Свежий документ для подготовки к собеседования на позицию Sr Data Engineer из одной большой американской компании __Этап 1 — Скрининг с нанимающим менеджером__ __Продолжительность: 45 минут__ __Разговорное интервью с нанимающим менеджером.__ __Что оценивается:__ __ • Общее понимание роли и команды__ __ • Соответствие навыков требованиям позиции__ __ • Понимание стратегических целей должности__ __ • Уровень экспертизы относительно ожиданий по грейду__ __ • Знакомство с технологическим стеком из описания вакансии__ __ Этап 2 — Техническое интервью (Python / SQL)__ __Продолжительность: 60 минут (30 мин Python + 30 мин SQL)__ __Живое практическое кодирование в CoderPad, чистый Python без библиотек и фреймворков.__ __Что оценивается:__ __ • Знание базовых структур данных — list, dict, set__ __ • Умение программно парсить данные__ __ • Умение писать алгоритмы с использованием базовых конструкций — циклы for/while__ __ • Решение задач умеренного уровня сложности__ __ • Владение SQL (вторая половина сессии)__ __Важные замечания:__ __ • Можно задавать уточняющие вопросы по задаче — только по Python__ __ • Нельзя копировать условие задачи в AI__ __ • Любое использование AI-инструментов в процессе должно быть раскрыто__ __ Этап 3 — Панельные интервью__ __Четыре части с разными командами.__ __Этап 3а — Панель: Взаимодействие с командой Data Science__ __Продолжительность: 30 минут__ __Обсуждение проектов с командой Data Science.__ __Что оценивается:__ __ • Опыт в экспериментировании и моделировании__ __ • Умение совместно с DS-командой решать бизнес-задачи__ __ • Глубина обоснования выбора подходов к моделированию и экспериментам__ __Этап 3б — Панель: Взаимодействие с DE / ML Platform__ __Продолжительность: 30 минут__ __Совместное упражнение с командой Data Engineering, которая управляет репозиторием ML-фичей.__ __Что оценивается:__ __ • Умение глубоко погружаться в техническую задачу__ __ • Перевод требований продукта и DS в проектирование масштабируемого ML-пайплайна__ __ • Кросс-функциональное взаимодействие со стейкхолдерами DE/ML Platform__ __Этап 3в — Панель: Компетенции в Data Engineering__ __Продолжительность: 45 минут__ __Глубокое техническое погружение в экспертизу, доставку и исполнение — от требований до результата.__ __Что оценивается:__ __ • Экспертный уровень SQL и dbt__ __ • Опыт с современными технологиями пайплайнов — открытые табличные форматы (Iceberg, Delta, Hudi) и распределённые SQL-хранилища (Databricks SQL Warehouse, Snowflake, BigQuery, Redshift)__ __ • Проектирование пайплайнов по схеме Bronze → Silver → Gold__ __ • Опыт в моделировании данных__ __ • Практики обеспечения качества данных__ __ • Тестирование__ __ • Управление данными (Data Governance)__ __ • Оркестрация__ __ • Опыт с AI / LLM для ускорения рабочих процессов разработки__ __ • Умение выбирать правильный инструмент под задачу__ __ • Работа с большими объёмами данных (например, Kafka → DynamoDB)__ __ • Сквозное владение процессом — от требований до поставки__ __Этап 3г — Панель: Взаимодействие с командой ACE__ __Продолжительность: 30 минут__ __Совместное упражнение с командой ACE.__ __Что оценивается:__ __ • Сбор требований и понимание доменных потребностей__ __ • Управление и поддержка кода__ __ • Обеспечение поддерживаемости и удобства использования__ __ • Ответственность и решение проблем__ __ • Работа с AI / LLM__