Domande del Colloquio per Data Scientist: Cosa Aspettarsi e Come Prepararsi
Com'è Strutturato un Colloquio da Data Scientist
Le domande di un colloquio da data scientist variano più che per la maggior parte dei ruoli perché il lavoro stesso varia. Prima di prepararti, chiarisci che tipo di ruolo DS stai mirando:
- DS prodotto/applicato: Molto su metriche, test A/B, SQL e product sense
- DS vicino all'ingegneria ML: Feature engineering, deploy dei modelli, progettazione degli esperimenti
- DS ricerca: Statistica, teoria del ML, progettazione di algoritmi
La maggior parte dei loop include 4–5 round: uno screen tecnico (statistica + probabilità), SQL/coding, caso prodotto/business, fondamenti di ML e comportamentale. Conoscere la combinazione ti permette di allocare correttamente il tempo di preparazione.
Domande del Colloquio da Data Scientist: I Round Tecnici
Statistica e Probabilità
Queste domande mettono alla prova la tua intuizione statistica, non la tua capacità di ricordare formule.
Tipi di domande comuni:
- Spiega i p-value e gli intervalli di confidenza senza gergo
- Progetta un test A/B per uno specifico cambiamento di prodotto
- Qual è la differenza tra errori di Tipo I e Tipo II e quando è più importante ciascuno?
Il punto chiave: collega sempre i concetti statistici alle decisioni di business. "Una soglia di significatività più bassa riduce gli errori di Tipo I — meno falsi positivi — il che conta quando il costo di agire su un segnale falso è alto, come lanciare una funzionalità che peggiora la retention."
SQL e Coding
Per i ruoli DS di prodotto, SQL è spesso lo screen tecnico principale. Aspettati:
- Funzioni window (RANK, LAG, LEAD)
- Query per l'analisi di coorte
- Self-join e CTE
- Aggregazioni con condizioni (CASE WHEN)
Per i ruoli vicini al ML, è comune la programmazione in Python: implementare un passo di gradient descent, scrivere una funzione k-means da zero o manipolare un DataFrame pandas.
Fondamenti di ML
Gli intervistatori verificano se capisci l'intuizione dietro i modelli, non solo come chiamare sklearn.fit().
Domande a cui essere pronto:
- Spiegami come funziona il gradient boosting
- Quando useresti la regressione logistica invece di una random forest?
- Il tuo modello ha alta accuratezza ma il business non è soddisfatto — cosa potrebbe essere sbagliato?
- Come gestisci lo squilibrio tra classi?
- Spiega la regolarizzazione e quando è appropriata L1 rispetto a L2
La trappola: spiegare troppo la matematica. Vogliono: "L1 produce modelli sparsi portando i pesi a zero — meglio quando sospetti che contino solo poche caratteristiche. L2 distribuisce il peso in modo più uniforme — meglio quando la maggior parte delle caratteristiche contribuisce qualcosa."
Domande di Prodotto e Casi di Business
È qui che i candidati DS tecnicamente forti spesso inciampano. L'intervistatore non sta testando le tue competenze SQL qui — sta testando il tuo giudizio di business.
Domande sulla definizione delle metriche
"Come misureresti il successo di una nuova funzionalità di raccomandazione?"
Non limitarti a nominare una metrica. Strutturala:
- Quale comportamento vogliamo incentivare? (sessioni più lunghe, più acquisti)
- Qual è la metrica primaria? (tasso di click-through sulle raccomandazioni)
- Quali sono le metriche di guardrail? (non lasciare che ottimizziamo la CTR a scapito della qualità della sessione)
- Quali contro-metriche proteggono dal gioco del sistema? (se la CTR sale ma le conversioni calano, stiamo ingannando gli utenti)
Domande sulla progettazione degli esperimenti
"Come condurresti un test A/B per una modifica al flusso di checkout?"
Copri: unità di randomizzazione (utente vs. sessione), suddivisione controllo/trattamento, effetto minimo rilevabile, durata del test, metodo di analisi e come gestiresti il bias dell'effetto novità.
Domande Comportamentali: Dove i Candidati DS Lasciano Punti sul Tavolo
La maggior parte dei candidati DS dedica il 90% della preparazione alle domande tecniche e arriva impreparata ai round comportamentali. È un errore — ai livelli senior, i round comportamentali sono round eliminatori, non formalità.
La domanda comportamentale centrale per i data scientist è una variante di:
"Parlami di un momento in cui la tua analisi ha influenzato una decisione di business."
Risposta debole: "Ho costruito un modello di predizione del churn e lo abbiamo usato per targettizzare gli utenti a rischio."
Risposta forte: "Il nostro team di retention stava spendendo il 40% del budget di outreach su utenti che in realtà non erano a rischio — solo a bassa attività. Ho costruito un modello di churn che identificava i segnali reali di intenzione di cancellare rispetto alla dormienza naturale. Abbiamo segmentato la lista di outreach usando il modello. Entro un trimestre, abbiamo ottenuto gli stessi risultati di retention con un costo di outreach inferiore del 35%. La precisione del modello era più importante del recall qui perché eravamo vincolati dal budget, non dalla portata."
La differenza: la risposta forte quantifica l'impatto sul business, spiega il giudizio sui trade-off e collega la decisione tecnica ai vincoli di business.
La Checklist delle 48 Ore Prima del Colloquio
- Ripassa i 10 brain teaser di probabilità più comuni (Monty Hall, lanci di moneta, problema del compleanno)
- Rileggi il tuo CV e preparati ad andare a fondo su ogni progetto elencato
- Prepara 2–3 storie comportamentali con impatto di business quantificato
- Ripassa le funzioni window di SQL — appaiono in quasi tutti gli screen DS
- Conosci a memoria la checklist base di progettazione degli esperimenti
Allenati Ora
La preparazione tecnica è necessaria ma non sufficiente. I round di business e comportamentali sono quelli in cui si perdono i colloqui — e richiedono ripetizioni dal vivo.