اختبار Data Science المنزلي: كيف تتعامل معه وتقدّمه بثقة

معظم المرشّحين يتعاملون مع اختبار Data Science المنزلي كأنه اختبار مدرسي. شغّل الموديل، احصل على رقم، اسلّم. وهذا بالضبط سبب رسوب كثيرين.

القرار الفعلي يُتّخذ في الـ 30 دقيقة بعد التسليم، في جلسة الـ debrief. مدير التوظيف ما يهمّه كثيراً إذا وصلت AUC تساوي 0.82، بقدر ما يهمّه تبرّر كل قرار اتخذته. المرشّح اللي بنى logistic regression بسيطاً ويقدر يشرح كل feature اختارها سيتفوّق على اللي شغّل gradient boosting pipeline لكن ما يعرف ليش حذف القيم الناقصة.

هنا كيف تتعامل مع الاختبار بطريقة تفتح الباب لـ debrief قوي، وكيف تشرح شغلك للمراجعين دون ما تخسر انتباههم.

ما هو اختبار Data Science المنزلي؟

اختبار Data Science المنزلي هو مهمة تحليلية مفتوحة الأسلوب يُرسلها صاحب العمل للمرشّح خلال مراحل التوظيف، وتتضمّن عادةً تنظيف dataset فيها مشاكل، بناء أو تقييم نموذج تنبؤي، ثم شرح النتائج لمراجع تقني أو شبه تقني.

معظم الاختبارات تتطلّب 4 إلى 8 ساعات عمل فعلي، وتُعطى للمرشّح مهلة 24 إلى 72 ساعة. الـ dataset يكون فيه فوضى بالتصميم. قيم ناقصة، تنسيقات غير متسقة، أو حالات حافّة تتعارض مع وصف المشكلة. هذا مو خطأ بالصدفة، هو اختبار لردّ فعلك: هل تلاحظ المشاكل، وهل توثّق كيف تعاملت معها؟

أفضل المرشّحين يتعاملون مع الاختبار كحجّة مكتوبة عن طريقة تفكيرهم، مو كتقرير عن أداء النموذج.

بعض الشركات تطلب Jupyter notebook، وبعضها تطلب slide deck، وكثير منها تطلب الاثنين. لمّا يطلبون الاثنين، اعتبر الـ notebook ورشة عملك والـ slides هي التسليم الفعلي. المراجعون يمسحون الـ notebook بسرعة للتحقق من الترتيب والنظافة، لكن حكمهم يكون على الـ narrative وما تقوله في الـ debrief.

الاختبارات المنزلية أكثر شيوعاً في الشركات الناشئة والشركات في مرحلة النمو مقارنةً بالشركات الكبيرة التي تميل للـ live coding. حسب تقرير Lever لعام 2024، 58% من وظائف Data Science في الشركات بين 100 و500 موظف تشمل مرحلة اختبار منزلي، مقابل 31% في الشركات اللي يتجاوز موظفوها 5,000.

اختبار Data Science المنزلي هو مهمة تحليلية مفتوحة يُرسلها صاحب العمل للمرشّح، عادةً بمهلة 24 إلى 72 ساعة. تحصل على dataset واقعي أو مشابه للواقع، والمطلوب منك استكشافه وتنظيفه وبناء نموذج وتقديم نتائجك. الفكرة اللي يغفل عنها معظم المرشّحين: جلسة الـ debrief بعد التسليم هي المكان الحقيقي للقرار، مو درجة الـ metric. أفضل المرشّحين يقضون 60% من وقتهم في التوثيق والتواصل، مو في ضبط النموذج. تقسيم عملي: 40% للاستكشاف والنمذجة، و60% لشرح كل قرار اتخذته. الأخطاء الشائعة: القفز للنماذج المعقدة، عدم توثيق الافتراضات، وتسليم notebooks ما تشتغل في بيئة نظيفة. التحليل الواضح لنموذج بسيط يتفوّق دائماً على التحليل الغامض لنموذج معقد.

كيف توزّع وقتك على مراحل الاختبار؟

الخطأ الشائع هو قضاء 70% من الوقت في تنظيف البيانات وضبط النموذج، ثم التسرّع في كتابة النتائج في آخر 30 دقيقة. اعكس المعادلة: 40% للاستكشاف والنمذجة، 60% للتوثيق والتواصل.

توزيع عملي لمهمة من 6 ساعات:

• الساعة 1: اقرأ وصف المشكلة مرّتين. اكتب تفسيرك لها قبل ما تلمس البيانات. الالتزام بإطار محدد من البداية يعطيك شيئاً تدافع عنه في الـ debrief لمّا يسألونك "كيف صغت المشكلة؟"
• الساعتان 2-3: تحليل استكشافي. صلح المشاكل الهيكلية في البيانات. وثّق كل قرار تتخذه. المفاجآت اللي تلاقيها في البيانات ستصبح أفضل نقاط نقاشك في الـ debrief.
• الساعتان 4-5: النمذجة. ابدأ بأبسط نموذج ممكن. logistic regression تفهمه أفضل من stacking ensemble ما تقدر تشرحه.
• الساعة 6: اكتب الـ narrative. افترض أن المراجع يفهم الإحصاء لكنه ما شاف هذه البيانات من قبل. اشرح افتراضاتك وما فاجأك وما ستفعله بأسبوع إضافي.

لا تستمر في تحسين النموذج بعد النقطة التي تصبح فيها التحسينات غير قابلة للتفسير. الانتقال من 0.81 إلى 0.83 F1 بإضافة feature ما تعرف تشرح سبب تأثيرها يعطي إشارة خاطئة للمراجعين.

حسب تقرير Burtch Works لعام 2023 حول توظيف Data Science، صنّف 62% من مديري التوظيف في أكثر من 300 فريق مهارات التواصل كأبرز فجوة في المرشّحين. النموذج هو إثبات الفكرة. الشرح هو المنتج.

ثلاث حالات واقعية من domains مختلفة

هذه أنماط تأتي من debrief sessions حقيقية. ردود المرشّحين التالية توضّح المستوى الذي يحوّل قرار "ربما قوي" إلى عرض.

الحالة الأولى: التنبؤ بإلغاء الاشتراكات في e-commerce

المقابِل: "حذفت عمود last_login_device. ليش؟"

المرشّح: "هذا العمود كان فيه 41% قيم ناقصة، والنقص مو عشوائي، بل يرتبط تقريباً بشكل كامل بالحسابات المُنشأة قبل 2021. إدراجه كان سيخلق مشكلة data leakage لأن النموذج سيتعلّم عمر الحساب من خلال متغير وسيط. بدلاً من ذلك قيّست عمر الحساب بشكل صريح، وهذا أوضح للتفسير وما يُسقط أي records."

هذا الجواب يُظهر تفكيراً سببياً، مو فقط مهارة تنظيف بيانات.

الحالة الثانية: التنبؤ بإعادة دخول المرضى للمستشفى

المقابِل: "نموذجك وصل 78% accuracy. يبدو قوياً لهذا النوع من المشاكل."

المرشّح: "يبدو كذلك لكنه في الحقيقة إشكالي. البيانات فيها class imbalance، 18% فقط من المرضى أُعيدوا للمستشفى. نموذج يتوقع دائماً 'لن يُعاد' يحصل على 82% accuracy دون أن يكتشف مريضاً واحداً عالي الخطورة. ركّزت على تحسين recall للفئة الإيجابية وتقبّلت تراجعاً في precision. هنا منحنى precision-recall اللي أدرجته في الـ notebook، تقدر ترى كيف اخترت عتبة التشغيل."

المرشّح توقّع الفخ. هذا ما يحصّل العروض.

الحالة الثالثة: كشف الاحتيال في الـ fintech

المقابِل: "ليش ما جرّبت neural network؟"

المرشّح: "لسببين. أولاً، البيانات فيها حوالي 8,000 صف، صغيرة جداً لكي يُعمّم نموذج عميق بشكل سليم دون regularization مكثّف ما كان لديّ وقت للتحقق منه. ثانياً، فرق الاحتيال في شركات مثل Tabby تحتاج تفسير رفض المعاملات لفريق الـ compliance وأحياناً للعملاء مباشرة. نموذج gradient boosting مع SHAP values يعطينا audit trail واضح يصعب تحقيقه بنموذج عميق دون أدوات تفسير إضافية."

معرفة ما قرّرت ألّا تفعله، والسبب، بنفس أهمية معرفة ما فعلته.

ما الأخطاء التي تخرب تحليلاً جيداً؟

هذه من مديري توظيف راجعوا مئات الاختبارات المنزلية.

معاملة الـ notebook كتسليم نهائي. notebook مليء بـ cells بلا تعليقات وأسماء متغيرات مثل df2_final_v3 يعطي إشارة أنك تعمل بعقلية باحث منعزل، مو contributor في فريق. سمّ الأشياء بوضوح. أضف تعليقات فقط حيث المنطق غير واضح من الكود.

ملاءمة الـ narrative مع النتائج. إذا أداء النموذج ضعيف، قل ذلك. اشرح السبب. اقترح ما سيغيّر النتيجة مع بيانات أكثر أو وقت أكثر. محاولة التلميع لا تنجح، المراجعون يعرفون شكل الشغل الجيد.

إغفال سؤال العمل الحقيقي. مرشّح يقدّم 87% recall على نموذج churn دون ربطه بتأثير الإيرادات أو قيمة العميل على المدى الطويل، فاته الهدف الأساسي. السؤال مو "كيف النموذج جيد؟" السؤال هو "هل نتصرف بناءً على هذا، وبأي تكلفة؟"

عدم ذكر الافتراضات. إذا ملأت القيم الناقصة بالوسيط، قل ذلك واشرح السبب. كل افتراض غير موثّق هو سؤال يحتاج المقابِل أن يطرحه في الـ debrief بدلاً من قضاء الوقت في شيء أكثر إفادة.

تسليم شغل ما يشتغل. حسب استطلاع Kaggle لعام 2024 حول Data Science و Machine Learning، 34% من المراجعين قالوا إنهم يرفضون الاختبارات التي فيها أخطاء تشغيل دون قراءة التحليل. أدرج requirements.txt. اختبر في بيئة نظيفة قبل التسليم.

البدء بأعقد نموذج متاح. المرشّحون الذين يقفزون للـ neural networks أو ensembles معقدة دون البدء البسيط غالباً يفتقرون للحس التشخيصي المطلوب في بيئة الإنتاج، حيث تصحيح نموذج يعطي نتائج خاطئة أهم بكثير من ضبط نموذج يسير بشكل جيد.

الاختبار المنزلي مقابل Live Coding مقابل Case Study

مو كل مقابلات Data Science تتضمن اختباراً منزلياً. هذه مقارنة بين الأشكال المختلفة وما يكافئ عليه كل منها.

الاختبار المنزلي هو الشكل الوحيد الذي يتفوّق فيه المتواصلون الجيدون ذوو المهارات التقنية المتوسطة بثبات على المبرمجين الأقوياء ذوي التواصل الضعيف.

معظم الشركات فوق مرحلة Series B تستخدم مزيجاً: اختبار منزلي للتصفية، وجلسة مباشرة للتعمق في الـ notebook، وجولة system design إذا تداخل الدور مع البنية التحتية. معرفة في أي مرحلة أنت تساعدك في توزيع جهد التحضير.

الـ debrief هو الاختبار الحقيقي للاختبار المنزلي. التحضير للاختبار دون التحضير للـ debrief مثل كتابة مذكرة دفاع دون التحضير للمناقشة.

كيف تقدّم نتائجك في جلسة الـ Debrief؟

لو الشركة طلبت مكالمة متابعة، اعتبرها 50% تحقق و50% توسيع. يريدون التأكد أنك أنت من عمل الـ assignment وأنك تفهم كل سطر فيه. بعدها سيطلبون منك توسيع التحليل في اتجاه ما ذهبت إليه، توقّع أسئلة مثل "ماذا ستفعل بوقت أكثر؟" أو "ماذا لو أعطيناك هذه الـ feature الإضافية؟"

نظّم الافتتاح الشفهي في 3 دقائق قبل أسئلتهم:

1. أعد صياغة المشكلة في جملة واحدة. هذا يُظهر أنك فهمت ما أرادوه فعلاً، مو فقط ما كتبوه.
2. اذكر نهجك وأهم قرار اتخذته. جملة لكل منهما.
3. أعطِ النتيجة الرئيسية وما تعنيه للعمل. مو الـ metric، التأثير الفعلي.

ثم توقّف. دعهم يسألون.

لمّا يضغطون على قرار اتخذته، أجب في 3 أجزاء: ما فعلته، لماذا اخترت هذا الـ tradeoff، وما ستفعله بشكل مختلف مع وقت أو بيانات أكثر. لا تدافع عن قرارات كانت خاطئة، المقابِلون يتوقّعون وجود tradeoffs وهم يُقيّمون وعيك بالذات، مو كمالك.

التحليل يأخذ 6 ساعات؛ الـ debrief يأخذ 30 دقيقة ويحسم النتيجة، حضّر للاثنين بنفس الجدية.

مع IntervYou تقدر تمارس جلسة debrief وأنت تشرح الـ notebook الحقيقي لديك لمراجع يعطيك feedback منظّماً على اختياراتك التحليلية وعلى وضوح شرحك. معظم المرشّحين يتخطّون هذا الجزء من التحضير كلياً. تلك هي الفجوة التي يُغلقها IntervYou، وهي الجزء اللي يعطي أعلى عائد في أقل وقت.

الاختبار المنزلي يكافئ نفس ما تكافئ عليه كل مقابلة بمستوى senior: رأس صافٍ في الغموض، قرارات تستطيع الدفاع عنها، وقدرة على القول "هذا ما سأفعله بشكل أفضل في المرة القادمة" دون أن تخسر الغرفة.

ابدأ mock interview مجاني →

مقالات ذات صلة

• كيف تتحضر لمقابلة Case Interview في شركات MBB
• أسئلة مقابلة Data Scientist وكيف تبني إجاباتك
• مقابلة مدير التسويق: ما يسألك عنه المحاور فعلاً