуктового мышления: умения работать с метриками и гипотезами, проектировать A/B-тесты и связывать анализ с бизнес-решениями. Вопросы на собеседованиях становятся почти теми же. Одного SQL и умения собрать дашборд уже мало – важно понимать, зачем проводится анализ и к какому решению он должен привести. 6️⃣ Рынок продолжает смещаться в сторону работодателя Компании выбирают тщательнее, а процессы найма стали дольше и жестче. На одну позицию часто рассматривают сразу несколько сильных кандидатов, поэтому мало просто соответствовать требованиям или иметь стаж. Теперь оценивают не только относительно вакансии, но и сравнивают с теми, кто проходит собеседования параллельно. Можно хорошо пройти все этапы и все равно получить отказ – не потому, что вы недотягиваете до ожидаемого уровня, а потому что кто-то оказался чуть структурнее, точнее или ближе к текущим задачам команды. — А что изменилось по вашим наблюдениям? Что стали спрашивать чаще, а какие секции почти исчезли?