Data岗位面试技巧和流程，Data岗位Product Case面试题型

针对时下最热门的Data岗面试，从面试官的角度并结合最典型的Case来帮助大家答疑解惑，希望大家无论是在今后职场还是人生中都能有更多的启发！下面为大家揭秘Data岗面试的技巧和流程。

01、Data岗面试技巧

在面试Data岗的过程中，我们需要思考的是面试官真正想了解的是什么东西，才能做到知己知彼百战不殆。

当一个面试官在考核一个候选人的时候，他会通过面试整个过程去判断这位候选人与公司的适配性，往往就在这个时候，就会衍生出了对候选人软实力+硬实力的双重考核。

所谓的考察软实力，就是通过候选人在面试过程中的交流模式从而判断这个人是否能和未来的团队进行很好的合作。

而硬实力，面试官则会考察候选人Data science的基础的知识与商业敏锐度（Business Sense）

Business Sense

所谓的Business Sense，可以理解为商业敏锐度，它大概是形容你对于想要从事的商业有没有与之对应的“悟性”。

打球需要“手感”、写文章需要“语感”，而参与商业活动或进行商业分析，也需要“商业敏锐度”。

除了要去了解与商业相关的基础知识之外，平时也需要多做一些思考，比如“这个行业将会满足用户什么样的需求？” “这个行业是如何将这一需求变现的？”

时不时的去思考行业的生意模式，就可以建立起专属于你的一种商业视角和一种“大局观”，对行业运营模式更深入的挖掘才能让我们更进一步逼近商业的本质。

商业敏锐度（Business Sense）非常重要，这是面试官可以区分候选人在求职环境中成熟与否的重要一环。比较成熟的 Data Scientist和一个刚刚进入公司的Data Scientist 的区别往往就在于这一点。

如果你是刚从学校毕业或者相对来说在行业比较 Junior 的同学，希望能够花时间去着重提高这方面的能力。

面试流程

首先，整个过程大概有45min-60min的时间。

面试官首先会花10分钟过一遍你的简历，目的是与候选人建立舒适感，让候选人能有更好的状态进入下一环面试。

因为每个人在面试的过程中多少都会有点紧张，所以一般在这个过程中，面试官会尽量让候选人先去表达他比较擅长的领域，这样往往能让候选人放松并且有最好的状态进入到下一个环节当中。

再次强调，面试还有个非常关键目的就是考察候选人是否是一个Team Player，面试官需要在过程中判断候选人能否在将来的“团队中”起到能解决问题的作用。

在这之后，面试官会考察候选人的Business Sense，考察是否可以把商业问题转化到Data Science的角度上去解决。

然后面试会进入到基础知识考察环节，面试官会在这个环节考察你对模型的理解，主要考察候选人Data Science的基础。根据每个问题的差异性，候选人可以通过改进模型的过程从而向面试官展示自己在Data Science领域丰富经验。

在答题上，候选人最开始推荐运用Start open-Ended的方式回答，过程中要和面试官进行充分交流，整个答题过程中候选人需要有 Upload Question的能力，给面试官足够多的”机会“带你进入正轨。

02、Data岗Product Case的面试题型

Metric Diagnosis

这种题型的Metric往往会看起来不太正常，数字偏高/偏低。考察的是候选人能不能根据问题的实际情况，想出不同的假设来找出原因。

举个例子，比如“什么原因让 HULU降低了十个百分点？”

可能性有很多，有可能是因为 Hulu 做了价格调整，或者说HULU的传播的内容有了一个大改变等等。

我们也同时需要排除技术方面出错的问题，比如 Data pipeline 有没有出错，或者 Payment System 有没有问题等等。

最后根据面试官给的反馈，结合以上提到的多种可能性，通过数据来排除假设，最终找出根本原因。

Product Success Measurement

这种题型考察的是如何判断产品是否健康，然后想出相关的 Metrics 来定义这个产品到底成功与否。

那我们就用 WhatsApp 的例子来做一个小示范。因为WhatsApp是一个通讯的软件，其中一个很重要的目的就是让用户来沟通。

一些相关的问题可以是关于Daily Active Users或者Number Of Conversations Per User Per Day 等等。

面试官在这种题型上会问得比较广，甚至会考察产品的具体功能。

大家一定要在面试前搜索一下你所面的这家公司旗下的不同产品，去了解产品里面有什么不一样的功能。

AB Testing/Lauch Decision

这种类型的题目一般会问公司应不应该发布一个新的产品，做出一个新的改变。

主要的考点就是考察候选人能不能说出用自己的理解说出这个产品的新功能的目的还有风险。

举个例子，比如说 “YouTube 增加了播放广告的频率，那他们的目的与风险分别是什么？”

这个改变的目的就是为了增加广告的输入，但是一个很明显的风险就是用户不喜欢这个改变对 Engagement 有负面的影响。

这个部分通常需要候选人做一些实验来决定这个Launch Decision ，比如说我们这个实验应该用什么 Matrix 来测量我们刚刚所说的目的和风险。比如实验的 Sample Unit 是什么，我们应该用什么 Sampling Method 还有实验应该跑多久等等。

Applied Data

这种题型的考点是考察你是否能用数据来解决问题，主要考点就是看你有没有实践能力来透过数据分析来解决问题。

用数据来解决问题的意思就是说根据问题的情况，候选人可不可以想出与之相关的数据，然后用一些方法来得出一些结论或者建议，btw这些方法也许会用到一些统计学的理论。

比如这道题“What is the impact of fake news on Twitter？”

我们可以用这道题做一个小示范，首先我们第一步要定义一下什么是Fake News， 然后再去定义什么是 Impact。

但是基于目前还不知道什么是 Fake news，这时候我们应该考虑用相关Data来预测这个新闻的真实度。

我们可以从负面评论，转发等等数据入手。找到这些 Data的支持之后，从而预测 Engagement 相关的Metric。在此之后，我们就可以对 Fake News 在Twitter 的影响有一个基本的概念了。

以上就是Product Data岗常见的题型，有可能一开始接触起来不知道怎么下手，其实运用以上介绍的相关答题方式，多加练习就可以提高回答问题的熟练度。