本文结构速览：

一、个人信息

二、职业规划

三、项目经历

四、SQL篇

五、AB实验

六、数据分析方法论

七、机器学习

八、开放性问题

一、个人信息

个人信息主要包括

• 基本信息：姓名、地域、学校、专业等

• 生活习惯：兴趣爱好、生活经历等

• 个人评价：优缺点、自我评价、他人评价等

常见相关面试题：

• 你是什么样的人？

• 你对自己的评价是什么？

• 在别人眼中，你是一个什么样的人？

• 自我感觉性格怎么样？

• 实习中最有成就感的事情是什么？

• 什么时候让你压力很大？

• 有什么兴趣爱好？

• 最开心的一件事情？

• 你觉得自己最大的缺点和优点分别是什么？

• 对你影响最深的一个人是谁？为什么？

这些面试题大部分出现在HR面。

▼考点：主要是通过个人表达及一些信息碎片，便于评估应聘者的性格、表达能力和抗压能力。

二、职业规划

职业规划这类问题相对比较主观，没有特定的答案。

一般常出现在HR面，高p面也偶尔会有，常见的面试题有：

• 为什么选择本公司本岗位？

• 为什么选择数据分析岗位？

• 互联网数据分析在你心中是什么样的职位？

• 个人职业规划？

• 求职过程中都有哪些准备和思考？

• 你都面试了哪些公司，如果有多家offer，你会怎么选择？

• 为什么要转行（选择）做数据分析师？

• 期待什么样的工作氛围？

• 对你面试的岗位，你了解过吗？符合你的预期吗？

三、项目经历

项目经历这一块，可以分为以下三个方面：

• 实习经历

• 比赛经历

• 科研经历

▼注意：这里的经历切记一定要和面试岗位相关。

如果相关性不大，也要尽量找出一些和数据挂钩的点进行阐述说明。

针对不同类型的经历，如何做提炼和准备

六哥已区别说明 并划了重点（贼贴心了😁）

【实习经历】

优先选取有结果、匹配度高的实习经历。
可以从以下方面进行准备和阐述：

• 项目背景

• 在这个项目的角色

• 在这个项目的价值

• 说明项目的价值，以可量化为准

• 从这个项目中学到了什么

• 如要继续优化，可从哪些方面进行尝试

阐述时需重点强调项目的结果/价值

以及突显个人在该项目中不可或缺的贡献。

如果项目失败、未落地、未跟进完

也可以说说个人在该项目的思考和沉淀经验~

【比赛经历】

最好是有获奖、有业务背景的相关比赛，比如京东算法大赛。很多互联网大厂都会举办一些比赛项目

如果比赛获奖且刚好应聘该公司，这种经历必然非常加分。

比赛项目的阐述可以从下面几个方面来准备：

• 比赛项目背景

• 比赛结果（获取的名次）

• 比赛过程中的组员情况及分工情况

• 比赛所运用的方法及过程中的一些尝试方法

• 从中收获与思考（作为总结部分）

【科研经历】

同样的，科研经历尽量选取相关性高的项目。

如果实在不挂钩，不建议主动进行详细阐述。

除非面试官主动提及并进行深度提问。

科研经历的准备方法如下：

• 项目背景，要解决的问题是什么、目标是什么

• 项目处理，做了哪些数据处理、使用了哪些数据分析相关的方法

• 项目结果，比如在**发表，影响因子是**，或者发明了技术专利，或者是提出了新的方法论等等

四、SQL篇

关于SQL，需要掌握SQL常用的语法以及相关大数据技能。

常用的SQL语法如下：

• 查询语句（select）

• 过滤语句（where）

• 模糊匹配（like）

• 合并数据（union）

• 分组（group by）

• 链接：LEFT JOIN 、INNER JOIN、RIGHT JOIN、FULL JOIN

• 表操作（插入、更新、删除等）

• 窗口函数：累计计算、分组排序、偏移分析窗口函数

• 日期函数

• 字符串函数

SQL基础语法的掌握门槛并不高，重点在于如何进行活学活用。如果这部分较为薄弱，还需要自行加强SQL题目的练习。
以下引用【春节不打烊】活动中六哥给出的一道SQL题，可自测下自己的SQL能力

题目：现有一张用户关系表，表结构及数据如下：

假设A和B是好友，B和C是好友，C和A不是好友。那么有以下关系：

• B是A的一度人脉

• C是A的二度人脉

• A是B的一度人脉

• C是B的一度人脉

• B是C的一度人脉

• A是C的二度人脉

请计算每个用户的二度人脉数量。输出以下字段：

• 用户ID

• 二度人脉数量

【答案】 ：如需答案及测试集，课联系六哥进行获取

五、AB实验

互联网对AB的应用和分析越发增强。

AB作为策略评估、ROI评估的黄金准则，在数据分析工作中必不可少。

如何有效设计和评估AB实验非常关键。

作为求职应聘者，对AB相关的知识点掌握越多、越深、越细就越踏实。

AB实验相关的问题可以分为以下几类：

• 随机事件与概率基础

• 随机变量及分布：正态分布、0-1分布、泊松分布等

• 大数定理、中心极限定理

• 假设检验

• 参数检验

• 非参检验

• AB实验分析流程

• AB效果分析

六、数据分析方法论

很多分析方法都较为依赖统计学知识。

因此除了数据分析方法的掌握，基础的统计学知识也必不可少。

之前已梳理了部分数据分析方法

以下罗列了面试中，

高频提及的分析方法以及一些相关的常见统计学知识（AB实验相关不做重复罗列）：

• 方差分析

• 描述性分析

• 相关性分析

• 参数估计

• 幸存者偏差

• 辛普森悖论

• RFM分析模型

• AARRR模型

• SWOT矩阵

• MECE分析模型

• 漏斗分析模型

• 下钻分析（维度拆分）

七、机器学习

这一块，虽不用像算法岗位准备的面面俱到

但常见的一些传统算法

在实际数据分析工作中也较为常见

故也成为面试常见考点之一

• 线性回归、逻辑回归

• 决策树

• 随机森林

• GBDT

• XGBoost

• K-Means

• K近邻算法

• 朴素贝叶斯

• 神经网络：注意神经网络在数据分析工作中应用并不常见

• 降维算法

• 模型评估指标（AUC、MSE、ROC等）

• 过拟合及处理方法，结合具体算法进行学习和准备

• 欠拟合及处理方法，结合具体算法进行学习和准备

• 样本不平衡（重采样、欠采样、样本构造等）

• 常见的损失函数及差异 

▼注意： 尤其是简历中提及的相关算法，务必做好被深挖的准备

八、开放性问题

面试框架梳理篇为大家梳理过开放性题型，主要是以下几大类：

数据分析——面试考点经验梳理（含真题）

• 异常归因类

• AB实验类

• 专业知识类

• 估算类

• 指标体系设计类

• 软问题类

• 反问类

了解相关题型后，大家还应该从以下几个角度进行准备：

• 面试前提前了解应聘岗位负责的产品，最好是尽量深入体验一下

• 结合JD，摘出关键字，进行针对性准备

• 常见面试题做思路拆解，多多训练不怯场~