Costruire una Banca di Domande ai Colloqui Engineering che Userai Davvero
Perché la maggior parte delle banche di domande muore
Un team scrive 30 domande eccezionali. Sei mesi dopo, metà sono leak su Glassdoor, un quarto sono deprecate perché lo stack di linguaggio è cambiato, e le poche rimaste vengono riutilizzate per ogni candidato fino a quando anche loro non fanno leak. La banca si riduce più velocemente di quanto cresca.
La soluzione è trattare la banca come un artefatto software: versionato, strumentato, e potato.
Struttura che sopravvive
Ogni voce di domanda dovrebbe portare:
- ID stabile e versione. Quando modifichi la formulazione, bumpa la versione. Quando la sostituisci, depreca l'ID.
- Skill che misura. Non "JavaScript" — "può debuggare una race condition async senza strumenti."
- Calibrazione di difficoltà. Junior / mid / senior, con note rubric ancorate.
- Rubric. Cosa sembra la performance di livello 1, 2, 3, 4. Comportamenti concreti, non aggettivi.
- Tempo stimato. Con varianza. "30–45 minuti" non "dovrebbe richiedere circa 30."
- Rischio di leak. Aggiornato trimestralmente in base al processo di leak detection sottostante.
- Ultimo utilizzo. In modo da poter ruotare.
Leak detection
Cerca il testo della domanda trimestralmente su Glassdoor, Reddit, Blind, Leetcode discussion thread, e qualsiasi forum di nicchia per il ruolo. Se lo trovi: ritira, non modificare. Una domanda "editata" che fa leak è ancora una domanda che fa leak.
Per i ruoli ad alto rischio, esegui il testo della domanda attraverso alcuni assistenti AI rivolti ai candidati e vedi se producono una risposta rifinita. Se lo fanno, il ceiling della domanda è ora il ceiling di quegli assistenti. O ridisegna in modo che la risposta dell'assistente sia un punto di partenza piuttosto che la risposta, o ritira.
Il numero giusto di domande
Meno di quanto la gente pensi. Per un tipico engineering loop, hai bisogno approssimativamente di:
- 4–6 domande di coding stage-screen attive
- 3–4 prompt take-home attivi
- 6–10 domande stage-onsite attive attraverso system design, debugging, e behavioral
Banca più piccola, rubric più profondi, calibrazione più rigorosa. Una banca di 100 domande che nessuno calibra è peggio di una banca di 10 domande che tutti hanno score.
Il pattern con le valutazioni
Per gli screen tecnici, la banca vive nella tua piattaforma di valutazione — non in un foglio di calcolo. ClarityHire immagazzina metadati di domande, rubric, e dati di risposta per candidato insieme in modo che ritirare una domanda e analizzare la sua distribuzione di score è una query, non un audit manuale.
Una buona banca di domande è un volano. Ogni intervista che esegui ti dà dati su se la domanda discrimina tra candidati forti e deboli. Se non lo fa, ritira — anche se sembra una buona domanda.