Вопрос 8 (Анализ трендов vs случайных колебаний)
Вы анализируете ежедневное число регистраций в мобильном приложении за 2 года (730 точек). График показывает небольшой рост в декабре каждого года. Что нужно сделать, чтобы убедиться, что это не случайность?
1 Посчитать среднее арифметическое за все декабри и сравнить со средним за другие месяцы.
2 Построить скользящее среднее с окном 30 дней и визуально оценить пик.
3 Провести декомпозицию временного ряда на тренд, сезонность и остаток (например, с помощью STL или сезонной декомпозиции) и проверить статистическую значимость сезонной компоненты.
4 Удалить выбросы и перестроить график.
✅ Пояснение:
В больших временных рядах простое сравнение средних не учитывает автокорреляцию и внутреннюю структуру. Декомпозиция ряда выделяет регулярную сезонность (каждый декабрь) из шума. Это стандартный метод в аналитике больших данных. Ответ 3.

Вопрос 9 (Выбор ключевой метрики для дашборда)
У вас дашборд для CEO сети доставки еды. Есть данные по 5 млн заказов в месяц. Какой показатель лучше всего отражает «здоровье бизнеса» в долгосрочной перспективе?
1 Количество новых пользователей в день.
2 Среднее время доставки за последний час.
3 LTV (Lifetime Value) — средняя чистая прибыль от одного клиента за всё время его взаимодействия с сервисом.
4 Общее число заказов за вчера.
✅ Пояснение:
Количество заказов и новых пользователей — краткосрочные метрики. Время доставки — операционная. LTV показывает долгосрочную ценность клиента и позволяет оценить устойчивость бизнеса. Для Big Data LTV считается через когортный анализ (миллионы пользователей). Ответ 3.

Вопрос 10 (Проблема «проклятия размерности»)
Вы работаете с набором данных, содержащим 1000 признаков на каждый из 1 млн объектов. Алгоритм k-ближайших соседей (kNN) работает очень медленно и даёт низкое качество. В чём наиболее вероятная причина?
1 Слишком мало объектов для обучения.
2 В данных много пропусков, которые не обработаны.
3 «Проклятие размерности»: при большом числе признаков расстояния между точками становятся почти одинаковыми, kNN теряет способность различать объекты.
4 Неверно выбран параметр k.
✅ Пояснение:
Это классическая проблема машинного обучения на больших данных: при росте размерности (1000 признаков) евклидово расстояние перестаёт быть информативным — все точки оказываются примерно на одинаковом расстоянии. Нужна редукция размерности (PCA, t-SNE) или другие алгоритмы. Ответ 3.

Вопрос 11 (Этика данных и анонимизация)
У вас есть датасет с перемещениями пользователей по городу (GPS-треки, 5 млн записей). Перед публикацией для научных исследований необходимо обезличить данные. Какой метод защиты будет достаточным и корректным?
1 Удалить поле «имя пользователя».
2 Заменить user_id на случайный хеш (например, MD5).
3 Применить k-анонимность или дифференциальную приватность, так как даже хешированный ID в сочетании с редкими треками позволяет повторно идентифицировать человека.
4 Оставить только временные метки без координат.
✅ Пояснение:
Просто удалить имя или заменить ID на хеш недостаточно — уникальные паттерны перемещений (например, дом → офис в 9:00 → спортзал) могут быть сопоставлены с другими открытыми данными. Дифференциальная приватность и k-анонимность — современные стандарты для Big Data. Ответ 3.

Вопрос 12 (Выбор инструмента для batch vs stream)
Поставлена задача: вычислять среднюю цену товара на витрине по всем покупкам за последние 5 минут, обновляя значение каждые 10 секунд. Какой подход обработки данных следует выбрать?
1 Хранить все данные в PostgreSQL и выполнять запрос каждые 10 секунд.
2 Использовать потоковую обработку (Apache Kafka + Flink/Spark Streaming) с tumbling window в 5 минут.
3 Запускать Hadoop-задачу раз в 5 минут.
4 Сохранять данные в CSV и пересчитывать вручную.
✅ Пояснение:
Запрос каждые 10 секунд к историческим данным — это streaming с окном (windowed aggregation). Batch-обработка (Hadoop) не подходит для обновления каждые 10 секунд. Ответ 2.

Вопрос 13 (Feature engineering для больших данных)
У вас есть логи кликов по сайту: user_id, timestamp, page_url. Вы хотите предсказать, совершит ли пользователь покупку в ближайшие 24 часа. Какая дополнительная характеристика, вычисленная из этих данных, скорее всего, даст наибольший прирост качества модели?
1 Количество уникальных user_id в данных.
2 Средняя длина URL.
3 Количество просмотренных товаров (страниц категории /product/) за последние 30 минут перед текущим моментом.
4 День недели по timestamp.
✅ Пояснение:
Поведенческие признаки в узком временном окне перед целевым событием — самые сильные в Big Data для прогноза покупки. Количество просмотров товаров прямо коррелирует с интересом. Ответ 3.

Вопрос 14 (Интерпретация корреляции)
Вы нашли, что в данных за 5 лет количество проданного мороженого сильно коррелирует с количеством утоплений (коэффициент Пирсона = 0.85). Ваш вывод?
1 Мороженое вызывает утопления — нужно запретить продажу мороженого.
2 Утопления вызывают желание есть мороженое.
3 Это ложная корреляция: обе переменные зависят от третьей — температуры воздуха (летом больше и мороженого, и купающихся).
4 Корреляция недостаточно высокая (0.85 < 0.99), чтобы делать выводы.
✅ Пояснение:
Классический пример предостережения: корреляция ≠ причинно-следственная связь. В анализе больших данных важно искать скрытые переменные. Ответ 3.

Вопрос 15 (Работа с недостающими данными)
В колонке «доход клиента» пропущено 30% значений. Клиенты с пропусками систематически беднее (медианный доход 30 тыс. руб.), чем клиенты с данными (медиана 60 тыс. руб.). Если просто заполнить пропуски средним (60 тыс.), что произойдёт?
Ничего страшного, среднее всегда лучше, чем удаление строк.
Модель будет переоценивать доход для бедных клиентов, что приведёт к систематической ошибке (bias).
Модель станет точнее, так как данных станет больше.
Пропуски автоматически исправятся при масштабировании.
✅ Пояснение:
Если данные не пропущены случайно (MCAR), а имеют систематический характер (MNAR или MAR), то заполнение глобальным средним вносит смещение. Нужно использовать групповое среднее (по сегменту) или модельное предсказание. Ответ 2.