自我介绍
统计学题
不同风格的面试官有不同的问法：
有些面试官喜好直接发问一些统计学相关题目，让你回答。
例如：假设检验的步骤是什么？条件概率公式是什么？多重共线性是什么？如何检验？…
有些面试官喜欢结合实际问题/项目经历问具体细节。
例如：如果你的简历里写了设计AB实验策略，面试官会基于项目背景问你其中的细节点：样本量如何确定的？…
简历提问
此环节是面试的主体部分，基本是决定你是否可通过本轮面试的关键。
一般实习/项目经历丰富的应聘者，面试官会让你挑、或者他指定某一个感兴趣的做详细介绍。之后，会基于其中细节提问。
开放性题目
总结来看，有以下大类，几乎覆盖 90%题型：
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…
【1】异常归因类
▼ 设题原因：一般来说，互联网大厂都会构建自己的数据监控体系。作为数据分析师，除了解读数据并从数据中发现增长点，对数据异常的归因定论也是重要工作之一。
因此，这类题型会被问到的概率较高。
何为数据异常？
▼ 真题举例：比如某电商平台，每日监控当日的成交额情况，突然有一天某类目成交额暴增，请问作为数据分析师的你该如何分析？
▼ 答案示例：
- 问题确认：首先，需要确认该问题是否真实存在，即校验数据的准确性。例如：数据提取是否存在逻辑错误，上游表是否存在重复记录的问题？
- 确认有无外因，举例：
- 环境影响：是否存在某爆款商品。比如近期新疆棉事件，导致李宁热度暴增，李宁因实时热点成为爆款商品，继而导致该店铺归属的运动类目成交额暴增。
- 时间因素：是否存在季节性的波动，比如羽绒服行业在冬天属于热销款，夏天几乎属于0需求的供应状态。
- 竞品因素：比如竞品拼多多上线大型补贴活动，势必对淘宝产生了巨大的冲击。
- 内因分析拆解，举例：
- 商品维度拆解：可设计相关指标（如：贡献度）定位异常行业、店铺等。
- 用户拆解：可以拆解是否存在高客单用户，因某个个体拉高了特定类目的成交额。其次我们可以根据用户的属性，比如地域，年龄，新老客等维度进行拆分解析。
▼ 划重点：
- 异常归因类问题建议有逻辑有结构的回答，体现基本严谨的分析思路。
常见做法即 排外拆内：排查有无外因影响后，通过业务涉及具体维度下钻分析来定位异常。
【2】AB实验类
▼ 设题原因：这一类问题，非常常见，占据实际工作中的一大部分内容，包含实验策略的设计、评估、分析、优化迭代。因此，作为大部分面试官的必考点。
▼ 考核方式：如果简历中有相关经验，面试官会详细问你具体细节，以检验你的实践水平。
- 如果没有相关经验，面试官会偏向问你原理、步骤、衡量标准等基础概念，以检验你是否具备相关知识储备。
【3】专业知识类
▼ 设题原因：此类问题主要考察应聘者的技术栈+知识储备，说白了即基本功。
▼ 考点：一般涉及到概率论与数理统计、机器学习、以及数据库等相关知识。
▼ 考核方式：通常面试官会针对应聘者的专业背景、项目等进行相关提问。
【4】估算类
▼ 设题原因：这类题型，商业分析考核居多。主要考察的是你的逻辑分析能力
▼ 考点：如北京地铁站旁有多少个煎饼果子铺？上海有多少家早餐店？…
注：后期会针对此类题型，详细拆解，敬请期待 !
【5】指标体系类
▼ 设题原因：这类题型，对于多数应聘者难度属于中等偏上水平。主要考察你的业务体感和专业程度。
▼ 考点：比如，设计某策略的AB实验指标？上线一款新的APP，你打算如何布控监控体系？…
▼ Tips：
- 拟面试公司的基础产品及功能摸清楚；
- 相关行业行研报告等可以多做功课了解。
【6】软问题类
▼ 设题原因：问到此类问题，将近面试尾声。相比前面，更偏软，目的是为了考核你对职业规划的看法及打算，一方面听听你的想法，打探下你的稳定性，另一方面从你的回答，看看你的潜力性。
▼ 考点：
- 职业规划类：为什么要选择数据分析师这个行业？你对数据分析师一职如何看？…
- 实际工作类：如何成为一名优秀的数据分析师？如若入职，你有什么规划打算？如何发掘有价值的项目？…
▼ Tips：
若有收获，就点个赞吧
0 人点赞
