Вопросы на собеседовании маркетолога-аналитика

Пример сильного ответа

Смотрите, CAC — это сколько мы тратим на привлечение одного клиента, LTV — сколько он приносит нам за всё время сотрудничества, а ROMI — это возврат на маркетинговые инвестиции, то есть отношение прибыли от кампании к затратам. Они связаны напрямую: если LTV стабильно выше CAC, привлечение окупается, и ROMI растёт. В моей практике был кейс, когда после перераспределения бюджета CAC упал на 18%, LTV вырос на 12%, а ROMI поднялся с 90% до 150% за квартал. Поэтому я всегда смотрю на эти метрики в связке, а не по отдельности.

• Чётко определяет метрики и показывает их взаимосвязь.
• Приводит конкретный пример с цифрами из опыта.
• Демонстрирует системное мышление и практический подход.

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

CTR — доля кликов от показов, конверсия — доля целевых действий от кликов или визитов, CPA — стоимость этого действия. CTR работает на верхнем уровне и говорит, насколько цепляют креатив и оффер; дальше по воронке он теряет смысл, потому что не показывает качество трафика. Конверсия живёт на шаге от клика к действию, но перестаёт быть достаточной, когда речь о деньгах: высокая конверсия бывает и у убыточного канала. CPA отвечает за экономику сделки, но не объясняет причину: одинаковым он будет и при слабом креативе, и при слабом лендинге. В одном проекте рост CTR на 8 процентов не дал прироста конверсии, качество трафика просело.

• Метрики разведены по этапам воронки, а не по формулам
• Есть кейс: рост CTR без роста конверсии
• Ответ про решения, а не про определения терминов

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Сначала фиксирую цель канала и горизонт: нужен объём заявок или прибыль. Данные собираю по блокам: расход за тестовый период, показы и клики, стоимость клика, доля заявок, доля оплат, средний чек, маржинальность, срок окупаемости. Дальше считаю CAC и маржинальный LTV по когорте, затем срок окупаемости и точку безубыточности канала. Обязательно смотрю разброс, а не среднее: медиана и худшие когорты важнее для решения. В одном тесте CAC вышел выше целевого примерно на двадцать процентов, но за счёт повторных покупок канал окупился за четыре месяца, поэтому решение было масштабировать осторожно, а не закрывать.

• Чёткая последовательность: какие данные и в каком порядке
• Упор на медиану и худшие когорты вместо среднего
• Кейс показывает неочевидный вывод по каналу

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Модели бывают по последнему и первому касанию, линейная, позиционная, с затуханием по времени и data-driven, то есть построенная по данным. Last click отдаёт всю заслугу последнему касанию, хотя решение часто сформировано раньше: знакомством с брендом, обзором, письмом. В итоге нижние каналы переоцениваются, верхние недооцениваются, и бюджет уходит туда, где просто ловят готовый спрос. Я сравниваю last click с линейной или с затуханием по времени и смотрю, как меняется вклад каналов. В одном случае линейная модель показала, что верхний канал недооценён почти вдвое, и перераспределение бюджета дало рост общей конверсии на шесть процентов.

• Перечислены реальные модели атрибуции без воды
• Объяснено, почему last click переоценивает нижние каналы
• Кейс с цифрой подтверждает эффект смены модели

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Сначала смотрю структуру бюджета: сколько уходит в каналы с разной насыщаемостью и где есть запас по охвату и частоте. Дальше строю прогноз по кривой насыщения: наращиваю бюджет шагами и оцениваю предельный CPA на каждом шаге. Линейная экстраполяция не работает, потому что аудитория ограничена, частота растёт, вместе с ней падают CTR и конверсия, аукцион дорожает, а самые дешёвые сегменты заканчиваются первыми. В одном проекте удвоение бюджета дало рост заявок примерно на шестьдесят процентов, зато CPA вырос на четверть. Поэтому я даю три сценария: базовый, оптимистичный и пессимистичный, с планом отсечения каналов.

• Показана механика прогноза через кривую насыщения
• Объяснены причины нелинейности, а не просто отрицание
• Кейс с цифрами по заявкам и CPA

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Мой базовый стек — веб- и продуктовые счётчики плюс хранилище, а поверх — SQL и BI-дашборд. Начинаю со схемы событий: какие действия считаем целевыми, какие параметры передаём, как называем события и свойства, чтобы не было дублей и «мусорных» целей. Цели настраиваю на события, а не на адреса страниц, и до запуска трафика проверяю их через отладчик. Данные собираю в хранилище и уже там обогащаю справочниками. Мне приходилось переводить проект с разрозненных отчётов на единую схему: около 40 событий и один дашборд вместо пяти вкладок, а недельный отчёт стал занимать пару часов вместо двух дней.

• Показан конкретный стек и порядок работы
• Есть проверка целей до запуска трафика
• Результат подкреплён цифрами

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Логика такая: беру таблицу пользователей с датой регистрации и определяю когорту как начало недели от этой даты. Отдельно собираю первые оплаты — минимум по дате платежа на пользователя. Затем LEFT JOIN оплат к пользователям и агрегация: считаю уникальных пользователей в когорте и тех, у кого есть первая оплата, и делю одно на другое. Условно это date_trunc по неделе как когорта, count distinct пользователей и count distinct платящих, дальше отношение. Важно честно фиксировать окно наблюдения: у свежих когорт конверсия ещё не дозрела, поэтому сравниваю их на одинаковом сроке жизни. В одном проекте разброс по неделям — от 2 до 9 процентов при средней около 5.

• Чёткая логика шагов вместо заученного кода
• Учтено окно наблюдения по когортам
• Есть цифры из практики

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Когортный анализ — это сравнение групп пользователей с общим стартом: неделя регистрации, канал, первый продукт. Средние цифры смешивают новичков и старых, поэтому рост или падение в общем отчёте может быть просто изменением состава. Когорты показывают удержание и выручку на сопоставимом сроке жизни: видно, перестаёт ли кривая удержания падать, то есть появилось ли продуктовое улучшение, или проседает только одна конкретная когорта. Например, после правок онбординга удержание второго месяца выросло с 18 до 24 процентов, а общая метрика почти не двинулась, потому что параллельно приходил более холодный трафик.

• Объяснён смысл, а не только определение
• Показана ловушка средних метрик
• Есть пример с числами

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Сквозная аналитика строится на едином идентификаторе. В ссылке передаю метку, она сохраняется в CRM вместе с лидом, и дальше изменения сделки тянут за собой источник. Ключевое — не терять связь при переходах между площадками и людьми: метка фиксируется при первом касании и не перезаписывается при возврате, а в карточке есть обязательные поля. Потом собираю данные CRM в хранилище, связываю с расходами на рекламу и считаю стоимость оплаченной сделки и окупаемость по каналам. В одном проекте доля сделок без источника сократилась примерно до 5 процентов, а бюджет перераспределён в пользу каналов с окупаемостью выше средней.

• Названа основа сквозной аналитики — единый ID
• Показаны типичные места потери данных
• Результат в цифрах и в решении

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Excel — рабочий инструмент для быстрых срезов и проверки гипотез, до полного перехода в SQL и BI. Уверенно работаю со сводными таблицами, Power Query, ВПР и ИНДЕКС с ПОИСКПОЗ, условным форматированием, моделями на нескольких листах и динамическими формулами. Типовые задачи: свести выгрузки из разных источников в одну таблицу, посчитать воронку по менеджерам, сравнить план с фактом, сделать простой прогноз. Например, отчёт по воронке на 12 менеджеров и примерно 8 тысяч сделок собираю за час вместо целого дня, а Power Query обновляет выгрузку одной кнопкой без ручной склейки.

• Уровень обозначен через инструменты
• Примеры задач близки к вакансии
• Есть выигрыш во времени

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Мой принцип — дашборд отвечает на вопрос «что происходит и что делать», а не «сколько у нас всего данных». На верхнем уровне оставляю 5–7 метрик: выручка и план-факт, CAC, ROMI, LTV, конверсия воронки. Ниже — разбивки по каналам и сегментам, чтобы сразу видеть источник отклонения. Оформление: один экран, светофор по отклонению от плана, динамика к прошлому периоду, детализация по клику. Обновление автоматическое, без ручных выгрузок. Мне приходилось сокращать отчёт с 40 показателей до 8: подготовка занимала 4 часа, а стала 10 минут, и решения на совещании принимаются сразу.

• Показан принцип отбора метрик, а не просто список
• Есть конкретный результат: 40 метрик → 8, 4 часа → 10 минут
• Описан формат подачи и автоматизация

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Начинаю с гипотезы в формате «если… то… потому что…» и с одной основной метрики, обычно это конверсия в целевое действие. Дальше расчёт размера выборки и минимально значимого эффекта до старта, чтобы не останавливать тест на эмоциях. Проверяю, что трафик делится случайно и что сегменты сопоставимы, слежу за корректностью целей и трекинга. После набора выборки смотрю значимость и доверительный интервал, а не только разницу в процентах. На моей практике тест с плюс 15% на малой выборке после добора дал плюс 4% — решение принимается по статистике, а не по первым дням.

• Есть структура: гипотеза, расчёт, контроль, вывод
• Названа частая ловушка — преждевременная остановка
• Подкреплено личным результатом с числами

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Нет, на третий день останавливать тест рано. Такой скачок чаще всего объясняется малой выборкой, неравномерностью трафика по дням недели или эффектом новизны. Моя задача — дождаться расчётного размера выборки и полного недельного цикла, иначе решение построено на данных, которые не воспроизведутся. Параллельно проверяю технику: корректность сплита, пересечения с другими акциями, качество трекинга. Мне приходилось видеть, как плюс 15% превращались в плюс 3% после добора выборки, и цена такой ошибки выше, чем несколько дней ожидания.

• Чёткая позиция с обоснованием, а не уклончивость
• Перечислены причины ложного эффекта
• Есть личный пример с цифрами

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

По умолчанию в отчётах стоит last click, но он завышает роль закрывающих каналов и обесценивает верх воронки. Поэтому считаю в нескольких моделях: линейная, позиционная и с учётом данных, и смотрю, где расхождения принципиальны. Дальше проверяю вклад экспериментом — гео-холдаут или отключение канала в части регионов, потому что атрибуция показывает корреляцию, а не причинный эффект. На практике после перехода от last click к мультиканальной модели доля верхних каналов в выручке выросла примерно вдвое, и перераспределение бюджета дало рост общей конверсии.

• Показано понимание ограничений last click
• Есть связка аналитики с экспериментом
• Назван измеримый результат

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

RFM — это сегментация по трём признакам: давность последней покупки, частота покупок и сумма. Каждый клиент получает балл по каждому признаку, дальше складываются группы: лояльные, спящие, новички, те, кого реально вернуть. Такую матрицу я строю в SQL или BI, смотрю размер сегментов, их вклад в выручку и переходы между группами месяц к месяцу. Под каждый сегмент — своя коммуникация: удержание для лояльных, реактивация для спящих. Мне приходилось запускать реактивацию по RFM-сегменту, и возврат в покупку дал около 8% от разосланных.

• Дано точное определение RFM без лишней теории
• Показано, как сегменты превращаются в действия
• Есть конкретный результат реактивации

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.