数据分析秋招总结——幸运的SP选手
1 个人介绍
- 某财经类211本硕,统计专业,专排前20%(不过貌似互联网不care这个)
- 三份互联网数分实习,其中暑期在腾讯
- 无竞赛经历,仅会调包算法,有几个课程项目
- 秋招拿了京东、美团、蚂蚁、腾讯等多家offer,半数为ssp、sp
2 秋招建议
2.1 总体规划上
2.2 面试部分
①找到几个相同求职行业和岗位的小伙伴,大家在群里相互分享看到的招聘信息、讨论彼此面试中遇到的各类问题、修改完善简历、打气加油。
②对每次面试进行录音,面试后听录音进行复盘。可以整理面试官常问的问题、听听自己答题的逻辑性和表达清晰度,针对没有回答好的问题可以进一步思考并进行整理记录。
③每次面试前或第一轮面试得知捞自己的部门后,在牛客网上搜索相关部门岗位的面经,进行整理和准备。
④每天刷一道SQL题保持手感,将整理的知识进行二次提炼重难点和易忘点,每次面试前重新过一遍。
⑤不要故步自封,在长时间投递没有回应又觉得自己能力没有问题时,那可能是简历出现了问题,没能足够吸引到HR的注意或证明自己的能力。这个时候,就需要找老师、朋友、学长学姐们探讨和修改简历。
⑥坚信自己会找到实习/工作的,每天睡醒给自己打个气;这点非常重要,尤其是在身边pyq不停有人拿到offer时。
3 面试准备
3.1 SQL
3.2 统计基础
最最最常问的就是假设检验了,因为数分常问的A/B Test其实就是一个假设检验的过程。通过假设一个场景,让你用AB实验去验证某个结论活方案。借此可以衍生问道:假设检验的基本步骤、如何做t检验、第一二类错误、显著性水平、P值等。
其次,还会遇到某个场景题,用统计模型去解决。因为是统计专业,所以面试官也会引导这取用统计方法解决。比如线性回归的基本假设是什么、多重共线性对模型的影响、ARIMA模型是什么等等。
3.3 算法基础
虽然大部分数分岗只是一个“茶树菇”,但是面试会经常问到算法的内容,简历上一般也有要求有R/Python的机器学习项目经验。但是面试通常只会问道一些基础性的知识,也不会手撕算法题。
最基础的,是要对机器学习有框架性的了解,有监督学习和无监督学习、常见的各类模型、bagging和boosting异同点、回归和分类及对应的评价指标、评价指标的计算方法。
其次,是要对自己简历用到过的模型、统计模型、常见的模型比较了解原理和要调的参数,比如线性回归、决策树、随机森林、K-means。尤其是自己做过的项目,要能明确的讲出数据集情况、目标变量、采用的模型、该模型优劣、模型效果/评估、模型结论。
3.4 业务问题
这是数据分析方向最难掌握最玄学也是最核心的问题——业务问题,这部分没有明确的内容和标准答案,只能根据自己的思路和经验作答。
在我看来数分业务离不开以下几个部分:①AARRR模型——了解各阶段基础的业务目标和用户的生命流程;②指标体系——给你一个真实的业务场景要能找到定义出核心指标,常见的留存率、活跃天数等;③指标异动分析——某产品某天DAU下降了10%你要如何分析该异常波动等。进阶的部分有:常见的数分模型、用户画像和分层、机器学习算法如何应用到某个问题上、用A/Btest解决问题等。
由于不同的业务、不同类型的产品,会是完全不同的业务场景和指标体系。所以很难说是准备好了就一定能答上来。所以可以日常性的看看人人都是产品经理、36氪等网站积累业务知识,面试中遇到业务问题时尽量理清思路、找到与该问题匹配的数分模型或业务流程等。