盒马（新零售）业务商业智能部招聘商业分析实习生（上海） 部门介绍：阿里巴巴商业智能部，是阿里巴巴数字经济体的业务分析、决策支持部门，分析领域覆盖阿里巴巴集团整体各主要业务线以及核心投资公司，包括核心电商、大文娱、新零售、本地生活、旅游、健康以及创新业务等。秉承“让业务更清晰、让决策更高效”的使命，商业智能部通过全面、准确的商业分析，洞悉阿里巴巴数字经济体海量用户、企业背后的商业运行规律，以全球化的视野参与商业策略制定，探索商业路径。部门工作内容包括：决策支持、经营分析、产品分析、行业与竞争分析等多种类型，能够提供行业一流的商业分析环境、丰富的商业分析人才能力培养体系、以及清晰的人才成长路线。工...

近期看到大厂裁试用期员工（21届毕业生）。去年校招的扩招程度貌似没有今年的力度大，那如果23年大厂的业绩继续萎缩，22届试用期员工又会裁多少呢？各位看官可以结合文章提到的待遇陷阱，作出最优选择。全文详见数据分析 | 聊聊怎么选心仪offer（下）微观篇数据分析 | 聊聊怎么选心仪offer（上）宏观篇

【2则最新数据分析实习】 ①滴滴总部 国际化IBT 【岗位】数据分析实习生 增长分析 【地点】北京-西二旗-弘源 【岗位职责】 1、数据驱动：深入理解业务需求，结合数据方法和工具进行数据提取、整合、分析，为产品及决策提供数据分析支持，确保业务朝正确方向高效迭代发展 2、ABtest：深入参与增长实验设计、指标制定、结果检验和分析等 3、数据监控：完成对业务关键指标的监控及异常波动等分析工作，并不断主动思考、反馈数据发现的各类业务问题，推进解决优化 4、专题分析：积极和业务方充分沟通，结合业务进行持续的专题...

美团深圳招募商业分析实习生啦 招聘职位：商业分析实习生若干名 1、协助员工定期开展区域的行业分析，洞察并提炼各平台玩家的主要策略打法，给我方策略建议提供参考； 2、协助员工完成常规及专题分析的数据提取、整理及报告撰写； 3、其他临时性分析的数据需求支持。 岗位要求： 1、熟练掌握数据处理的办公软件，如excel、SQL等； 2、较强的逻辑思维分析能力和归纳总结能力，有一定的商业sense； 3、具有较强的快速学习能力，性格开朗，沟通表达顺畅，做事细致耐...

【部门】滴滴总部 国际化IBT【岗位】数据分析实习生 增长分析【地点】北京-西二旗-弘源【岗位职责】1、数据驱动：深入理解业务需求，结合数据方法和工具进行数据提取、整合、分析，为产品及决策提供数据分析支持，确保业务朝正确方向高效迭代发展2、ABtest：深入参与增长实验设计、指标制定、结果检验和分析等3、数据监控：完成对业务关键指标的监控及异常波动等分析工作，并不断主动思考、反馈数据发现的各类业务问题，推进解决优化4、专题分析：积极和业务方充分沟通，结合业务进行持续的专题分析，积极配合推进数据项目，并应用解决业务问题 【岗位需求】1.具有数据分析的基本能力，良好的业务sense、结构化思维；2...

上周，一周更新一两个春招岗位吧，这周开始是一周三四个了。春招的号角已经吹响，22届准备冲刺校招的朋友们准备好战斗了不?欢迎关注数据道术器公众号，一起强化数据分析方向的技能点，交流面试笔试经验，这里，还有实时更新的春招岗位list，模拟面试，简历修改哦

基于用户特征数据，我们可以对用户进行分群（聚类），可以用来做智能推荐（推荐算法）本质上是基于特征找到相似的用户。基于相似用户，我们还可以做倾向性得分匹配（psm）来做低成本的因果推断，大家觉得特征数据还有什么别的功用呢?欢迎评论区补充😁

各位22、23届，数据分析求职导向的各位小伙伴，是时候抱团取暖，一起进步了。 22届的好准备春招，23届的好准备寒假实习和暑期实习，我这边搜罗了数分相关干货书籍、常见面经笔经，以及会组织模拟面试。 目前已经组织了4次模拟面试，小伙伴的反响不错，各位都能从中发现改进的点~ 大家也可以看看我的gong zhong hao，里面有数据分析相关的个人理解，希望可以帮助到你们~ 下面是推送一览： 数据分析|数据（商业）分析技能树 http://mp.weixin.qq.com/s?__biz=Mzg4NDY4MDI4Mw==&mid=224...

数据分析方向 春招，暑期实习，寒假实习 抱团取暖，大伙可以看一下我的gong zhong hao 23届22届的一起冲哇

大家好，我是你的老朋友，数据道术器SamFeng。    在实际应用中我们也常常能看到给回归方程引入交互项的形式来考察分组之间的差异，交互项即某个解释变量乘以虚拟变量。例如我们考虑对用户性别进行分组，研究年龄和点击率之间的关系时，我们可以将虚拟变量设计为：男性标为1，女性为0，之后用年龄变量乘以虚拟变量。    那么问题来了，引入交互项和直接把样本分成男性组、女性组后进行分组回归在实际应用中该如何抉择呢？    为了弄清楚这个问题，我们必须站在对这两种操作的深刻理解上。    一、交互项回归和分组回归的差异    这两种操作方式的差异集中体现在两种方法的假设上：交互项回归假设除了核心解释变量外的控制变量系数一致，分组回归则放松了这个假设，允许核心解释变量和其余控制变量系数不一致。    通过观察公式结构，我们便可以清晰地看到这两种操作方式的差异。    首先是交互项回归：    其中X1是核心解释变量，Ci是其他控制变量。可以看到，虚拟变量取值不同时，回归方程的差异仅仅体现在截距项和核心解释变量X1系数上。    接下来我们看看分组回归的结构：    可以看到，在分组回归中，我们放松了解释变量系数一致这个假设要求，我们允许在不同分组，解释变量系数可以不一致。    二、不能用分组回归的情形   在前面的一顿展示后，相信大家都能了解交互项回归和分组回归两组操作方法，在实际应用中这两种方法确实区别不大。比如我们分组的依据选取的是用户的性别、地域、职业等。以样本属性作为分组依据时，交互项回归和分组回归仅仅体现在前置假设上。   那什么时候，我们不能用分组回归呢？   这里先给出答案：当分组依据不是样本属性，而是时间属性时。   样本属性作为分组依据，我们可以把样本完 美的 分成若干组，每一组中的个体信息都是完整的。比如我们现在有1000个用户的点击历史数据，当我们分组的依据是不同的时间段时，每个分组的时间段中，我们得到的都是1000个用户在该时段的信息。也就是说时段i有1000个用户的点击信息，时段j也有1000个用户的点击信息。    这种情形如果我们使用分组回归的方式来探究不同时间段下用户点击规律差异的话，我们就无法解释点击率差异的产生是核心解释变量X1的差异引起，还是其他控制变量Ci的差异引起的。   

大家好，我是你的老朋友，数据道术器SamFeng。 前文数据分析 | 群组分析提到，在业务中我们经常可按照样本的一些属性对样本进行分组，使用分组回归的方法来洞察分组之间的不同规律。 在实际应用中我们也常常能看到给回归方程引入交互项的形式来考察分组之间的差异，交互项即某个解释变量乘以虚拟变量。例如我们考虑对用户性别进行分组，研究年龄和点击率之间的关系时，我们可以将虚拟变量设计为：男性标为1，女性为0，之后用年龄变量乘以虚拟变量。 那么问题来了，引入交互项和直接把样本分成男性组、女性组后进行分组回归在实际应用中该如何抉择呢？ 为了弄清楚这个问题，我们必须站在对这两种操作的深...

大家好，我是数据道术器SamFeng。    近期楼主在忙毕业论文，在实证部分用到的一些方法其实跟数据分析中的群组分析是异曲同工的，因此准备跟大家分享一下。其中用到的统计软件是stata，这个软件在统计方面属于利器：方法齐全，使用方便，感兴趣的朋友也可以关注了解了解。一、群组分析简介    群组分析在数据分析领域属于常见的操作，在实证分析范畴跟异质性分析是类似的。主要都是从样本中提取一些来自样本的特性，这些特性是导致数据层面差异的源头，基于这些特性对样本进行进一步的分析，从而挖掘出分组样本的不同规律。    这里简单总结一下群组分析的步骤：    ①明确业务分析目标。    ②基于业务提出样本...

聊聊怎么选心仪offer（上）宏观篇   脱离0 Offer焦虑的大伙们，貌似开始进入了新的焦虑中—“多个Offer该如何选择？” Offer选择也成了近期群内的主要热度话题。    Offer选择是我亲身经历过的，所以这篇文章会更加贴近我的过往，我会结合我个人的思考来聊聊该怎么选Offer。本文会分上、下宏观、微观两部分。其中本文主要探讨选择Offer需要考虑的宏观因素：城市、赛道&前景。       一、城市    城市选择无非是要考虑两种情形：    ①常驻城市    ②城市a工作几年后，回归原城市b    对于情形①，由于涉及长期发展，因此当地的户口、住房、教育、消费都需要谨慎考虑，与之紧密联系的就是不可不提的“钞能力”了，在选择Offer时可以结合谈薪结果和当地花销来综合分析，选择待遇相对较好的厂子好好干，逐步落实落户和住房吧。对于这种情形，个人认为待遇为首，发展次之。    对于情形②，由于只是中短期的发展，因此当地户口并不是刚需，这时需要考虑的是企业的发展前景和个人的发展路径，在相同的时间内在哪家公司可以得到更多成长，这些成长和积累是日后跳槽的无形资本。而个人积累和工作内容、业务线、工作氛围等外部因素密切相关，这些信息可以从HR、业务Mentor、未来同事处收集。个人看来，对于情形②发展为首，待遇次之。    二、赛道&前景    赛道和前景其实分别是政策宏观、企业微观的两个因素。    首先我们来聊聊赛道。    考虑赛道的时候可以结合当下政策大方向来思考，比如“双减”、“共同富裕”、“碳中和”、“一带一路”等。   譬如“共同富裕”下的房地产行业、中介行业也将走下坡路，公司业务在政策限制下受影响，公司的财务会直接反映。公司在财务不佳的时候最常见的就是把枝节业务砍掉、开源节流，集中资源在最有可能拉动企业复苏的业务上。在这种业务切换的时期，裁员也是常见的操作，同样公司也会考虑把人力资本用到性价比最高的员工身上，员工性价比就是指员工产出和其工资的比例，由于校招生通常都处于适应和学习的阶段，也就自然成为了性价比较低的裁员对象了。    相似的例子相信大家都在脉脉、牛客上看到不少。因此在赛道选择时一定要保持理性、多结合当下的施政方针和国家发展方向综合考虑。

数据道术器，构想的是向有志于从事 数据分析 、商业分析的朋友们介绍数据入门的思维框架、分析方法和常用工具的。下面这篇推文将会作为分析领域的提纲式文章，给大家简要地介绍下分析领域技能树。针对每一个技能分支，将会在后续的更新中逐一地、深入地介绍，敬请期待。一、数据之道数据领域的思维框架是分析展开的根本，是分析的灵魂和顶层设计。在 数据分析 领域我们需要了解和掌握以下几个基本的思维框架。①群组分析②RFM分析③AARRR模型④漏斗分析⑤生命周期分析⑥留存、流失分析⑦竞对分析上述几个基本的思维框架逐一学习后，分析最迷人的部分在于我们需要对基本思维框架进行排列组合，有机地将群组分析、RFM分析结合到其他框架中，组合之后我们就可以得到不同分群的更多行为、习惯信息，而这些信息都将是发现问题、推动业务的秘密钥匙。数据思维框架是 数据分析 从业的门槛之一，而且这个门槛是能决定职业高度的。在校招期间不时能听到一些同学说数分岗位“门槛低”，其实我觉得这个岗位门槛不算低，在投递时你需要有充足的实习、对基本的统计知识、编程知识、模型知识熟悉。入门后业务上要做到极致，能灵活地应用好上述思维框架到分析报告的话，数分岗的上界也很高的。二、数据之术在顶层思维框架的指导后，在落实分析的环节我们需要合理地使用合适的 数据分析 方法来解决相应问题、得出相关的结论。数据之术是数据领域从业不可不掌握的部分。只有分析工具掌握到位，才能逐步完成思维蓝图。数据领域常常涉及的分析方法有：①假设检验②因果（归因）分析③回归分析④相关分析⑤聚类分析⑥生存分析⑦对比分析上述提到的数据分析方法也许只是众多方法中的一部分，在实际业务 中兴 许需要更多分析方法，这就要求我们需要拥有持续学习的能力，在职场中随时捡起新方法，学习并加以应用。 数据分析 方法则是数据从业的又一门槛，这部分门槛通过学习和培训是不难越过的。觉得数分岗门槛低的吃瓜群众其实大部分只是看到了这部分工具性技能的门槛而已，这部分门槛是决定了你是否能入门。三、数据之器数据分析 常用工具可以结合 数据分析 工作流程来进行介绍。 数据分析 工作永远逃不开：取数、分析、可视化三大环节，与之相生的就是SQL、Python等、和Powerbi（Tabula等）。与数据之术类似，数据之器也是数据领域从业入门的基本门槛。