华体会登录口:大数据分析师的招聘条件?

   刊发时间:2022-06-19 13:09:00   来源:华体会网站链接 作者:华体会电竞官网入口

  数据科学家有数学或物理方面的高等学位。有博士学位的情况并不少见,硕士学位仅是一个前提条件。数据科学家精通统计建模以及如何构建与定制高级数学算法。这既在他们专业范围内,也是他们所擅长的地方。我听到过有人这样形容一个数据科学家“软件工程技能牛过多数人的酷炫统计学家”。但是,当你问这些数据科学家怎么会从事这个职业时,途径是多种多样的。这是一个相对较新的职位,因而我们也无法根据时间历史来追踪一个数据科学家专业技能是如何进步的。数据科学家和数据工程师的定义有点相互重叠。

  除了研究先进算法,数据科学家对AB测试亲力亲为并且拥有博学的多变量测试和实验设计知识。一个专业能力非常强的数据科学家能在模型建成后对其进行改进和改制,而能力鹤立鸡群的数据科学家则能根据你的商业问题定制合适模型。

  要有独立从各种各样的地方把数据化为己用的能力。可能会用到的:参考:性感之外,数据科学家需要的三大核心技能-36大数据

  Programming:比如用Python for parsing/scraping data。如果既会一门scripting language,又会一门compiled/object oriented language,会是优势。主要是用来处理unstructured数据

  Hadoop/parallel processing:你处理的数据可能太大(比如超市过去半年的购物记录、信用卡公司两年内的刷卡记录)无法一次性装入内存,而你需要对数据进行快速的分析,这就需要MapReduce等技术。

  这其中,SQL和Programming是最基本的,你必须会用sql查询数据、会快速写程序分析数据。当然,你的编程技术也不需要达到软件工程师的水平,因为你写的code大多数只是一次性的、不会被复用,而且也只会被你或者个同事使用,并非放在网上让无数人点击,因此对程序质量要求不高。

  Exploratory analysis skills,可以使用python、R、matlab等各种工具,IT公司用SAS和SPSS相对较少,尽管有些job ads/descriptions里提到了,当然也不是完全不可以。但是如果你只会SAS,那么选择无疑要少很多。

  Optimization、Simulation:有些职位需要研究顾客需求变化,调整产品或者服务价格,来帮助公司最大化盈利

  Machine Learning、Data Mining:比如有人用数据挖掘技术,发现很多人在超市里买尿布的同时,也买了啤酒 – 现在还没理解为啥,但是也许尿布和啤酒应该放一起卖;另外比如手机广告的精准投放。

  Modeling:你需要理解不同的统计模型有什么应用范围、有什么限制和特长,我在第一部分里提到的descriptive、predictive、prescriptive三个场景也是浅显的例子

  你不光要理解what users say they want,你还需要真正的理解what they actually mean、转化定义出一个可以用数据解决的问题,然后选择正确的分析工具,量化分析和解决问题。

  数据科学家会跟公司的很多不同部门的人打交道,会比码农跟更有机会见到高层或者是 business领域的人。如果你希望接触像市场营销这样的部门,希望跟上级领导多多打交道,那你需要有较强的交流能力。你需要知道区分什么是问题本质、什么是技术细节,要有能力给上层领导讲high level的分析和推荐,有能力给同事讲解和defend你的技术细节,也就是”见什么人说什么话”,这不是说要你油滑,而是说要知道什么时候需要隐藏技术细节,而只展现跟听众最相关的信息。

  你很可能要经常做presentation,需要很强的visualization的能力,熟悉Edward Tufte和Nathan Yau的东西,会很有帮助。另外,也许你很喜欢高深的方法,觉得你懂你NB,但是一切的解决方案,都要从产生business revenue的角度来考虑是否合理。

  你也可能需要跟software development team合作,需要讲清楚需要他们实现什么、需要告诉他们什么地方需要改进。

  至于你所从事行业的domain knowledge ,懂最好,不懂也不必强求,某知名公司的VP 曾经跟我说,他这个行业的特有知识,3个月内可以学会,但是数据分析能力,可不是三个月就能学出来的,并且不同行业背后的数据分析能力是普适的。

  “所谓数据科学家,是指运用统计分析、机器学习、分布式处理等技术,从大量数据中提取出对业务有意义的信息,以易懂的形式传达给决策者,并创造出新的数据运用服务的人才。”

  一般来说,数据科学家大多要求具备编程、计算机科学相关的专业背景。简单来说,就是对处理大数据所必需的Hadoop、Mahout等大规模并行处理技术与机器学习相关的技能。

  除了数学、统计方面的素养之外,还需要具备使用SPSS、SAS等主流统计分析软件的技能。其中,面向统计分析的开源编程语言及其运行环境R最近备受瞩目。R的强项不仅在于其包含了丰富的统计分析库,而且具备将结果进行可视化的高品质图表生成功能,并可以通过简单的命令来运行。此外,它还具备称为CRAN(TheComprehensiveRArchiveNetwork)的包扩展机制,通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。

  信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义进行分析,开发Web原型,使用外部API将图表、地图、Dashboard等其他服务统一起来,从而使分析结果可视化,这是对于数据科学家来说十分重要的技能之一。

  将数据与设计相结合,让晦涩难懂的信息以易懂的形式进行图形化展现的信息图(Infographics)最近正受到越来越多的关注,这也是数据可视化的手法之一。

  作为参考,下面节选了Facebook和Twitter的数据科学家招聘启事。对于现实中的企业需要怎样的技能,这则启事应该可以为大家提供一些更实际的体会。

  即便从大数据中得到了有用的信息,但如果无法将其在业务上实现的话,其价值就会大打折扣。为此,面对缺乏数据分析知识的业务部门员工以及经营管理层,将数据分析的结果有效传达给他们的能力是非常重要的。

  以世界上尚不存在的数据为中心创造新型服务的创业精神,也是数据科学家所必需的一个重要素质。Google、Amazon、Facebook等通过数据催生出新型服务的企业,都是通过对庞大的数据到底能创造出怎样的服务进行艰苦的探索才获得成功的。

  庞大的数据背后到底隐藏着什么,要找出答案需要很强的好奇心。除此之外,成功的数据科学家都有一个共同点,即并非局限于艺术、技术、医疗、自然科学等特定领域,而是对各个领域都拥有旺盛的好奇心。通过对不同领域数据的整合和分析,就有可能发现以前从未发现过的有价值的观点。

  美国的数据科学家大多拥有丰富的从业经历,如实验物理学家、计算机化学家、海洋学家,甚至是神经外科医生等。也许有人认为这是人才流动性高的美国所特有的现象,但其实正如我们在第4章中所介绍的GREE一样,在日本也出现了一些积极招募不同职业背景人才的企业,这样的局面距离我们已经不再遥远。

  那么,如果我只是一名IT丝,如何成为数据科学家呢? 参考:励志篇:IT丝如何成为数据科学家?-36大数据

  根据麦肯锡报告,仅仅在美国市场,2018年大数据人才和高级分析专家的人才缺口将高达19万。此外美国企业还需要150万位能够提出正确问题、运用大数据分析结果的大数据相关管理人才。

  作为Java开发者,你对软件工程的规则已经了然于心,能够设计软件系统执行复杂任务。数据科学正是关于开发“数据产品”的一门科学,主要是基于数据和算法的软件系统。

  对于Java程序员来说,第一步需要了解机器学习的各种算法:现在有哪些算法,都能解决哪些问题以及如何实现。另外还需要学习使用R和Matlab等建模工具,此外WEKA、Vowpal Wabbit和OpenNLP等库也为大多数常见算法提供了经过验证的实现方法。如果你还不太熟悉Hadoop,学习map-reduce、Pig、Hive和Mahout将很有帮助。

  如果你是Python程序员,对软件开发和脚本编写一定很熟悉,也许已经在使用很多数据科学中常见的库例如NumPy和SciPy。

  如果你有统计学或者机器学习的背景,那么你很可能很多年前就开始使用诸如R, Matlab 或 SAS进行回归分析、聚类分析等机器学习相关任务。

  R、Matlab和SAS是很强大的统计分析和可视化工具,对于很多机器学习算法都有很成熟的实现方法。

  但是,这些工具通常被用于做数据勘探和模型开发,很少单独用来开发产品级的数据产品。在开发端到端的数据产品时,大多数情况下,你需要需要同时用到其他软件模块如Java、Python等,并与Hadoop等数据平台整合。

  显然,熟悉一门或者多门现代编程语言,例如Python或Java是你的首要任务。此外,与有经验的数据工程师紧密合作将有助于更好地理解他们开发生产级数据产品所用到的工具和方法。

  如果你的背景是SQL,那么说明你已经跟数据打交道很多年了,你很清楚如何通过数据获取业务分析结果。Hive能让你以你熟悉的SQL语言访问Hadoop上的大数据集,因此是你步入大数据殿堂的首选。

  数据产品通常需要使用SQL无法胜任的高级机器学习和统计,因此对于业务分析师来说,进入数据科学领域的第二个重要步骤就是在理论层面深入了解此类算法(例如推荐引擎、决策树、NLP),并熟悉目前的实现工具如Mahout, WEKA,或Python的 Scikit-learn。

  作为Hadoop开发者,你一定已经了解了大数据集和集群计算的复杂性。你还可能熟悉Pig、Hive、HBase并有丰富的Java经验。

  第一步,你需要深入了解机器学习和统计,以及这些算法面向大数据集的高效实现方法。Mahout是个不错的开始,可以在Hadoop上实现上述很多算法。

  另外一个需要关注的领域是数据清理(data cleanup),很多算法在建模前都会为数据分配基本结构。但不幸的是,现实中数据大多很“脏”,清理这些数据是数据科学中一项很繁重的工作。Hadoop通常是建模前大规模数据清理和预处理的工具选择。

  通向数据科学殿堂之路不可能一帆风顺,你必须学习很多新规则、编程语言,更重要的是还要积累实战经验。这些都需要时间、精力和投入,但最终你会发现一切都物超所值。

  官方账号来答题,大数据分析师对应的是CDA二级大数据分析师考试。他们专注于构建管理数据模型的技术,仔细检查数据,并提供报告和可视化来解释数据隐藏的见解,模型的优化和改进等。他们的技能需求一般有一下几点:解决各种建模问题,搭建模型和大数据之间的桥梁,发现数据背后的特征规律和商业机会;挖掘价值链条,通过数据分析营销手段的有效性,并建立反馈模型; 基于用户行为数据,挖掘用户行为特征,优化相应的推荐算法等。

  为了方便其他数据分析师的借阅,我们也提供整个CDA认证考试体系的具体岗位和技能划分,并参考国内外的对比,希望对你有帮助~

  美国企业与高等教育论坛(BHEF)与普华永道(PWC)近期发布的重要报告也指出“数据分析的人才需求每年都在增长,而每年的高校毕业生数量远远无法满足行业需求。”换言之,现在入行数据分析师恰逢其时。

  而以当前中国数据人才的市场来看,主要分为数据专员(统计员)、数据运营、数据分析师、数据分析工程师、数据挖掘工程师、数据策略师(数据产品经理)、算法工程师等职位岗位,那么数据人才的第一步踏出以后该如何确定自己的职业角色和定位?

  业务分析师对应的CDA一级考试。他们是数据分析师的一个子集,他们更关心的是数据的业务含义和应该导致操作。你能拿到的薪水:业务数据分析师作为入门级的角色,往往是数据科学角色中报酬最少的,月薪一般为5k-15k你需要掌握的知识:理论基础:概率论、统计学理论基础软件要求:必要Excel、SQL;可选SPSS、SAS、R等业务分析能力:熟知业务,能够根据问题业务指标提取公司数据库中相关数据,进行整理、清洗、处理,通过相应数据分析方法,结合软件平台应用完成对数据的分析和报告。结果展现能力:能够形成逻辑清晰的报告,传递分析结果,对实际业务提出建议和策略。

  建模分析师对应的是CDA二级建模分析师考试。他们通常扮演一个数据工程师的角色。主要依靠他们的软件工程经验来处理大规模的大量数据。他们通常专注于编码,清理数据集,以及实施来自数据科学家的请求。他们通常知道从Python到Java的各种各样的编程语言。当有人从数据科学家那里获取预测模型并用代码实现它,你能拿到的薪水:建模分析师作为数据工程师,在数据科学角色中占据着十分重要的地位,月薪一般为15k-25k你需要掌握的知识:理论基础:统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘(DM)软件要求:必要Excel、SQL;可选SPSS MODELER、R、Python、SAS等业务分析能力:Data可以将业务目标转化为数据分析目标;熟悉常用算法和数据结构,熟悉企业数据库构架建设;针对不同分析主体,可以熟练的进行维度分析,能够从海量数据中搜集并提取信息;通过相关数据分析方法,结合一个或多个数据分析软件完成对海量数据的处理和分析。结果展现能力:报告体现数据挖掘的整体流程,层层阐述信息的收集、模型的构建、结果的验证和解读,对行业进行评估,优化和决策。

  大数据分析师对应的是CDA二级大数据分析师考试。他们专注于构建管理数据模型的技术,仔细检查数据,并提供报告和可视化来解释数据隐藏的见解,模型的优化和改进等。你能拿到的薪水:大数据分析师作为架构的搭建者,在编程框架中举足轻重,月薪一般为25k-50k理论基础:统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础软件要求:必要 SQL、Hadoop、HDFS、Mapreduce、Mahout、Hive、Spark;可选R、Hadoop、Hbase、ZooKeeper、Pig等业务分析能力:熟悉hadoop+hive+spark进行大数据分析的架构设计,并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景,根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。结果展现能力:报告能体现大数据分析的优势,能清楚地阐述数据采集、大数据处理过程及最终结果的解读,同时提出模型的优化和改进之处,以利于提升大数据分析的商业价值。

  数据科学家对应的是CDA三级数据分析科学家考试。扮演数据科学家角色的人可能是运用统计学和算法的理论知识找到解决数据科学问题的最佳方法的人,可能是建立一个模型来预测下个月信用卡违约的数量的人……你能拿到的薪水:数据科学家是数据科学的编程与实现,数据科学理论和数据的商业影响之间的桥梁,年薪一般在60W以上。理论基础:统计、大数据、数据挖掘、机器学习和商业智能软件要求:必要Excel、SQL;可选R、Python、SAS、Hadoop等业务分析能力带领数据团队,能够将企业的数据资产进行有效的整合和管理,建立内外部数据的连接;熟悉数据仓库的构造理论,可以指导ETL工程师业务工作;可以面向数据挖掘运用主题构造数据集市;在人和数据之间建立有机联系,面向用户数据创造不同特性的产品和系统;具有数据规划的能力。结果展现能力带领数据团队,能够将企业的数据资产进行有效的整合和管理,建立内外部数据的连接;熟悉数据仓库的构造理论,可以指导ETL工程师业务工作;可以面向数据挖掘运用主题构造数据集市;在人和数据之间建立有机联系,面向用户数据创造不同特性的产品和系统;具有数据规划的能力。

  入职数据分析师,除了掌握理论知识以外,还需要具备基础工具能力,比如常见的SQL、Python、Excel以及可视化工具等,同时需要了解算法,有较强的沟通能力和业务理解能力等,还必须满足对所在行业知识、业务流程等有一定程度的了解。

  1、掌握SQL、Python等代码编写。熟悉常用算法模型,如聚类、关联和分类等,熟练操作Tableau、Excel、R等工具。

  2、基于业务理解,构建完善的业务监测指标体系,规划数据埋点,建立用户画像等,落地可视化BI,有效披露业务进展与风险,保障业务策略落地;通过深入的专题分析,定位业务问题,提出有价值的业务机会或方案,辅助业务决策;

  3、独立承担复杂分析任务,擅于运用各类数据分析技术,实施深度数据诊断,并能沉淀关键分析思路,推动产品化进程;积极进行跨部门沟通与协作,主动推动业务发展和体验改善。

  4、有相关工作经历;统计、数学、计算机本科及以上学历;有丰富的数据分析挖掘经验,并能灵活运用于实践。

  5、有较强的逻辑思考能力,能独立撰写思路清晰的分析报告;较强的商业观察能力和判断能力,能主动推动业务落地。

  其实现在去各大招聘网站上看,除了有很广的数据分析师的招聘需求外,像BAT等大企业的高薪职位里,有60%以上都在招数据型人才,其中不乏市场、产品、运营、财务、人事等岗位,这也意味着,掌握数据分析能力等于多出60%被录用的机会,所以说未来数据型人才是很吃香的。

  现在数据分析已然成为互联网公司不可或缺的岗位之一,同样也是大数据行业的重要岗位。数据分析作为一个这么热门且有前景的行业,有很多的人挤破了头皮想往里钻,那么企业招聘数据分析师的条件是什么呢?下面是来自网易和腾讯招聘大数据分析师的要求,一起来看看吧!

  2、数学、统计、计算机、经济学等相关专业硕士及以上学历,深刻理解并熟练掌握网站数据/业务分析方法;

  3、对数据驱动业务有深入理解,对数据与业务方面有足够的敏感性,有较强的逻辑分析能力和独立思考能力;

  4、具备良好的沟通能力、团队合作精神及抗压能力,能独立高效完成复杂分析项目;

  5、有一定的大数据处理能力,能熟练运用ORACLE/MY SQL/HIVE等获取分析所需数据

  2、3年以上数据库分析、数据挖掘、数据统计等相关工作经验,有互联网行业数据分析/行分析经验者优先;

  我还对比了别的几家数据分析师的招聘条件,总结出来大概提到最多的几点有这些:

  5、有大数据提取处理能力,最少要熟悉hive/oracle/mysql中一种数据库。

  提出业务问题,并且可以用数据去进行解答,保证合理的数据结构,以及与业务之间的联系度,并且保证数据的正确性。

  有能力去独立完成高质量的数据分析报告,如市场活动、产品的规划等,从前期的规划到中期的细节完善再到最后的评价分析的整个过程。

  有能力带领整个团队去解决文图,把控手下数据分析师的工作质量,可以负责子产品级别的项目,能够独当一面,能掌控数据分析的整个过程,对数据的采集、造型、埋点、以及进入仓库的清洗有好的手段,可以解决任何数据能够回答的问题。

  无论选择什么专业,前提都是要打好基础,学习大数据,数学是基础,当然,不同的岗位对数学的掌握程度是不一样的,这里要根据自身的岗位情况而定;

  大数据注重的就是实践操作,想要学好,不光要学会理论基础还要有时间操作能力,所以尽量找一些可以练手的项目,多联系,多积累经验;

  学习大数据,一定要掌握一门编程语言,如果是cs类的学生有可能会对编程不是太够重视,但是想要学会编程语言不是件容易的事情,需要多联系多实践,掌握这些语言,这也是必须项目;

  本公司目前在招聘一些大数据分析师,我们欢迎所有对数据分析感兴趣的人来试试,符合条件的可以投递简历(可培养!!!)投递方式见下方,更多岗位信息关注本公司公众号,欢迎主动与我们联系。(1、签订正式合同、五险一金;2、须大专及以上学历;3、无经验者由项目经理带;4、在京工作一年后要求回当地的工作的,可申请调回当地省会城市的分公司或合作企业工作;5、每日简历投递量非常大,欢迎主动与我们联系!!)

  数据分析师是现在互联网公司必须的岗位之一,也是大数据行业重要的岗位之一,每家公司都有自己的招聘JD,我询问了几位本公司HR招聘大数据分析师会比较关注的点和一些面试环节,下面分享给大家:

  2、数据分析项目,这是最为重要且耗时的面试阶段,询问候选人最近接手的数据分析项目的情况和处理方式;

  3、关于数据分析师的思路,考察候选人对于分析问题的思路是很有必要的。虽然说从不同的人会从不同的角度来看待问题,看的不是结果,主要考察的是思考问题的思路和逻辑;

  大数据分析师的招聘还是有一定条件的,起码要在大数据这个行业有一定的工作经验,这是对于整体的大数据这个行业的一个大的框架必须要进行深刻的理解。其次,要有一定的钻研精神,任何一个高大数据的都需要进行一定程度的将自己封闭起来进行研究,这是一个研究院的基本素质,要耐德住寂寞。

  岗位信息岗位:ATOS-数据分析师薪资:7-12K*13薪工作地点:成都岗位职责1. 根据业务、IT、运营等部门需求提供业务数据和分析报告;2. 熟练掌握数据平台系统数据检索及看板功能;3. 设计并优化数据记录方案,完善数据分析相关文档;4. 和数据团队共建数据公共层和数据模型, 参与review中台/业务系统数据库;5. 调研业务流程与业务逻辑,为产品决策提供数据分析与预警支持;6. 完成客户安排的其它相关工作内容。任职要求1. 本科及以上学历,数学、计算机、统计学等相关专业;2. 2年以上行业数据分析工作经验;3. 熟练掌握SQL以及主流数据库,Excel函数及图表制作;4. 掌握一定的数据分析/建模方法;5. 具备独立思考、分析,沟通能力,能承受一定的工作压力;6. 有较强的团队合作意识及跨部门沟通能力。岗位:易训管理咨询-数据分析师薪资:8-13k工作地点:成都岗位职责1)开展数据分析报告输出工作,依据标准化的数据和挖掘工程师制定的分析方法,输出数据分析报告;2)负责公司数据的清洗、整理、校验及入库管理;3)协助数据挖掘工程师、开发工程师完成数据模型搭建和数据分析建模工作;4)参与数据分析报告优化,负责公司BI平台的建设,运维和培训;5)配合完成大数据中心团队任务及上级领导交给的其他任务。任职要求1)熟悉python、numpy、pandas等基础功能模块;2)熟悉数据库基础知识,掌握SQL;3)熟悉并掌握常用的BI和报表工具;4)逻辑清晰,文字表达准确,对数字敏感,工作细心,有一定的抗压能力;5)具备数据运营或数据分析相关项目经验。

  前路漫漫,小白之路成长起来需要强大的自身,一点点积累,无论是算法、语言的学习或者项目经验。

  numpy,pandas,matplotib,seaborn包的熟练使用,注意,python可以干的事儿太多了,从web开发到算法模型,瞄准你的目标-数据分析,专注学我说的这几个包就可以了

  线性代数:线性代数:矩阵运算,矩阵特征(秩、迹、特征值特征矩阵、相似矩阵、正定矩阵、逆矩阵、非奇异、行列式)、线性相关,向量空间,向量范数,矩阵范数,最小二乘法,最大似然估计

  凸优化:基本概念(凸集合,凸函数,上境图,凸组合,凸包),凸优化(拉格朗日对偶性,对偶问题,KKT条件,拉格朗日乘数法)

  想把所有板块的知识学完再学下一个:错!举个例子,python可以做的事情太多了,你要把python学完再进行下一步么?怎么办?学我说的关键知识点就够了。

  先学技术,在搞分析:错!分析比技术门槛低得多,如果你想转行数据分析,建议从偏分析的数据分析师入手,比如自己写个分析报告作为敲门砖,技术可以在工作后利用下班时间学习。

  做数据分析没有工具,就像剑客没有剑,士兵没有枪一样,常见的工具包括Excel,Sql,SAS,SPSS,Python,R语言。

  对于初级数据分析师,玩转Excel是必须的,数据透视表和公式使用必须熟练,VBA是加分。

  另外,还要学会一个统计分析工具,SPSS作为入门是比较好的。对于高级数据分析师,使用分析工具是核心能力,VBA基本必备,SPSS/SAS/R至少要熟练使用其中之一,其他分析工具(如Matlab)视情况而定。

  对于数据挖掘工程师,嗯,会用用Excel就行了,主要工作要靠写代码来解决呢。

  对于初级数据分析师,企业最常用的千万级别的数据库,熟练掌握SQL语言。会写SQL查询,有需要的话写写Hadoop和Hive查询,基本就OK了。既然SQL学了,那也就学学mysql吧,这是一个存储数据的东西,你说它重不重要呢?

  对于高级数据分析师,除了SQL以外,学习Python是很有必要的,用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。

  对于数据挖掘工程师,Hadoop得熟悉,学习新流行的hadoop之类的分布式数据库来提升个人能力,对求职有帮助。Python/Java/C++至少得熟悉一门,Shell得会用。

  业务理解说是数据分析师所有工作的基础也不为过,数据的获取方案、指标的选取、乃至最终结论的洞察,都依赖于数据分析师对业务本身的理解。

  对于初级数据分析师,主要工作是提取数据和做一些简单图表,以及少量的洞察结论,拥有对业务的基本了解就可以。对于高级数据分析师,需要对业务有较为深入的了解,能够基于数据,提炼出有效观点,对实际业务能有所帮助。

  对于数据挖掘工程师,对业务有基本了解就可以,重点还是需要放在发挥自己的技术能力上。

  理工男都具有的思维。对于初级数据分析师,逻辑思维主要体现在数据分析过程中每一步都有目的性,知道自己需要用什么样的手段,达到什么样的目标。

  对于高级数据分析师,逻辑思维主要体现在搭建完整有效的分析框架,了解分析对象之间的关联关系,清楚每一个指标变化的前因后果,会给业务带来的影响。

  对于数据挖掘工程师,逻辑思维除了体现在和业务相关的分析工作上,还包括算法逻辑,程序逻辑等,所以对逻辑思维的要求也是最高的。

  数据可视化说起来很高大上,其实包括的范围很广,做个PPT里边放上数据图表也可以算是数据可视化,所以我认为这是一项普遍需要的能力。

  对于初级数据分析师,能用Excel和PPT做出基本的图表和报告,能清楚的展示数据,就达到目标了。

  对于高级数据分析师,需要探寻更好的数据可视化方法,使用更有效的数据可视化工具,如可视化工具tableau,可视化工具的鼻祖,对于处理好的数据可作自由的可视化分析,图表效果惊人,根据实际需求做出或简单或复杂,但适合受众观看的数据可视化内容。

  类同Tableau,可在前端做任意维度分析;数据可在前端继续处理(计算、筛选过滤等),可对接hadoop之类的大数据平台,数据处理性能较好。对于数据挖掘工程师,了解一些数据可视化工具是有必要的,也要根据需求做一些复杂的可视化图表,但通常不需要考虑太多美化的问题。

  不是业务,胜似业务!对于初级数据分析师,了解业务、寻找数据、讲解报告,都需要和不同部门的人打交道,因此沟通能力很重要。

  对于高级数据分析师,需要开始独立带项目,或者和产品做一些合作,因此除了沟通能力以外,还需要一些项目协调能力。

  对于数据挖掘工程师,和人沟通技术方面内容偏多,业务方面相对少一些,对沟通协调的要求也相对低一些。

  总共面了将近10个,通过一面的6个,通过二面的只有1个。总结一些经验心得分享出来,希望对新手面试官以及正在找工作的读者有所帮助。

  我站在面试官的角度,说出我碰到候选人存在的问题,这样能反过来看自己面试的时候应该注意哪些点。

  【态度要端正】面过一些有大厂履历的候选人,能力不错,但沟通起来比较费劲。我话还没说完就会被中断,回答问题也是一副不屑的态度。对于这种候选人,我们肯定你的实力,欣赏你的个性,但我们不接受你的态度。

  【小抄】我在电话中听见候选人有翻纸质材料的声音,但不应该以此妄下结论。后续面试中,对于有些常考的问题,候选人刚开始回答支支吾吾,过了一会说得特别详细,到具体的值都能说出来,80% 是对着材料念。当然这不是特别重要,这属于远程面试的一个小技巧,但你得用得娴熟。总体面下来基础不足,仍然过不了。

  【「可能」二字是口头禅】有位候选人,几乎每句话都带上可能,给人的感觉就非常不自信,回答问题不干脆。对于不会的问题,不直接说不会,而是尝试回答,结果说一两句就停了。相反,有位 10 年经验,面试通过的候选人,说话特别干脆,对于熟悉的知识会主动往深了回答,不会的就直接说不会。

  【说算法和 JVM 没用】有位候选人问我,你问了我算法和 JVM,你们公司会用到算法和 JVM 吗?这就让我感觉对方多年工作经验,却没有稍微有点深度的项目,或者没有经历过质量高一些的代码。

  【不准备就来面试】大部分问题回答到一半,最后说有点忘了。问他是不是没准备就来面试,回答说工作太忙,昨晚还在开会,确实没准备。作为面试官,不会因为你没时间准备面试,就给你放点水,没用的,答不出来就是无法通过。

  【改时间不提前通知】约好了准确的面试时间,准时给候选人打电话,却临时改时间,没有提前在招聘软件上告知面试官,给面试官的印象不太好。

  【基础不扎实】如果想进大厂或技术氛围好的公司,大多数都重视基础,即使你对框架等源码很熟,但可能电话面或一面并不考察框架,没有你表现的机会。

  【跳槽频繁】有位候选人处于不上不下的状态,当我老大正在犹豫要不要进入下一面时,看到最近一份工作不满 8 个月,就没给过。另一位 10 年经验的候选人,没有一份工作超过 2 年,好在基础不错,通过了。所以如果你有实力,跳槽多一些影响不太大,如果实力一般,最好在一家公司能多沉淀沉淀。

  【不要居高临下】面试官也只是个打工的,公司也不是你家开的,不能一副高高在上的样子。可以对候选人的能力进行质疑,但别在面试的时候咄咄逼人,不给别人台阶下。面试的时候面试官态度不端正,也会错失一些比较优秀的候选人。

  【时间控制,直入主题】电线 分钟即可。以前刚开始面试的时候没控制好时间,明显基础一般,但知识面比较广,我居然问了 65 分钟,很长一部分时间花在让她讲项目了,实际上电话面考察基础,没必要问项目,所以我现在一面都不问项目了。

  【有针对性地面试】有个候选人大数据基础不错,源码也看,问到最后才发现算法不太会或忘记了,排序都说不上来,因为我们公司对算法有要求,我跟他反馈之后他不给过。所以之后的面试,我上来就问最基础的算法,基础算法不过关,那后续就可以加快些进度结束面试了。

  【不能放水】面试必须严格,如果你放水了,但后续面试表现很不好,这会让你很尴尬,也会让领导对你的面试产生怀疑。

  【基础考察面广一些】避免候选人对某部分内容比较熟悉,但有些基础学科却完全不会,当然这取决于公司对基础知识的要求。

  面试官与我非常温和有耐心地沟通,误以为我通过概率比较大:实际上那只是每个人的说话习惯不一样。面试时自我感觉都回答上来了:每个公司要求不同,即使回答上来了,但回答不熟练也可能不给过,或者有其他候选人比你表现更好。面试官说你面试还可以,跟你说后续面试可能会到现场面:面试官觉得你不错,他给过,但他可能还需要向上级反馈,上级可能因为某一方面不足就把你挂了。

  我自己在外包公司实习过,网上说外包有哪些不好我都深有感受,这里我只针对大部分外包公司,有些公司还是不错的。有些候选人经历的公司不多,但项目很多,每个项目时间较短,并且很多项目所在公司与自己公司不是同一个,问下来确实是外包,谈项目的时候不怎么谈技术点,总是说项目流程上的一些事,很多知识停留在用过但从没深入的阶段。

  一位 5 年经验的候选人,我问他「项目中遇到过最难的问题是什么,怎么解决的」,回答是「刚参与某公司的项目,对某工具不熟悉,通过自学把工具用熟了,体现了我的自学能力」可能有些工具确实难用吧,但毕竟是5年经验了,最好还是从技术角度出发,不然不仅没有体现自学能力,反而会减分。如果进入了外包公司,最好多花点时间自学,然后尽快跳槽,面试时可以问下是否要去驻场开发,简单判断下是不是外包公司。

  以上就是峰哥总结的一些经验,希望对各位小伙伴有所帮助,找到自己心仪的工作。

  这份资料涵盖了Java基础、集合、JVM多线程、Spring、微服务分布式、计算机基础(网络、操作系统)、数据库、大数据等面试知识点,对于Java或大数据岗来说完全够用,大家可以直接拿着它补缺补漏。

 

版权所有: 华体会登录口网站链接_华体会电竞官网入口 

京ICP备05050114号      400-160-1670