今天就之前看到的一个话题“如何看待校招数据分析岗位招聘爆炸难度”写一点想法。内容目录大概几个部分:
你看到的数据分析岗位
参加过校招的朋友说有神仙打架的感觉,数据分析、算法、产品岗位更是如此。数分难度系数可参见下图:
腾讯在投递岗位上算的上一家良心公司,在你投递岗位之前会给你每个岗位的投递录用比。前端、后端、测试开发等方向大概的投递录用比是40:1,其他难一点的大概在90:1,但数据分析岗位的投递录用比就像箱线图中的异常点(很友好的劝退)。听说腾讯这还算好的,某站录用比2000:1~。
我们再来看一下阿里的数据分析岗招聘要求:
从阿里和腾讯的数据分析岗招聘JD来看好像不是很难,工具技能上要求大概是SQL、EXECL等就够了,知识技能要求统计学、机器学习等。
实际呢?实际是技能要求确实不算高,但是架不住投的人多、岗位HC少呀,这样只能优中选优了,所以校招的结果就是,基本上入职大厂数分岗的都有一到两段大厂数据分析实习经历+211/985背景(这里说的是基本上哈)。就这一点看,社招难度相对来说小了很多。
再给大家看一段朋友和某中厂HR的对话,聊天背景大概是朋友很自信的说他可以(985+大厂实习背景),然后HR的回复:
我们该如何应对和准备?
关于投递时间:
首先千万不要相信秋招金9银10这句话,至少对于数据分析岗位来说,很多大厂几乎是提前批人就招满了,所以要在7月-8月之间走公司提前批、学霸批、各种领先计划去投递简历(这里指的是校招)。
关于简历项目:
能实习的最好实习,不能实习的准备几个数据挖掘比赛的开源方案写到简历项目,比如用户购买预测等等。(你熟悉了内容就是自己的了)。
关于技能点:
1、SQL脚本取数
SQL一定要写的非常熟练,最好是熟悉Hive-sql,可参见以下几篇文章:
解一下TMD几道热门数据分析面试题。
做了点SQL题。
2、统计学理论
统计学可分两部分学习,第一部分是描述性统计,分别要掌握以下知识点:
第二部分是推断性统计,你最少要知道中心极限定理、大数定律、置信区间、假设检验、t检验、f检验、卡方检验、ABtest等等。(面试考这一部分较多)可参考这篇文章:
AB test | 数据分析师面试必知 !
3、机器学习理论。
这部分你需要从几点准备,第一要理解每个算法的应用背景,优缺点(最重要的)。第二,熟悉常见的公式推倒(不需要每个都会)。大致要掌握的是逻辑回归、SVM、决策树、随机森林、Adboost、XGboost等集成学习、神经网络。(DNN、CNN、inception、ResNet、RNN、LSTM等深度学习算法在数据分析很少问,不需要准备那么多)
4、关于业务分析。
这部分可以从“人人都是产品经理”社区学习,你最少要知道Pv、Uv、DAU等各种指标,啥是海盗模型,RFM模型、某个指标下降/上升如何分析、用户行为分析等等。
测一下你掌握的如何?
这里简单附上几道面试题可测试下大家目前的掌握度。
sql:1、如何取连续7天登陆的用户?2、Having和where的区别?。3、数据倾斜如何处理。
hive:1、数据库和数据仓库的区别?2、外部表和内部表有什么不同?
统计学:1、解释下中心极限定理?2、参数统计和假设检验的区别。3、讲一下P值。
机器学习:1、RF和GBDT的区别?2、XGBOOST相比传统集成算法做了哪些改进?3、神经网络中激活函数作用是什么?
业务分析:1、销售额下降20%这么分析。2、如何评价渠道推广效果。3、用户行为路径分析中,用户走的路径杂乱如何解决?
你会得到什么样的回报?
关于数据分析校招薪资情况,这里参考一下大家的“爆料”情况,可见下图:
最后:
如果真的想入数据的坑,硬着头皮刚,即使面不上也没关系,喜欢一件事,努力去做就好,大不了晚点上车。
我想,当你在做相对来说兴趣多一点的工作,并且还能带来收入的时候,你一定不会为现在的坚持和努力后悔。