面试数据分析师看重哪些方面?

1. 面试数据分析师看重哪些方面?

1、考察对数据的敏感度
面试的时候，数据部门经理问一些生活中的数据的问题，一个优秀的数据分析师对数据有很强的敏感度，生活中常见的数据，你直观的感受往往能反应出你的资质。
2、数学基本概念和统计学方法
遇到的有排列组合的问题的，还有指数衰减的定义等等。或者直接给一个问题或者数据，问问你打算用什么样的方法怎样去分析。在给你数据的时候，一定要记得说数据预处理!这一点非常重要，这样会让人觉得你的回答逻辑清楚，有条有理。如果想从事与数据科学相关的岗位，需要学习的数据知识可以参考成都加米谷大数据培训机构的：想从事数据科学相关岗位，这些数学基础“必备”。
3、编程能力
你一定要有自己熟练的软件，常问的问题是，你一般用excel干什么，常用的函数有哪些，你是否用过数据透视表，是够用过宏，你平时多久用一次R，你是否用过或了解过并行等等关于软件的问题。在面试小公司时，HR会可能直接给你一个数据进行数据分析，题目一般给的都不太难。

2. 数据分析师常见的面试问题

 关于数据分析师常见的面试问题集锦
                    　　1、你处理过的最大的数据量?你是如何处理他们的?处理的结果。
    
  　　2、告诉我二个分析或者计算机科学相关项目?你是如何对其结果进行衡量的?
  　　3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则?
  　　4、什么是：协同过滤、n-grams, map reduce、余弦距离?
  　　5、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库?
  　　6、如何设计一个解决抄袭的方案?
  　　7、如何检验一个个人支付账户都多个人使用?
  　　8、点击流数据应该是实时处理?为什么?哪部分应该实时处理?
  　　9、你认为哪个更好：是好的数据还是好模型?同时你是如何定义“好”?存在所有情况下通用的模型吗?有你没有知道一些模型的定义并不是那么好?
  　　10、什么是概率合并(aka模糊融合)?使用sql处理还是其它语言方便?对于处理半结构化的数据你会选择使用哪种语言?
  　　11、你是如何处理缺少数据的?你推荐使用什么样的处理技术?
  　　12、你最喜欢的编程语言是什么?为什么?
  　　13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。
  　　14、sas, r, python, perl语言的区别是?
  　　15、什么是大数据的诅咒?
  　　16、你参与过数据库与数据模型的设计吗?
  　　17、你是否参与过仪表盘的设计及指标选择?你对于商业智能和报表工具有什么想法?
  　　18、你喜欢td数据库的什么特征?
  　　19、如何你打算发100万的营销活动邮件。你怎么去优化发送?你怎么优化反应率?能把这二个优化份开吗?
  　　20、如果有几个客户查询oracle数据库的效率很低。为什么?你做什么可以提高速度10倍以上，同时可以更好处理大数量输出?
  　　21、如何把非结构化的数据转换成结构化的数据?这是否真的有必要做这样的转换?把数据存成平面文本文件是否比存成关系数据库更好?
  　　22、什么是哈希表碰撞攻击?怎么避免?发生的频率是多少?
  　　23、如何判别mapreduce过程有好的负载均衡?什么是负载均衡?
  　　24、请举例说明mapreduce是如何工作的?在什么应用场景下工作的很好?云的安全问题有哪些?
  　　25、(在内存满足的情况下)你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说?对于数据库分析的评价?
  　　26、为什么朴素贝叶斯差?你如何使用朴素贝叶斯来改进爬虫检验算法?
  　　27、你处理过白名单吗?主要的规则?(在欺诈或者爬行检验的情况下)
  　　28、什么是星型模型?什么是查询表?
  　　29、你可以使用excel建立逻辑回归模型吗?如何可以，说明一下建立过程?
  　　30、在sql, perl, c++, python等编程过程上，待为了提升速度优化过相关代码或者算法吗?如何及提升多少?
  　　31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案?取决于什么内容?
  　　32、定义：qa(质量保障)、六西格玛、实验设计。好的与坏的实验设计能否举个案例?
  　　33、普通线性回归模型的缺陷是什么?你知道的其它回归模型吗?
  　　34、你认为叶数小于50的决策树是否比大的好?为什么?
  　　35、保险精算是否是统计学的一个分支?如果不是，为何如何?
  　　36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。
  　　37、为什么说均方误差不是一个衡量模型的好指标?你建议用哪个指标替代?
  　　38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比?你对a/b测试熟吗?
  　　39、什么是敏感性分析?拥有更低的敏感性(也就是说更好的强壮性)和低的预测能力还是正好相反好?你如何使用交叉验证?你对于在数据集中插入噪声数据从而来检验模型的.敏感性的想法如何看?
  　　40、对于一下逻辑回归、决策树、神经网络。在过去XX年中这些技术做了哪些大的改进?
  　　41、除了主成分分析外你还使用其它数据降维技术吗?你怎么想逐步回归?你熟悉的逐步回归技术有哪些?什么时候完整的数据要比降维的数据或者样本好?
  　　42、你如何建议一个非参数置信区间?
  　　43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率?
  　　44、什么是归因分析?如何识别归因与相关系数?举例。
  　　45、如何定义与衡量一个指标的预测能力?
  　　46、如何为欺诈检验得分技术发现最好的规则集?你如何处理规则冗余、规则发现和二者的本质问题?一个规则集的近似解决方案是否可行?如何寻找一个可行的近似方案?你如何决定这个解决方案足够好从而可以停止寻找另一个更好的?
  　　47、如何创建一个关键字分类?
  　　48、什么是僵尸网络?如何进行检测?
  　　49、你有使用过api接口的经验吗?什么样的api?是谷歌还是亚马逊还是软件即时服务?
  　　50、什么时候自己编号代码比使用数据科学者开发好的软件包更好?
  　　51、可视化使用什么工具?在作图方面，你如何评价tableau?r?sas?在一个图中有效展现五个维度?
  　　52、什么是概念验证?
  　　53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/it部门的人?有咨询经验吗?与供应商打过交道，包括供应商选择与测试。
  　　54、你熟悉软件生命周期吗?及it项目的生命周期，从收入需求到项目维护?
  　　55、什么是cron任务?
  　　56、你是一个独身的编码人员?还是一个开发人员?或者是一个设计人员?
  　　57、是假阳性好还是假阴性好?
  　　58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗?分别给案例。
  　　59、zillow’s算法是如何工作的?
  　　60、如何检验为了不好的目的还进行的虚假评论或者虚假的fb帐户?
  　　61、你如何创建一个新的匿名数字帐户?
  　　62、你有没有想过自己创业?是什么样的想法?
  　　63、你认为帐号与密码输入的登录框会消失吗?它将会被什么替代?
  　　64、你用过时间序列模型吗?时滞的相关性?相关图?光谱分析?信号处理与过滤技术?在什么样的场景下?
  　　65、哪位数据科学有你最佩服?从哪开始?
  　　66、你是怎么开始对数据科学感兴趣的?
  　　67、什么是效率曲线?他们的缺陷是什么，你如何克服这些缺陷?
  　　68、什么是推荐引擎?它是如何工作的?
  　　69、什么是精密测试?如何及什么时候模拟可以帮忙我们不使用精密测试?
  　　70、你认为怎么才能成为一个好的数据科学家?
  　　71、你认为数据科学家是一个艺术家还是科学家?
  　　72、什么是一个好的、快速的聚类算法的的计算复杂度?什么好的聚类算法?你怎么决定一个聚类的聚数?
  　　73、给出一些在数据科学中“最佳实践的案例”。
  　　74、什么让一个图形使人产生误解、很难去读懂或者解释?一个有用的图形的特征?
  　　75、你知道使用在统计或者计算科学中的“经验法则”吗?或者在商业分析中。
  　　76、你觉得下一个20年最好的5个预测方法是?
  　　77、你怎么马上就知道在一篇文章中(比如报纸)发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息?例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想?怎样可以让这些数据更加准确?
   ;

3. 关于数据分析师的一个面试题。

是选19次，每次一个数字，数字是可以重复的，那么你的答案是对的
可能是对题目本身的理解你和考官不一致

4. 数据分析师面试常见问题有哪些?

1、如何理解过拟合?
过拟合和欠拟合一样，都是数据挖掘的基本概念。过拟合指的就是数据训练得太好，在实际的测试环境中可能会产生错误，所以适当的剪枝对数据挖掘算法来说也是很重要的。
欠拟合则是指机器学习得不充分，数据样本太少，不足以让机器形成自我认知。
2、为什么说朴素贝叶斯是“朴素”的?
朴素贝叶斯是一种简单但极为强大的预测建模算法。之所以称为朴素贝叶斯，是因为它假设每个输入变量是独立的。这是一个强硬的假设，实际情况并不一定，但是这项技术对于绝大部分的复杂问题仍然非常有效。
3、SVM 最重要的思想是什么?
SVM 计算的过程就是帮我们找到超平面的过程，它有个核心的概念叫：分类间隔。SVM 的目标就是找出所有分类间隔中最大的那个值对应的超平面。在数学上，这是一个凸优化问题。同样我们根据数据是否线性可分，把 SVM 分成硬间隔 SVM、软间隔 SVM 和非线性 SVM。
4、K-Means 和 KNN 算法的区别是什么?
首先，这两个算法解决的是数据挖掘中的两类问题。K-Means 是聚类算法，KNN 是分类算法。其次，这两个算法分别是两种不同的学习方式。K-Means 是非监督学习，也就是不需要事先给出分类标签，而 KNN 是有监督学习，需要我们给出训练数据的分类标识。最后，K 值的含义不同。K-Means 中的 K 值代表 K 类。KNN 中的 K 值代表 K 个最接近的邻居。

5. 怎么面试数据分析师?

1、考察对数据的敏感度
面试的时候，数据部门经理问一些生活中的数据的问题，一个优秀的数据分析师对数据有很强的敏感度，生活中常见的数据，你直观的感受往往能反应出你的资质。
2、数学基本概念和统计学方法
遇到的有排列组合的问题的，还有指数衰减的定义等等。或者直接给一个问题或者数据，问问你打算用什么样的方法怎样去分析。在给你数据的时候，一定要记得说数据预处理。这一点非常重要，这样会让人觉得你的回答逻辑清楚，有条有理。如果想从事与数据科学相关的岗位，需要学习的数据知识可以参考成都加米谷大数据培训机构的：想从事数据科学相关岗位，这些数学基础“必备”。
3、编程能力
你一定要有自己熟练的软件，常问的问题是，你一般用excel干什么，常用的函数有哪些?你是否用过数据透视表?是够用过宏?你平时多久用一次R，你是否用过或了解过并行，等等关于软件的问题。在面试小公司时，HR会可能直接给你一个数据进行数据分析，题目一般给的都不太难。

6. 优秀数据分析师是怎样的?

1、业务至上
不会把什么方法、什么工具挂在嘴边，首先想到的是你的业务模式是什么?你想解决什么业务问题?
2、用数据说话
觉得、以为、估计，大概、可能、也许这些词说的越来越少，业务好不好、产品好不好、活动好不好，用数据说话!
3、对数据负责
开发TMD又搞错了，产品里面点又漏了…这些都不能当作理由了，自己的数据自己负责，会经常全面、多纬度的校验自己的数据。
4、备注要清楚
数据来源是什么，数据的定义是什么，数据的时间范围是什么，喜欢开始各种备注，会站在看报告的人角度，把看报告的人当小白。
5、保持好奇心
好奇心，与生俱来，但时间长、资历老了，很容易被磨灭，我知道、我以为我知道，其实不一定;保持一颗好奇心，扩宽自己的视野，刷新自己的技能，不断拓展你的边界。
6、有备而来
在正式开讲、分享自己的分析报告之前要先做个彻底的熟悉，逻辑、数据、结论和讲的方式来回梳理个几次，心理面默默的Review几次，不会初当初生牛犊不怕虎、一问问题就懵逼不知道回去查一查分析分析。。。不打无准备的仗。
7、 渴望分享
熬夜啃书、闷头项目的方式一去不复返，不再自闭门造车，非常十分的渴望把自己的成果分享给大家，与人交流、拓展自己的思维。
8、不可攻击他人
如1所言，越来越重视业务、越来越看轻技术，不会因为别人使用的是SQL、Excel这些工具就随意攻击他们，因为解决问题才是王道，有时候可能越简单的方式越是有效的，怀着一种平和的心态，海纳百川，有容乃大。

7. 优秀的数据分析师有哪些特点?

1、业务至上
不会把什么方法、什么工具挂在嘴边，首先想到的是你的业务模式是什么?你想解决什么业务问题?
2、用数据说话
觉得、以为、估计，大概、可能、也许这些词说的越来越少，业务好不好、产品好不好、活动好不好，用数据说话!
3、对数据负责
开发TMD又搞错了，产品里面点又漏了…这些都不能当作理由了，自己的数据自己负责，会经常全面、多纬度的校验自己的数据。
4、备注要清楚
数据来源是什么，数据的定义是什么，数据的时间范围是什么，喜欢开始各种备注，会站在看报告的人角度，把看报告的人当小白。
5、保持好奇心
好奇心，与生俱来，但时间长、资历老了，很容易被磨灭，我知道、我以为我知道，其实不一定;保持一颗好奇心，扩宽自己的视野，刷新自己的技能，不断拓展你的边界。

8. 面试数据分析师的常见问题

面试数据分析师的常见问题。数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。那么在应聘数据分析师这一职位的求职者会面临哪些面试问题呢？
  
　　1、告诉我二个分析或者计算机科学相关项目？你是如何对其结果进行衡量的？
　　2、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？
　　3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则？
　　4、什么是：协同过滤、n-grams, map reduce、余弦距离？
　　5、点击流数据应该是实时处理？为什么？哪部分应该实时处理？
　　6、如何设计一个解决抄袭的方案？
　　7、如何检验一个个人支付账户都多个人使用？
　　8、什么是概率合并(AKA模糊融合)？使用SQL处理还是其它语言方便？对于处理半结构化的数据你会选择使用哪种语言？
　　9、你认为哪个更好：是好的数据还是好模型？同时你是如何定义“好”？存在所有情况下通用的模型吗？有你没有知道一些模型的定义并不是那么好？
　　10、你最喜欢的编程语言是什么？为什么？
　　11、你是如何处理缺少数据的？你推荐使用什么样的处理技术？
　　12、什么是大数据的诅咒？
　　13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。
　　14、SAS, R, Python, Perl语言的区别是？
　　15、你喜欢TD数据库的什么特征？
　　16、你参与过数据库与数据模型的设计吗？
　　17、你是否参与过仪表盘的设计及指标选择？你对于商业智能和报表工具有什么想法？
　　18、请举例说明mapreduce是如何工作的？在什么应用场景下工作的很好？云的安全问题有哪些？
　　19、如何你打算发100万的营销活动邮件。你怎么去优化发送？你怎么优化反应率？能把这二个优化份开吗？
　　20、如果有几个客户查询ORACLE数据库的效率很低。为什么？你做什么可以提高速度10倍以上，同时可以更好处理大数量输出？
　　21、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？
　　22、什么是哈希表碰撞攻击？怎么避免？发生的频率是多少？
　　23、如何判别mapreduce过程有好的负载均衡？什么是负载均衡？
　　24、你处理过白名单吗？主要的规则？(在欺诈或者爬行检验的情况下)
　　25、(在内存满足的情况下)你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说？对于数据库分析的评价？
　　26、为什么朴素贝叶斯差？你如何使用朴素贝叶斯来改进爬虫检验算法？
　　27、普通线性回归模型的缺陷是什么？你知道的其它回归模型吗？
　　28、什么是星型模型？什么是查询表？
　　29、你可以使用excel建立逻辑回归模型吗？如何可以，说明一下建立过程？
　　30、在SQL, Perl, C++, Python等编程过程上，待为了提升速度优化过相关代码或者算法吗？如何及提升多少？
　　31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案？取决于什么内容？
　　32、定义：QA(质量保障)、六西格玛、实验设计。好的与坏的实验设计能否举个案例？
　　33、什么是敏感性分析？拥有更低的敏感性(也就是说更好的强壮性)和低的预测能力还是正好相反好？你如何使用交叉验证？你对于在数据集中插入噪声数据从而来检验模型的敏感性的想法如何看？
　　34、你认为叶数小于50的决策树是否比大的好？为什么？
　　35、保险精算是否是统计学的一个分支？如果不是，为何如何？
　　36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。
　　37、你如何建议一个非参数置信区间？
　　38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比？你对A/B测试熟吗？
　　39、为什么说均方误差不是一个衡量模型的好指标？你建议用哪个指标替代？
　　40、对于一下逻辑回归、决策树、神经网络。在过去15年中这些技术做了哪些大的改进？
　　41、除了主成分分析外你还使用其它数据降维技术吗？你怎么想逐步回归？你熟悉的逐步回归技术有哪些？什么时候完整的数据要比降维的数据或者样本好？
　　42、如何创建一个关键字分类？
　　43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率？
　　44、什么是归因分析？如何识别归因与相关系数？举例。
　　45、如何定义与衡量一个指标的预测能力？
　　46、如何为欺诈检验得分技术发现最好的规则集？你如何处理规则冗余、规则发现和二者的本质问题？一个规则集的近似解决方案是否可行？如何寻找一个可行的近似方案？你如何决定这个解决方案足够好从而可以停止寻找另一个更好的？
　　47、什么是概念验证？
　　48、什么是僵尸网络？如何进行检测？
　　49、你有使用过API接口的经验吗？什么样的API？是谷歌还是亚马逊还是软件即时服务？
　　50、什么时候自己编号代码比使用数据科学者开发好的软件包更好？
　　51、可视化使用什么工具？在作图方面，你如何评价Tableau？R？SAS？在一个图中有效展现五个维度？
　　52、是假阳性好还是假阴性好？
　　53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/IT部门的人？有咨询经验吗？与供应商打过交道，包括供应商选择与测试。
　　54、你熟悉软件生命周期吗？及IT项目的生命周期，从收入需求到项目维护？
　　55、什么是cron任务？
　　56、你是一个独身的编码人员？还是一个开发人员？或者是一个设计人员？
　　57、什么让一个图形使人产生误解、很难去读懂或者解释？一个有用的图形的特征？
　　58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗？分别给案例。
　　59、Zillow’s算法是如何工作的？
　　60、如何检验为了不好的目的还进行的虚假评论或者虚假的FB帐户？
　　61、你如何创建一个新的匿名数字帐户？
　　62、你有没有想过自己创业？是什么样的想法？
　　63、你认为帐号与密码输入的登录框会消失吗？它将会被什么替代？
　　64、你用过时间序列模型吗？时滞的相关性？相关图？光谱分析？信号处理与过滤技术？在什么样的场景下？
　　65、哪位数据科学有你最佩服？从哪开始？
　　66、你是怎么开始对数据科学感兴趣的？
　　67、你觉得下一个20年最好的5个预测方法是？
　　68、什么是推荐引擎？它是如何工作的？
　　69、什么是精密测试？如何及什么时候模拟可以帮忙我们不使用精密测试？
　　70、你认为怎么才能成为一个好的数据科学家？
　　71、你认为数据科学家是一个艺术家还是科学家？
　　72、你怎么马上就知道在一篇文章中(比如报纸)发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息？例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想？怎样可以让这些数据更加准确？
　　73、给出一些在数据科学中“最佳实践的案例”。
　　74、什么是效率曲线？他们的缺陷是什么，你如何克服这些缺陷？
　　75、你处理过的最大的数据量？你是如何处理他们的？处理的结果。
　　76、什么是一个好的、快速的聚类算法的的计算复杂度？什么好的聚类算法？你怎么决定一个聚类的聚数？
　　77、你知道使用在统计或者计算科学中的“经验法则”吗？或者在商业分析中。
   上述的这些问题在面试数据分析师的求职者中非常容易遇到的，有些的涉及到专业性的问题，因此在面试之前一定要做好充足的准备！