BA & SA | 10000 Interview questions
Вопросы и задачи, которые задают на собеседованиях на позицию Бизнес и Системного аналитика. По вопросам сотрудничества- @DeliveryManager7
Show more📈 Analytical overview of Telegram channel BA & SA | 10000 Interview questions
Channel BA & SA | 10000 Interview questions (@systemanalystinterview) in the Russian language segment is an active participant. Currently, the community unites 10 098 subscribers, ranking 3 915 in the Career category and 62 584 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 10 098 subscribers.
According to the latest data from 15 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -88 over the last 30 days and by -6 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 8.31%. Within the first 24 hours after publication, content typically collects N/A% reactions from the total number of subscribers.
- Post reach: On average, each post receives 0 views. Within the first day, a publication typically gains 0 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 0.
- Thematic interests: Content is focused on key topics such as объяснение, индекс, user_id, субд, паттерн.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Вопросы и задачи, которые задают на собеседованиях на позицию Бизнес и Системного аналитика. По вопросам сотрудничества- @DeliveryManager7”
Thanks to the high frequency of updates (latest data received on 16 November, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Career category.
Чек-листы, статьи, уроки и подкасты - как стабильно находить клиентов и делать продажи в новых реалиях.Чтобы забрать подарки подпишитесь на всех экспертов из папки👇 https://t.me/addlist/2ozqmVS4cDozZWNi
UCP (тестирование) = (UUCW + UAW) × TCF × EFUUCW (Unadjusted Use Case Weight) – сумма весов транзакций по всем use cases. UAW (Unadjusted Actor Weight) – сумма весов акторов. TCF (Technical Complexity Factor) – на основе 15 технических факторов (например, распределённая обработка, производительность). EF (Environmental Factor) – на основе 8 факторов среды (например, опыт команды, мотивация). Как получить из UCP оценку в часах тестирования: Обычно используют эмпирическую калибровку: одна точка UCP ≈ 5–20 человеко-часов тестирования (зависит от проекта). Умножают на поправочные коэффициенты (например, на регрессионное тестирование 1.2). Преимущества UCP: Основан на early-артефактах (use cases), которые есть уже на стадии анализа. Учитывает как функциональность, так и нефункциональные факторы (технические). Прозрачен для заказчика (видно, из чего складывается оценка). Недостатки: Требует детальной спецификации use cases. Коэффициенты TCF и EF частично субъективны. Непосредственно для тестирования метод менее распространён, чем TPA. Реальный пример: В проекте по созданию интернет-банка было 12 use cases с 48 транзакциями и 4 акторами (клиент, администратор, оператор, внешний платёжный шлюз). UUCW = 120, UAW = 20, TCF = 1.1, EF = 1.0. Итого UCP = (120+20) × 1.1 = 154. Умножив на 6 часов на точку (калибровка прошлых проектов), получили 924 человеко-часа на тестирование. Оценка совпала с фактическими затратами с точностью 15%. Что должен зафиксировать аналитик: Использовать UCP для ранней (укрупнённой) оценки тестирования, когда ещё нет детальных спецификаций экранов. Калибровать коэффициент «часы на точку» по истории завершённых проектов. Включать в TCF отдельные нефункциональные требования. Вывод: UCP для тестирования – полезный метод, особенно когда нужно быстро дать оценку при планировании, а детальные спецификации ещё пишутся.
JOIN (пользователь → друзья → друзья друзей). При миллионах пользователей такой запрос выполняется очень долго, даже с индексами. Для поиска путей произвольной длины (например, «связь через 5 шагов») реляционная БД практически не приспособлена.
Что такое графовая БД?
В графовой БД данные хранятся как вершины (пользователи, интересы, посты) и рёбра (дружба, лайк, подписка). Обход графа происходит через обход смежных вершин, что на порядки быстрее JOIN-ов. Например, в Neo4j запрос на поиск друзей друзей:
cypher
MATCH (u:User {id: 123})-[:FRIEND]->(friend)-[:FRIEND]->(friendOfFriend)
RETURN friendOfFriend
Этот запрос выполняется за миллисекунды на графах с миллиардами рёбер.
Почему не подходят другие NoSQL:
Документо-ориентированные (MongoDB) – хранят вложенные структуры, но не оптимизированы для связей произвольной глубины.
Ключ-значение (Redis) – хорош для кэша, но не для сложных запросов к связям.
Колоночные (Cassandra) – для аналитики и временных рядов, не для графов.
Реальный кейс: LinkedIn использует графовую БД для рекомендаций «люди, которых вы можете знать». Facebook хранит социальный граф в TAO (своя графовая БД). В компаниях с большими графовыми данными производительность после перехода с реляционной БД на графовую вырастает в 10–100 раз.
Что должен зафиксировать аналитик:
Требование: «Для хранения социального графа и быстрых запросов на обход связей использовать графовую БД (Neo4j, Neptune, JanusGraph)».
Типичные запросы: поиск друзей друзей, рекомендации по общим интересам, проверка связей на расстоянии до 3.
Вывод: Графовые БД – лучший выбор для сильно связных данных, где важна скорость обхода отношений.