本文结构:

1. 前言
2. 面经分享
3. 数据分析面试知识体系
4. 统计知识(AB实验)
5. SQL面试题整理
6. 业务场景
7. 其他

一.前言(包括实习经验)

由于疫情原因，我已经宅家2个多月了，期间一直想动手写博客，记录下自己的学习与读书所得，输出倒逼输入，无奈拖延症严重。今天心血来潮，想总结下自己去年找工作的经历。

笔者本科毕业于某末流工科211，工业设计专业。大三期间，大数据和人工智能概念被炒得火热，自己一来对数学和编程很有兴趣，二来眼馋这个领域的发展前途(跟风)，所以就决定跨专业考研，入了应用统计的坑...

方向选择 刚开始目标是算法岗，按照前辈们攻略，看西瓜书，李航的统计学习方法，争取每个公式都能做到手推，也打了一段时间kaggle，但是越往后面学，越觉得知识的深度和广度很大，仅仅靠一年的时间是远远不够的(2年专硕准备找工作实质只有一年时间)。就拿数据结构来说，一个合格计算机的学生，应该从本科开始就做相关的题目，leetcode100道和剑指offer应该刷了好几遍了。然而，自己遇见一道新题，往往就是不看答案，就写不出来,而且即使做过的题，第二遍也不能写出来（哈哈）。当时的心态一度崩溃，每当刷数据结构的时候，就想着放弃算法岗。后来牛客，知乎也出现了各种算法岗的劝退消息，因为竞争大，似乎名校，顶会Paper,竞赛Top,大厂实习才是拿到offer的必要条件。我当然知道即使各项没有那么强，也存在拿到offer的可能性，因为即使职位title一样，不同公司的要求也不一样，同一公司不同部门不同组，也可能存在很大的差异。但是自己知道实力不够，碰运气的事也就不想尝试了。

实习 去年3月开始找实习，改投数据分析的岗位，原因很真实，不用刷数据结构，不用手写代码!找实习还是比较顺利的，3月底拿到了百度和携程的offer，选了百度。我觉得能拿到offer的原因，一是我简历上有几个数据挖掘类的比赛和项目，不至于那么差，二是投的日常实习岗，难度不高，自己运气比较好。

其中携程实习面试就是聊天型，简单问了下项目和经历。

百度实习一面是leader面，包括简历上写的算法原理(时间序列，贝叶斯优化原理等)，一道SQL题，微信有哪些用户体验设计好的点(我恰好本科学的就是用户体验设计...)。二面组长面，主要介绍下项目，项目中的原理，Python用了哪些包(还有这样问的，作为一个资深调包侠，把平时调的包都说了)，Spark的DataFrame和DataSet的区别(自己简历上写了了解)。

总而言之，我认为找工作固然看实力，但是对于实力处于中下的同学或者不够硬核的面试，实力与运气并存，这里运气包括投的时间是否合适，面试官性格等等。这里说下自己对于日常实习与春招实习的看法，前者难度比后者小，但是后者一般转正几率比较大，而且参加春招实习可以提取感受下秋招的氛围，相当于预秋招。我就是没参加春招实习笔试面试，没体会到竞争的残酷，秋招才会准备不足的。对于日常实习，无论实力如何，大厂都应该投投，对于非核心的部门或者组，要求不会很高。

实习职位是数据分析工程师，主要写SQL以及用Python写MapReduce代码，参与了AB实验分析，做了个大数据报表，还有个数据挖掘需求(query分类问题)，核心仍然是围绕各种指标展开。实习期间，我虽然成长一些，但是因为自己接的需求有很大局限性，没有深入接触分析业务，同时由于大数据技术方面也没涉及Java,Scala,Spark等，所以对于数据开发，也毫无优势，我觉得没有过早确定方向(纯技术or纯业务)是自己后来秋招失利的主要原因。

二.春秋招面经分享

之前以为自己实习能转正，到八月底才开始投简历准备笔试面试，果然不听前辈言，吃亏在眼前。实习五个月，基础知识没长进，除了多了些工作经验，剩下就只有云顶下棋了。这段时期也让我认识到，互联网只有保持持续学习的良好心态才能让自己具有市场竞争力。秋招面的公司不多，一来笔试没做好，二来数分竞争确实很大，简历都沉了。

面试结果如下:

秋招

拼多多 二面挂

Bigo 二面挂

斗鱼 一面挂

趣店 三面 offer sp

银联数据 一面过 二面没面 放弃

步步高 一二面过 三面没面 放弃

春招

猿辅导 四面 offer sp

拼多多面经(远程)

一面(40min)

1.自我介绍，实习项目介绍

2.一道SQL题(忘记了，后续会给出自己整理的拼多多SQL面试题)

3.费米问题:估计上海市每年航班次数

4.指标构建问题:对于电商用户购物流程中，需要哪些指标

5.如何做留存分析

6.说下对数据分析的看法

二面(40min)

1.自我介绍

2.说下AB实验有哪些需要注意的原理

3.在MapReduce中如何实现group by,用Python实现

4.两道SQL

Bigo面经(远程)

一面(10min)

1.如果微信朋友圈的DAU下降了，该怎么分析

2.说下对数据分析的看法

二面(40min)

Bigo二面就是考察一个数据分析的完整流程

给一个指标(QQ头像框框佩戴渗透率)

1.如何设计埋点

2.一道SQL

3.如果这个指标下降了该怎么分析？

4.导致这个指标下降的原因有哪些，如何分析？

斗鱼面经:

趣店面经

1.简历面:

实习具体的业务，怎么做badcase挖掘的，原理，业务

MapReduce原理，AB实验如何处理多个实验并行的情况

AB实验case:

如何分析的，然后就是各种互动，总体而言就是聊项目，针对项目提相关知识点

2.组长面

如何分析电商销售额

3.HR面

常规问题，这里就不赘述了

猿辅导面经

感觉猿辅导面试问题比我之前面试加起来还多...

一面(40min)

1.LR损失函数是什么?怎么来的?为什么这样?

我回答假设Y服从二项分布下用极大似然推导的,他就问为什么要用极大似然

我从极大似然概念和指数分布族(LR,线性回归,Softmax)算法解释了

2.SQL

User_id,subject_id,score

(1)求每个学科下的学生平均分数

(2)求每个学科下最高分数的学生

3.贝叶斯公式和三扇门的问题

4.数据库索引有哪些类型？建过什么索引

5.Linux-如何查看一个文件的总行数

6.正则表达式-如何匹配13位电话号码

7.AB实验:如何处理多个实验并行的情况

答:正交试验

8.解释下正交试验原理

9.ABTest的原理和流程

二面(1h)

自我介绍

1.简历相关 怎么量化用户体验的,说说我的贡献在哪里

2.XgBoost的原理,与GBDT的区别

3.GBDT是否是贪心算法

4.怎么处理过拟合

5.不同班级数学成绩排名前五的学生信息SQL,rank和dense_rank的区别

6.Hive或者Python实现 一个数据处理问题 我选的Python

7.新的商品详情页上线，灰度20%，设计何种指标反映上线后的效果，如何检验效果的显著性

8.如果分成10个群体，检验群体之间的广告点击率的差异，用什么统计方法

答方差分析,然后问方差分析的原理

8.各种检验的条件和应用场景(z,t,卡方,f)

9.说说你了解的随机变量分布(分离散和连续)

10.解释下EM算法

11.假设检验的流程 ABTest用什么检验

12.圆内选择三个点，这三个点组成的三角形是锐角三角形的概率

13.矩估计和极大似然估计的区别和联系是什么

14.二项分布与泊松分布的联系

三面(40min)

1.SQL题:已知user_id,dt,class_id,求1001~1010之间每天都做新题的人数

2.一块圆形蛋糕，蛋糕边缘有一个点，从原点出发切2刀，蛋糕分成2个扇形，求包含点的一块蛋糕的面积的期望

3.非参数检验与参数检验的区别

4.如何比较两个分布之间的差异?答ks检验 然后问前提条件是什么

5.说说知道的随机变量分布

6.泊松分布 举个例子

7.篮球投篮满足泊松分布吗?为什么?

四面-总监面(30min)

1.介绍下实习做了哪些事,介绍下自己接触的业务

2.报表指标是怎么确定的,有哪些维度?

3.计算指标有什么约束吗?我一脸懵逼,说了平时取数的几个SQLwhere条件。。。。

4.有什么问题要问他的?

5.什么时候能来实习

面试完后也分析了下面试失败的原因:

1.对于Bigo,其实考察得挺专业的，就是数据分析接到一个需求的分析流程，从怎么设计埋点到SQL提取数据，到分析维度，最后是找到具体的原因，怎么验证。

这次面试失败，我是心服口服的，因为实习期间确实没有做过深入的数据分析，再就是自己的逻辑分析思维，表达能力都一般。

2.对于拼多多，我一直都不服，因为题目基本都回答上了，只能说竞争大，后期HC少了吧。

这里有个忠告，就是能线下面试就不走线上，线上流程太慢了。我面完拼多多二面，都耗了半个月了，期间等结果很焦虑。而且因为准备面试，都没怎么跑宣讲，也错过很多公司的投递时间。但是线下很多都是一天走完流程的。

3.对于斗鱼，我认为就是经验不符吧，他们需要有运营经验的，面试过程没有太多专业技能考察，就是了解了下基本情况。面试官看我简历写了数据挖掘比赛，算法，Hadoop等偏技术的知识点，就问我实习偏挖掘还是分析...

所以早点确定方向很重要：

对于业务分析，可以投数据分析，数据运营，数据产品职位。以SQL+场景分析+产品运营思维+逻辑表达+对口的实习经验为主。其实不需要怎么学Python，机器学习，我有的同学专注业务分析，简历没写机器学习，同样可以拿到大厂offer。

对于偏技术类的，可以投数据分析(带工程师title),数据研发(数据仓库)。这点其实很尴尬，对于有些数据分析而言，其实你说有技术吧，确实会用到Python，机器学习,Hadoop,Spark等知识，但是比起开发和算法，真的小巫见大巫了，核心还是业务。例如我实习期间，也会用Python写MR代码，但是只涉及到日志解析，指标计算，统计等，这些其实和SQL用途是一样的，包括后来在绿盟实习，用Spark也差不多，写Spark SQL，未涉及到大数据平台级开发。

总之就是经验太少，见得太少，对于数据分析，我还未有明确的职业规划。但是也认识到，不管做什么，要做好都不简单，专注一点，踏实沉淀就能有所收获。

三.数据分析面试知识体系

数据分析范围很广，不同类型公司面试风格迥异。我将数据分析面试情况分为以下几种类型:

1.算法型:代表-腾讯

腾讯数据分析投录比好像是几十比一，看面经，和算法岗无异，除了机器学习，像深度学习，数据结构，大数据计算框架等纯技术知识也会考到。

2.标准型:代表-拼多多，滴滴，京东，携程，猿辅导,Bigo，顺丰，ov等,这类理论和业务都会考，但是原理偏统计专业。

面向数学统计专业，统计学，概率论，SQL，常用机器学习，业务场景题，偶尔会碰到手写基础的Python代码(比如简单的斐波那契，排序算法等)。

3.业务型:代表-字节，斗鱼

字节的数据分析是产品序列，主要是SQL+业务场景分析，偏产品。

斗鱼数据分析，偏运营。

4.聊天型：以项目介绍，了解基础情况为主

5.未知型:阿里，百度

百度数据分析是算法岗入口，也就是按算法标准招，进去做数据分析，例如我实习的部门数据挖掘和数据分析技术栈是一样的...

阿里面经太少，有的是纯业务，有的却偏技术。

总而言之，有些岗位title是研发，算法的也可能会从事类似数分的工作。

四.统计知识(AB实验)

统计知识例如常见分布，T,F检验，方差分析等可以按照应统考研来准备。AB实验原理如下

五.SQL面试题整理

关于SQL准备，我认为可以分为两个阶段

1.基础语法,可以去牛客和leetcode练习

牛客是免费的，但是题目比较杂，且刷题体验不好。

leetcode付费，但是刷题体验比牛客好

2.面向面试的进阶，面试题往往是基于业务中面临的具体问题，多考察窗口函数，比这些刷题网站要难，具体可参考我面试整理的SQL题

六.业务场景

这个我经验不多

七.其他

最后就是机器学习算法+概率题部分了。

对于机器学习，如果以前是学算法的，那么肯定看过西瓜书和李航的统计学习方法，对于数分的机器学习面试，是比较简单的。

如果以前没学过，我认为可以不用花时间学，有兴趣可以看看，作为知识储备，简历上不用写。但是自己要在分析思维上有优势，再加上实习经验丰富，拿到高薪大厂offer不是梦。

概率题就多看看牛客上的面经，多复习下概率基础。