Domande da colloquio per Data Scientist, con risposte di esempio

Risposta modello

Direi che la correlazione indica che due fenomeni si muovono insieme, ma non che uno causi l'altro. Per affermare una relazione causale progetto un esperimento controllato, ad esempio un test A/B, oppure uso tecniche di inferenza causale quando l'esperimento non è possibile. Porto sempre un esempio concreto: due variabili possono crescere insieme solo perché entrambe dipendono da un terzo fattore.

Risposta modello

Parto dall'ipotesi di business e definisco la metrica primaria. Calcolo la dimensione campionaria necessaria in base all'effetto minimo rilevante e alla potenza statistica desiderata, poi randomizzo gli utenti. Durante l'esperimento controllo che i gruppi siano bilanciati ed evito di guardare i risultati troppo presto; alla fine valuto la significatività e l'intervallo di confidenza prima di raccomandare il rilascio.

Risposta modello

In un progetto nel settore retail ho costruito un modello di propensione all'abbandono. Ho presentato i segmenti a maggior rischio alla direzione, che ha ridisegnato la strategia di retention sui clienti giusti. Il risultato è stato un calo del churn del 14% in un anno. Ho curato molto la comunicazione, traducendo le probabilità del modello in azioni concrete per il team marketing.

Risposta modello

Prima capisco perché i dati mancano, distinguendo tra assenza casuale e sistematica, perché questo cambia la strategia. Poi scelgo tra rimozione, imputazione semplice o imputazione basata su modello, valutando l'impatto sulla distribuzione e sui risultati. Documento sempre la scelta e verifico la robustezza dell'analisi rispetto a ipotesi diverse.

Risposta modello

Guardo le metriche adatte al problema, non solo l'accuratezza ma ad esempio precisione, recall o calibrazione a seconda del contesto. Verifico le prestazioni su dati non visti, controllo l'assenza di data leakage e valuto la stabilità nel tempo. Infine mi confronto con il team di Machine Learning Engineering per gli aspetti di messa in produzione e monitoraggio, che esulano dal mio perimetro principale.

Risposta modello

Parto dalla domanda di business e dal risultato, non dall'algoritmo. Uso visualizzazioni semplici e, quando serve, tecniche di interpretabilità come l'importanza delle variabili per spiegare cosa guida le previsioni. Concludo sempre con una raccomandazione chiara e con i limiti del modello.

L'overfitting si verifica quando il modello impara il rumore dei dati di addestramento e generalizza male su dati nuovi. Lo prevengo con validazione incrociata, regolarizzazione, riduzione della complessità del modello e, quando possibile, con più dati. Controllo sempre il divario tra prestazioni in addestramento e in validazione.

Il p-value indica quanto sarebbe improbabile osservare un risultato estremo come quello ottenuto se l'ipotesi nulla fosse vera. Non è la probabilità che l'ipotesi sia corretta: è un indicatore di sorpresa rispetto all'assenza di effetto. Lo interpreto sempre insieme alla dimensione dell'effetto e all'intervallo di confidenza.

Preferisco un modello lineare quando l'interpretabilità è prioritaria, i dati sono limitati o la relazione è ragionevolmente lineare. Un modello più complesso lo scelgo solo se il guadagno di prestazioni giustifica la minore trasparenza e il maggior rischio di overfitting.

Valuto tecniche come il raggruppamento delle categorie rare, la codifica basata sulla frequenza o sull'obiettivo (target encoding) con attenzione al rischio di leakage, oppure gli embedding per i modelli più avanzati. La scelta dipende dalla cardinalità e dal modello utilizzato.

Presento con onestà ciò che i dati mostrano e i limiti dell'analisi, senza forzare le conclusioni. Propongo, se possibile, un esperimento o una raccolta dati aggiuntiva per rispondere meglio alla domanda. Preferisco preservare la fiducia nel lungo periodo piuttosto che confermare un'aspettativa non fondata.

Concordo con lo stakeholder un obiettivo realistico e comunico i rischi legati alla qualità dei dati. Consegno una prima analisi con le dovute cautele, indicando il livello di incertezza, e pianifico un affinamento successivo. La trasparenza sui limiti è parte del risultato.

Lo segnalo subito alle persone coinvolte, spiego l'impatto sulle conclusioni e propongo la correzione. Ritengo che la credibilità di un Data Scientist dipenda dalla trasparenza: nascondere un errore è più dannoso del riconoscerlo.