Netflix – медиа-компания со штаб-квартирой в Лос-Гатосе (Калифорния), основанная в 1997 г. Компания начинала деятельность с проката DVD-дисков, а затем раскачалась до стримингового бизнеса. Теперь у ребят более 150 млн платных подписок по всему миру, потоковой передачей на огромном количестве устройств и 3 млрд часов стриминга в месяц.

Data Science в Netflix используется для улучшения каждого аспекта общения с пользователями, совершенствования механизма рекомендаций контента и выбора, какие фильмы и телешоу производить.

Роль Data Science в Netflix

Роль специалиста по обработке данных в Netflix в значительной степени определяется командой. Есть различные направления работы специалистов: бизнес-аналитика, статистическое моделирование, глубокое обучение. Специалисты по обработке данных работают в 30 различных командах, включая команды персонализации и алгоритмов, маркетинговой аналитики, а также исследования продуктов и инструментов.

Требуемые навыки

Netflix нанимает только квалифицированных специалистов с соответствующим опытом работы. Рекрутеры стремятся нанять для каждой роли соответствующего работника – это помогает разграничить обязанности между командами и не отвлекать их «посторонней» работой.

Но если усреднить требования, получится следующий набор:

• MS или PhD (магистр или кандидат наук) в области статистики, эконометрики, компьютерных наук, физики или смежных областей.
• Не менее 5 лет соответствующего опыта в области работы с большими объемами данных. Желательны рекомендации с предыдущих мест работы.
  
• Опыт работы с распределенными аналитическими технологиями обработки данных (Spark, SQL, Pig, Presto или Hive) и навыки программирования на Python, R, Java или Scala.
  
• Опыт построения реальных моделей машинного обучения.
  
• Глубокие статистические навыки, используемые в А/B тестировании, анализе данных наблюдений и моделировании.
  
• Опыт создания информационных продуктов и мониторинга в Tableau, R Shiny или D3.
  

Чем занимаются команды по анализу данных в Netflix

• Алгоритмы персонализации. Сотрудничество команд разработчиков продуктов и инженеров для оценки производительности и оптимизации алгоритмов персонализации, используемых для предложения подписчикам видеоконтента.
• UI DS и разработка. Кастомные модели машинного обучения для оптимизации взаимосвязи продукта и подписчиков.
  
• Создание инструментов. Разработка и внедрение экспериментальных методов, а также разработка инструментов для аналитики и визуализации данных, предоставляемых другим командам.
  
• Группа по увеличению абонентской базы работает над созданием и проектированием масштабируемых конвейеров данных вокруг ключевых бизнес-показателей.
  
• Обработка маркетинговых данных. Создание надежных распределенных конвейеров данных и информационных продуктов.
  

Интервью

Процесс собеседования в Netflix не отличается существенным образом от других крупных технологических компаний. Собеседование начинается со скрининг-интервью по телефону с рекрутером. Затем следует общение с менеджером по найму. Последний рубеж – техническая часть, после прохождения которой будет назначено интервью в отделе. Это интервью состоит из двух частей с участием 6 или 7 человек.

Разберем отдельно каждый этап.

Скрининг-интервью

Скрининг-интервью – это получасовой телефонный разговор с рекрутером. Рекрутеры в Netflix хорошо технически подкованы, каждый специализируется в своей области. Их задача – изучить резюме и проверить, соответствует ли должности ваш прошлый опыт, проекты и набор навыков. Вторая часть интервью проверяет общие коммуникативные навыки и объяснить, что вам придется делать.

Собеседование с менеджером по найму будет сфокусировано на полученном опыте и погружении в технические аспекты того, что вы делали в области Data Science и машинного обучения. В то время как эйчару достаточно общего представления о ваших проектах, менеджер по найму задаст более глубокие вопросы, например, почему вы использовали определенные алгоритмы для проекта или как вы в целом построили систему машинного обучения.

Техническая часть

Техническое интервью длится 45 мин. и включает в себя вопросы, охватывающие SQL, моделирование и AB-тестирование, а также практические вопросы машинного обучения.

Примеры вопросов:

• Что вы знаете об A/B-тестировании в контексте потоковой передачи?
• Каковы различия между регуляризацией L1 и L2?
  
• В чем разница между online и batch градиентным спуском?
  
• Каков наилучший способ донести результаты ML до заинтересованных сторон в рамках заданного кейса?
  

Onsite-интервью

Последний этап процесса собеседования состоит из двух частей интервью с перерывом на обед между ними. Фактически это собеседование перед группой спецов, включающей членов Data Science команды, тимлида и продакт-менеджера.

Onsite-интервью состоит из вопросов по разработке, статистике, тестированию гипотез, вычислению метрик, написанию SQL-запросов и программированию на Python. Если должность предполагает упор на инженерии, ожидайте больше машинного и глубокого обучения.

Примечания и советы

• Помните, что цель интервью – оценить, насколько вы способны применять аналитические концепции и алгоритмы машинного обучения, модели прогнозирования и прочее. Освежите свои знания в области статистики и теории вероятностей, тестирования и проектирования, а также концепции регрессионного и классификационного моделирования.
  
• Не забудьте прочитать Netflix Culture. Культура – это всё в Netflix. Компания создала уникальную рабочую культуру, которая заключается в создании команды из инженеров уровня Senior и поддержания их в среде, которая позволяет им преуспевать.
• При согласовании job-offer обратите внимание, что компенсационные пакеты в Netflix чрезвычайно высоки. Средняя зарплата для технических работников превышает 300 тыс. долл. Поэтому собеседования трудны, а требуемый уровень очень высок.
  

Вопросы для интервью

Приведем несколько распространенных вопросов на собеседовании, чтобы вы лучше понимали, как это выглядит.

• Напишите уравнение для построения классификатора с использованием логистической регрессии.
• Учитывая месячный объем регистрационных данных от Netflix, таких как account_id, device_id и метаданных, касающихся платежей, как бы вы обнаружили мошенничество с платежами?
  
• Как провести испытание новой модели рекомендации контента? Какие показатели будут иметь значение?
  
• Напишите SQL-запрос, чтобы найти разницу во времени между двумя событиями.
  
• Как бы вы построили и протестировали метрику, чтобы сравнить ранжированные списки предпочтений двух пользователей для кино или телешоу?
  
• Как бы вы построили выборку поисковых запросов из пяти миллионов записей?
  
• Почему параметрический линейный выпрямитель (ReLU) является хорошей функцией активации?
  
• Netflix стремится расширить свое присутствие в Азии. Какие факторы вы можете использовать для оценки размера азиатского рынка, и что Netflix может сделать, чтобы захватить этот рынок?
  
• Как бы вы подошли к моделированию атрибуции для измерения эффективности маркетинга?
  
• Как бы вы определили, действительно ли цена подписки на Netflix является решающим фактором для потребителя?
  

Заключение

Работа в Netflix действительно стоит того, чтобы ее хотеть! Огромные выплаты, свобода, график, типы задач/обязанностей, собственная культура – все это нужно попытаться прочувствовать на себе.

Если вы только начинаете свой путь в Data Science, ознакомьтесь с нашей публикацией Как научиться Data Science онлайн: 12 шагов от новичка до профи. Это исчерпывающее руководство к действию и россыпь ссылок на полезные ресурсы.