面经内容
【一面】（40分钟）
更多是考察数理统计方面的，还记得的问题如下：
1.偏态数据如何处理？
2.K-means聚类过程
3.分类算法有哪些？
4.SVN的核函数的定义和作用？
5.LR回归公式的推导
6.线性判别模型
7.两个向量间的相似性计算方法？优缺点分别是什么？
8.A/B test 为啥用t检验？
【二面】（60分钟）
1、现场给了几道sql题，让我白板写sql
这里就用掉了20多分钟，估计面试官看完我简历和笔试卷后，觉得只能考我sql的数据处理逻辑了
还有有leecode的实践经验，这里做的比较满意。
2、sql中where和having的相同点和差别点？不用distinct 语法怎么实现distinct相同的功能？
3、有了解过hadoop么？数据倾斜是如何发生的？
4、spark为啥比hive快？所有条件下都成立么？
5、对机器学习感兴趣么？
【三面】（45分钟）
主要是分析方法和实际案例题
1、有在微信内看过公众号文章么？微信订阅号改版，文章底部有相关文章推荐，你会怎么评估？
这里暗自窃喜。因为听从师兄建议后，下载了各种app使用去体会。日常使用微信的过程中也注意到这一现象，也演练过。
答：我会从两方面评估
1、是推荐的效果。需要文章的曝光log，文章曝光后的点击log，简单计算转化率。
2、是大盘阅读效果。需要有A/B test，对比无推荐/有推荐的用户，最终的阅读量是否有明显差异。需要有用户阅读文章的log。
2、如果文章推荐转化率高，大盘阅读量没有提升或者有提升，你觉得原因是什么？
一开始，我不知道怎么回答。后来冷静下来，给出了几个猜测，基于我平时使用习惯的体验
1、可能用户日常阅读时间有限。有推荐，用户看推荐的文章。无推荐，用户会去看订阅列表和朋友圈的文章。导致总体阅读量没有差别
2、用户还有朋友圈等场景可以看文章。系统推荐后，朋友圈等场景下降。结果一增一减，总体没多大变化
这个开放式题目回答一般。虽然平时有做练习，但遇到实际数据问题，自己思考深度还是不够。
3、了解AARRR模型么？
4、有看什么数据分析的书籍么？
5、大学跟导师过哪些项目？主要负责哪些东西？
这个大家一定要注意，面试官会追着你问各种细节。大家写简历的时候，最好如实回答，不要吹大。另外，做过的项目，大家也要回顾。如果有过项目经历，当时做这个项目，用了哪些方法，优缺点是啥，怎么改进等等。
6、有使用过短视频么？从哪里可以获得抖音、快手、微信视频号的数据？怎么评价3者的竞争？
7、列联表的独立性检验
8、微信支付某天的支付总量同比发生5%的下降，你会怎么查找原因？
【HR面】（30分钟）
1.对面试官的评价？
2.大学成绩
3.对自己的评价？
4.为什么想来腾讯？
5.个人的职业打算？
6.兴趣和性格？
7.有女朋友么？女朋友在哪里？
8.什么时候能来实习？
总的来说，HR的问题，网上给的八九不离十，大家平时注意归类，然后有自己的答案即可。
总结
1、找实习、找工作，是个很持久的事情。身心都会很疲惫，大家一定要调整好心态。
2、温习书本，对于基础理论，一定要注重推导和逻辑过程。另外书本后面的习题，即使做过了，多做一次会加深记忆过程
3、leecode等网站，多去刷题
4、作为学生的我们，基础知识理论往往不缺，但缺乏实际中用到的数据分析方法和业务思维。
而笔试和面试过程中，往往会涉及一些实际分析案例，考察我们的分析逻辑。
数据分析师的岗位技能要求
基础知识
基础知识包含数学、线性代数、统计学等，这些也是决定数据分析职业发展高度的基石。对于初学者，学习描述统计相关的内容和公式即可，再进一步就需要掌握统计算法，甚至是机器学习算法。对于算法相关的工作，则要对高数进行深入学习。
分析工具/编程语言
Excel是运用最广，也是最容易入门的数据分析工具之一，函数、数据透视表和公式必须熟练掌握。另外，还要学会一个专业统计分析工具，SPSS作为入门学习是比较好的。不过随着数据的增长，编程语言的学习将会使数据处理变得更加高效。
