面了幾個大廠的數(shù)據分析師崗,這次感覺有戲...

↓ 推薦關注↓
加入 城哥知識星球 ，解惑答疑，告別迷茫

最近，我們組織了一場數(shù)據分析崗技術&面試討論會，邀請了一些互聯(lián)網大廠同學、參加社招和校招面試的同學，針對新手如何入門數(shù)據分析崗、該如何備戰(zhàn)、面試常考點、面經分享等熱門話題進行了深入的討論。

今天我整理后分享給大家，希望對后續(xù)找工作的有所幫助。喜歡記得點贊、收藏、關注。更多技術交流&面經學習，可以加入我們星球。

小紅書

崗位：數(shù)據分析

數(shù)據相關

1. 項目中不平衡數(shù)據如何處理

2 .項目中數(shù)據量的大小

1. 項目中數(shù)據的特征介紹

2. 什么是hard樣本什么是easy樣本

機器學習相關

1. Boosting 和 bagging的區(qū)別

2. 決策樹的分裂的計算（ID3, C4.5,CART）

3. Adaboost 和 GBDT 的區(qū)別

4. Adaboost 和 GBDT的損失函數(shù)

5. Xgboost 和 GBDT的區(qū)別

6. Boosting 和 Random Forest Tree 的區(qū)別

7. 梯度下降和隨機梯度下降的區(qū)別

8. 邏輯回歸，svm和樹模型的區(qū)別

9. 項目中為什么選擇GBDT而不是adaboost

10. 采用什么作為模型好壞的評判標準（accuracy, f1-macro）

11. 降維的方法

12. 樹模型如何調參

13. 如何檢測模型是否過擬合

14. 如何減少過擬合現(xiàn)象的產生

深度學習相關

1. Attention 和 self attention的區(qū)別

2. 介紹一下Transformer

3. Bert提升了transformer的哪些東西

4. BERT比RNN好在哪里

5. RNN, LSTM, BERT的優(yōu)缺點

6. 梯度消失和梯度爆炸產生的原因

7. 如何解決梯度消失和梯度爆炸

8. 介紹一下推薦系統(tǒng)的算法（協(xié)同過濾，基于內容的推薦）

字節(jié)

崗位：數(shù)據分析

一面

1. 自我介紹

2. 一個數(shù)據分析的項目—要求：增長策略

1）背景是什么？

2）指標分子分母是什么

3）衡量指標是什么？

1. 三個指標來評估抖音的發(fā)展狀況

2. 人均播放量下降，應該如何排查  --經典題

3. 是否增加一個廣告位，如何衡量正向，負向的影響

4. 如何確定AB測試的最小樣本量？公式里的具體參數(shù)

5. 如何判斷實驗組是好是壞？什么指標？做什么檢驗

6. 什么時候用Z檢驗，T檢驗

7. 廣告收入增長，但用戶留存下降，如何判斷是否上線？量化收益？

8. LTV如何與廣告收入結合？

9. 如何計算用戶LTV

10. 如何計算LT，生命周期

11. SQL題

12. 自己的職業(yè)規(guī)劃

13. 覺得自己做數(shù)分最大的優(yōu)勢是什么？

一面對于基礎知識的考察還是比較細的，面試官也比較嚴厲，沒有反問機會

二面

1. 之前有過實習經歷嗎

2. 除了業(yè)務以外，在做數(shù)據分析還有哪些需要提升的地方   --啊？是不是被人反問的問題

3. 抖音人均使用時長下降

4. 同學如何評價你

5. 你自己怎么形容你自己

6. 頭條：添加功能應該添加哪一個？

7. 頭條：去掉一個功能

8. 預估上海有多少二手房門店的數(shù)量（多種方法）

二面的考察比較側重業(yè)務，但是幾乎沒什么挖的，感覺有一點點套路化。面試官比較親切。

三面

1. 自我介紹

2. 總實習的時長有多長，哪段時間最長

3. 每個實習公司都是做什么的

4. 從數(shù)據分析的角度來看，你認為哪個公司的環(huán)境更好

5. 介紹一個項目

6. 對行業(yè)的了解

7. 從帶你的人學到的東西是什么？---重點題

8. 在學校成績是怎么樣的

9. 對自己的未來規(guī)劃是怎么樣的

三面應該是大佬級別的人，很有領導范??整體面試思路很有邏輯。

HR面

1. 自我介紹

2. 實習過程中最有成就感的一件事   --HR的拿手問題張口就來

3. 有沒有想要放棄的時候 --這熟悉的感覺他又來了

4. 還投遞了哪些公司？為什么會投遞這個公司 

5. 為什么投遞字節(jié)？認為字節(jié)和自己有哪些相似之處

6. 認為商業(yè)分析和數(shù)據分析有哪些區(qū)別

淘天

崗位：數(shù)據分析

一面

1. 自我介紹

2. 實習內容

3. 實習團隊架構

4. map reduce原理

5. 數(shù)據傾斜有沒有遇到過？怎么解決

6. ab實驗原理、流程、如何分析

7. 假設檢驗原理

8. 口述sql題目：求連續(xù)登陸三天的用戶

9. 假設檢驗概率論場景題：求置信區(qū)間

10. 常用的機器學習算法

11. 隨機森林原理

12. 求職意向，數(shù)科還是數(shù)研，安排下一輪面試官（回數(shù)研后第二天結束流程）

13. 反問

二面

1. 自我介紹

2. 實習深挖：項目技術難點怎么解決的？有什么效果？收獲

3. 怎么分析指標下滑

4. spark的寬窄依賴

5. 手撕：3道二叉樹

6. 反饋推進下一面 但是前面人太多

7. 反問

滴滴

崗位：數(shù)據分析師

一面

1. 自我介紹

2. SQL題目，1-7日的留存率，就是當天登錄后在接下來一周內登錄過的人

3. 異動分析，如果這個留存率增加30%，怎么分析。追問怎么判斷主要因素

4. AB，問設置的步驟，怎么確定樣本量，如果實驗不顯著怎么辦。。。

5. py做過什么項目，提了一下模型

二面

1. 異動分析，訂單呼叫量下降怎么歸因

2. 你覺得自己做數(shù)據分析師有什么優(yōu)勢，為什么選擇這個行業(yè)

3. 3-5年內希望自己在這個行業(yè)成為一個什么樣的人

4. 介紹部門，問喜歡的工作氛圍

5. 實習中最有成就感的事情

三面

1. 自我介紹

2. 細問實習

3. 主要是歸因，指標體系、AB那些

4. 怎么判斷能不能在一個新城市開展業(yè)務

5. 怎么估計一個新城市的業(yè)務需求量

6. 手上offer

- EOF -

作者簡介

城哥，公眾號9年博主，一線互聯(lián)網工作10年、公司校招和社招技術面試官，主導多個公司級實戰(zhàn)項目(Python、數(shù)據分析挖掘、算法、AI平臺、大模型等)。

關注我，陪你一起成長，遇見更好的自己。

星球服務

會不定期發(fā)放知識星球優(yōu)惠券，加入星球前可以添加城哥微信： dkl88191 ，咨詢優(yōu)惠券問題。

加入知識星球后，可以享受7大福利與服務：免費獲取海量技術資料、向我 1 對 1 技術咨詢、求職指導，簡歷優(yōu)化、歷史文章答疑(源碼+數(shù)據）、綜合&專業(yè)技術交流社群、大模型技術分享、定制專屬學習路線，幫你快速成長、告別迷茫。

原創(chuàng)不易，技術學習資料如下，星球成員可免費獲取，非星球成員，添加城哥微信：dkl88191，請城哥喝杯星巴克。