牛客定制求职规划-马力专属

一、基本信息

姓名：马力
毕业时间：2021年12月
本科学校：利物浦大学
研究生学校：UCL伦敦大学学院
目前实习公司：平安科技数据分析岗（不太提升技术水平），如果转正，薪资18k

二、本人意向工作情况

工作城市：上海
薪资情况：年薪30w+，月薪20k+
意向岗位：算法工程师，具体方向为数据挖掘/仓储/分析（更偏技术向的）
意向公司：偏向互联网大厂
技术栈：python>java

三、岗位和工作基本情况介绍与说明

首要说明：所有的工作都是相对“枯燥”的，且70%的时间可能都是在做比较流程化的工作，30%的时间可能可以做一些有挑战和进阶的工作。

本人经过详细沟通与思考，最终确定走以下几个岗位：算法工程师（偏数据挖掘）、数据分析师（偏技术向）、大数据工程师（数据仓库方向）

1、算法工程师-数据挖掘工程师

岗位职责：

通过分析每个数据，从大量的数据中寻找规律，一般是有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务一般是有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等，一般是通过建立模型、算法、预测等提供一些通用的解决方案，以此来减少错误决策。

举例：比如有100w个商品，现有1000w补贴，需要从100w个商品中挑出1000个来补贴，要求挑出来的结果是让用户点击这个商品的人最多，因为花这笔钱是想要带动平台的人气的，而不是说为了卖这些商品，因为这些商品并不发愁卖，那如何选择补贴的货，让这个目的效果更好，设置出一个解决方案。

岗位要求：

本科以及以上学历，硕士博士优先，计算机、数学、电子工程、通信等相关专业；
熟悉常用机器学习算法，对模式识别、深度学习、增强学习等相关领域，极佳的工程实现能力，精通C/C++、Java、Python等至少一门编程语言；
候选人有数理分析方面良好的素养以及数理统计基础；
良好的数据敏感能力、较强的逻辑分析能力；
有实际成果并发表在国际顶级会议、期刊者优先，有在KDDCUP、ImageNet、MSCOCO、ICDAR等权威比赛中取得优异成绩者优先。
有deeplearning的经验，有linux下开发经验的，大规模数据处理经验优先。

2、数据分析师（技术向）

岗位职责：

一般是负责业务的数据监控、分析和管理工作，并建立相关可视化报表，对业务数据进行管理，并产出相应的数据报告，为资源优化和业务提供支持

发展方向1：偏算法工程师数据挖掘方向
发展方向2：主动做一些数据洞察报告，然后给相关的leader报告。

岗位要求：

熟练掌握Excel、SQL、Hive、tableau等工具进行数据分析
熟悉R、Python或其他编程语言；
专业是数学、统计、经济学、商业分析、运筹学、管理学、信息科学等相关专业；
学习能力强，良好的沟通能力和团队协作能力，擅于独立思考并反思总结
逻辑思维能力强，对数据敏感，对业务流程理解透彻，有强大的分析问题和抓关键点的能力;

3、大数据工程师（数据仓库方向）

岗位职责：

主要负责数据仓库以及表结构、字段逻辑设计以及维护和管理，说白了主要是做数据建模，构建一个可以直接应用的数据仓库或集市，完成对数据应用的设计和管理，其他数据开发或分析人啊云再基于构建的数据仓库进行数据开发或数据分析。

比如拿淘宝举例子，大概有几种用户浏览行为：收藏、加购、订单购买，点击，搜索，推荐等等100多种行为，其中会有各种交互关系，如何合理做数据建模，让这些数据被消费，比如订单里的每个数据每天都做个数据建模，如何合理的支撑这些数据应用，实现的话基本上是靠sql完成的逻辑，除非实在完成不了，会用java的形式来完成，比较偏技术向，而且需要对hdfs，spark有一些了解

岗位要求：

需要熟悉SQL/Python/hive/spark/kafka/flink等中的多项
数据仓库相关方法论，了解数据仓库体系
专业是计算机、数学、统计、数据科学、精算与大数据技术等相关专业
有相关实战项目或经验加分
良好的沟通能力和团队合作，主动积极、乐于面对挑战。

4、分析与总结

以上每个岗位的技术栈都不同，但是是有非常多的交叉的，以及只是方向和掌握程度上会有些许差异和侧重。

算法工程师（数据挖掘）考察大方向：

算法
机器学习专业知识
项目/实习/论文
场景题
概率题
python、sql等
带着考察的考察点：大数据相关、业务相关（非重点考察）

数据分析师（技术向）技术栈：

算法
项目/实习/论文
机器学习/数据挖掘
数理基础
数据分析
sql、python等

大数据工程师（数据仓库方向）技术栈：

算法
Hadoop、Hive、Spark等
项目/实习/论文
数据库
计算机基础（操作系统、计算机网络等）
编程语言

5、秋招准备与投递策略

秋招准备：

因为3个岗位还是有所差异的，鉴于时间有限，我们会给出必学部分（也就是交叉重合部分），其他的每个岗位单独重点考察的内容，为选修部分，如果想要都覆盖到求职，还是需要都学到，或者说自己根据时间侧重去学习和准备。

投递策略：

以岗位和公司维度为综合保底策略，即数据分析师（偏业务向）或小公司（要求没那么高）的相关技术向岗位为保底。
以意向公司和意向岗位为主要冲刺点

6、秋招详细规划-马力专属

说明：

下表中标注※的为重要和必学，其他为选学，选学并非不需要学，而是根据自己求职意愿技术栈来分配个人时间。
此规划为初步根据意向岗位情况进行安排，后期会随时根据本人情况有所调整。

类目	准备事项	准备时间	具体规划
※项目/实习/论文	至少准备一个匹配岗位的有竞争力的项目	4月-8月	【准备规划】 ·需要制作一个大型项目，具体做项目需求会4月16日前口头沟通形式定下来 ·会匹配项目专属导师，进行1v1语音指导以及答疑工作 ·之前做的项目，也需要梳理清楚，确保只要写到简历上的，就必须梳理清楚
※算法	top200手撕代码刷题+高频笔试考点刷题	4月-8月	【学习规划】 ·学习算法部分课程，需要在7月前学完基础+提升+中级部分 ·每天至少2-3道题，从基础刷起，逐渐加大难度 ·过程中有问题及时在群内提问 ·过程中会不定期进行相关进度督促 ·过程中会有相关测试和1v1讲解以及答疑 ·过程中会有手撕面试题的题目测试和学习资源以及答疑
※机器学习	需要补足机器学习知识点学习	4月-8月	【学习规划】 4月：进行机器学习专业知识测试 4月中下旬开始-7月：进行学习和补足机器学习专业知识的学习 7月开始：复习高频考点以及面试题，并融入到1v1模拟面试中，及时查缺补漏
※python/sql等	需要学到校招中的熟练掌握程度	4月-8月	【学习规划】 4月：进行python、sql等专业知识的测试 4月中下旬开始-7月：进行学习和补足这部分的专业知识的学习 4月中下旬开始-7月：不定期的专业测试检测水平提升，及时进行1v1指导 7月开始：复习高频考点以及笔面试题，同时刷相关题，并融入到1v1模拟面试中，及时查缺补漏
※数理基础	需要非常熟练的程度	4月-8月	【学习规划】 4月：进行专业水平测试 4月中下旬开始-6月：进行学习和补足这部分的专业知识的学习 4月中下旬开始-6月：不定期的专业测试检测水平提升，及时进行1v1指导 6月开始：复习高频考点以及笔面试题，同时刷相关题，并融入到1v1模拟面试中，及时查缺补漏
※数据分析	掌握数据分析方法与工具	4月-8月	【学习规划】 4月：进行专业水平测试 4月中下旬开始-7月：进行学习和补足这部分的专业知识的学习 4月中下旬开始-7月：不定期的专业测试检测水平提升，及时进行1v1指导 7月开始：复习高频考点以及笔面试题，同时刷相关题，并融入到1v1模拟面试中，及时查缺补漏
※Hadoop、Hive、Spark等	至少掌握大数据分布式框架之二	4月-8月	【学习规划】 4月：进行专业水平测试 4月中下旬开始-7月：进行学习和补足这部分的专业知识的学习 4月中下旬开始-7月：不定期的专业测试检测水平提升，及时进行1v1指导 7月开始：复习高频考点以及笔面试题，同时刷相关题，并融入到1v1模拟面试中，及时查缺补漏
※数据库	熟练掌握数据库基础知识	4月-8月	【学习规划】 4月：进行相关水平的测试 4月中下旬开始-7月：进行学习和补足这部分的专业知识的学习 4月中下旬开始-7月：不定期的专业测试检测水平提升，及时进行1v1指导 7月开始：复习高频考点以及笔面试题，并融入到1v1模拟面试中，及时查缺补漏
计算机基础/编程语言（java）	需要学到校招中的熟练掌握程度	4月-8月	【学习规划】 4月：进行相关水平的测试 4月中下旬开始-8月：刷高频知识点与面试考题，刷笔试真题有问题可以记录与积累，如有问题，每周进行统一文字答疑，如需要有额外的讲解，可安排1v1讲解

关于求职准备与提升

说明：以下为暂定计划，会根据相关情况进行随时调整

类型	时间	规划
简历指导	7月-9月	7月初：1v1深度沟通交流，并优化简历
模拟面试	7月-9月	不定期模拟面试和突击冲刺面试前的指导
内推	7月-9月	督促提醒相关岗位招聘内推意向工作机会