Popisy úloh pre vedcov údajov sa môžu veľmi líšiť, hoci všetci hľadajú kandidátov s dlhým zoznamom najžiadanejších pracovných zručností, ako je kritické myslenie, riešenie problémov, analýza údajov, emocionálna inteligencia, pozornosť k detailom a tímová práca. To znamená, že otázky týkajúce sa rozhovorov pre vedcov údajov môžu pokrývať niekoľko rôznych tém a môžu sa pohybovať od bežných otázok týkajúcich sa mäkkých zručností až po mimoriadne technické diskusie.
Rozhovory s vedeckými údajmi si vyžadujú veľa prípravy. Či už ste čerství z popredných škôl počítačovej vedy alebo sa chystáte presunúť do inej spoločnosti alebo odvetvia, mali by ste mať čas na to, aby ste prešli hlavnými pojmami svojej práce. Rovnako ako viete, ako riadiť, ale mohli by mať problémy s recitáciou konkrétnych pravidiel cesty, môžete uviaznuť v rozhovore a pokúsiť sa vyjadriť, ako konkrétny algoritmus funguje.
Aby sme vám pomohli pripraviť sa, zostavili sme 10 najčastejších otázok na rozhovor s údajmi. Od skorých premietaní, cez videohovory na druhom a treťom stupni a rozhovory na mieste, sa stretnete s celou škálou skúšok, ako sú tieto vaše technické zručnosti, komunikačné schopnosti a štýl práce.
1. „Povedzte nám viac o najnovšom projekte vo vašom portfóliu.“
Vedci údajov sú žiadaní v mnohých rôznych odvetviach, ale spoločnosti často hľadajú niekoho, kto má veľmi špecifické zručnosti a tiež dobrú kultúru. Podrobné online portfólio, ktoré zobrazuje typ práce, ktorú ste schopní, ako aj silná prítomnosť na sociálnych sieťach a osobná značka, vám pomáha vyniknúť od ostatných kandidátov a tiež vás spojiť s najímaním manažérov a náborových pracovníkov na prácu, v ktorej ste dokonale. vhodné pre.
Buďte pripravení v akomkoľvek rozhovore s údajmi o rozsiahlych rozhovoroch o všetkých prvkoch vášho životopisu, portfólia alebo webovej stránky. Prispôsobte svoju odpoveď na projekt tak, aby vyhovoval vášmu publiku. Ak ide o úvodný skríning alebo panel s účastníkmi z rôznych oddelení, mali by ste sa zamerať na to, ako vaša práca priniesla pozitívne výsledky pre klienta a jeho podnikanie.
Ak sa dostanete do tej časti procesu pohovoru, kde sa stretávate s iným vedcom údajov, technikom, analytikom alebo inou technickou osobou, vyžaduje sa podrobnejší opis údajov a procesov zapojených do vašej práce.
2. „Prečo chcete pracovať pre túto spoločnosť?“
Aj keď vás kontaktovali priamo prostredníctvom vášho online portfólia alebo profilu LinkedIn a pozvali ste na pohovor na otvorenú pozíciu, spoločnosť bude chcieť vedieť, prečo ste súhlasili a prečo si myslíte, že ste pre túto prácu vhodní.
Okrem prehlbovania vašich technických zručností by vaša príprava na pohovor mala zahŕňať výskum podnikania, do ktorého sa uchádzate. Informácie o ich priemysle, poslaní, zamestnancoch, presne to, čo robia a ako dobre sa im darí, vám pomôžu vytvoriť špecificky prispôsobenú odpoveď na túto otázku.
Oslovte, ako im vaša zručnosť pomôže dosiahnuť ich ciele. Nájdite spôsob, ako vyjadriť nadšenie pre jeden alebo viac aspektov vašej pracovnej pozície, vrátane poslania, filozofie, inovácie alebo produktovej rady spoločnosti. Ak je to vaša vysnívaná práca, možno stojí za čas zostaviť projekt vedy o údajoch pred pohovorom, ktorý im vyrieši problém - napríklad odvolanie sa k novým demografickým skupinám alebo naplánovanie dodávok efektívnejšie.
3. „Vymenujte vedcov údajov, ktorých najviac obdivujete, a vysvetlite prečo.“
Aj keď je to veľmi osobná otázka, ktorá nemá technicky správnu odpoveď, odpovede, ktoré vyberiete, sú veľmi dôležité. Váš prieskum spoločnosti, ako aj prieskumov na paneli pohovorov vám môže pomôcť urobiť dobrý prvý dojem len s touto otázkou.
Poznanie ľudí, ktorí sú v tejto oblasti poprední, ako aj tých, ktorí v súčasnosti vytvárajú vlny, povedie anketárom, že ste oboznámení a nadšení z odvetvia. Je užitočné prediskutovať vedcov s údajmi, ktorí sú ocenení v konkrétnej kariére, o ktorú sa uchádzate, ako sú financie, lieky alebo akciový trh.
Táto otázka je viac ako len pôsobivý zoznam mien. Časť „prečo“ v rovnici tiež ukáže vašim potenciálnym zamestnávateľom to, čo si ceníte vo svojom odbore a ako sa priblížite k svojej práci. Ak váš výskum ukázal, že spoločnosť oceňuje inovácie, integritu alebo dokonca určitú štatistickú metódu, je to skvelá príležitosť, aby ste vedeli, že zdieľate rovnaké hodnoty.
4. „Ako by ste vysvetlili nástroj na odporúčanie niekomu z marketingového oddelenia?“
Jednou z dôležitých vlastností, ktorá odlišuje vedcov údajov od iných technických géniov, je schopnosť prevádzať, zobrazovať a vysvetľovať údaje spôsobom, ktorý môžu pochopiť netechnickí ľudia. To robí dotaz, ako je táto, jedna z najdôležitejších otázok, na ktoré sa pri rozhovoroch s údajmi stretnete. Tazatelia chcú vidieť, ako dobre môžete komunikovať pojmy ako je modelovanie údajov, rozhodovacie stromy a lineárna regresia s akýmkoľvek publikom.
V tomto konkrétnom prípade budete chcieť najskôr jednoduchým spôsobom vysvetliť, ako funguje mechanizmus odporúčaní, s príkladmi filtrovania podľa obsahu a spoločného filtrovania. Potom budete chcieť prediskutovať, ako môžete spolupracovať s marketingovým oddelením a spojiť ich zručnosti príťažlivosti pre zákazníkov s výkonom algoritmu, ktorý využíva zozbierané údaje, aby pomohol určiť, čo zákazníci požadujú.
5. „Aké sú rozdiely medzi učením pod dohľadom a učením bez dozoru?“
Môžete začať zhrnutím, že hlavným rozdielom medzi týmito dvoma je, že učenie pod dohľadom má údaje o tréningu, z ktorých sa algoritmus môže učiť a poskytuje odpovede. Učenie bez dozoru vyžaduje skôr zoskupovanie vecí podľa podobností, bežných anomálií a iných procesov vyhľadávania vzorov, ako podľa tvrdých a rýchlych údajov.
Osoba vedúca pohovor bude chcieť, aby ste prešli podrobnejšie, takže je dôležité uviesť konkrétne rozdiely a byť schopný hovoriť o rôznych použitých algoritmoch.
Učenie pod dohľadom
- ako vstup používa známe a označené údaje
- má mechanizmus spätnej väzby
- používa sa na predpoveď
- Medzi jeho bežné algoritmy patrí rozhodovací strom, logistická regresia, lineárna regresia, podporný vektorový stroj a náhodná doménová štruktúra
Učenie bez dozoru
- ako vstup používa neoznačené údaje
- nemá mechanizmus spätnej väzby
- použité na analýzu
- Medzi jeho bežné algoritmy patrí K-klastrovanie, hierarchické klastrovanie, autoenkodéry a pravidlá priradenia
Budete chcieť mať niekoľko príkladov, či už všeobecných alebo z konkrétneho projektu, na ktorom ste pracovali, na ilustráciu rozdielov medzi týmito dvoma typmi strojového učenia a v ktorých prípadoch by sa každý mohol použiť. Napríklad učenie bez dozoru sa môže použiť pri uvádzaní nového produktu na trh, ak demografické údaje o zákazníkoch, na ktoré sa môže odvolať, nie sú známe.
predplatiť
Prihláste sa k odberu noviniek a získajte úžasný obsah a získajte 20% zľavu z našej kariéry!
predplatiť6. „Ako sa vyhnete skresleniu výberu?“
Táto otázka môže mať v rozhovore pre vedu údajov mnoho podôb. Môže sa od vás požadovať, aby ste definovali výberový skreslenie, ako sa tomu vyhnúť alebo aby ste uviedli konkrétny príklad toho, ako to hralo úlohu v projekte, na ktorom ste pracovali.
Hlavným problémom pri výbere zaujatosti je to, že závery boli vyvodené z náhodnej vzorky. Najjednoduchším riešením je samozrejme vždy vybrať z náhodnej vzorky jasne definovanej populácie. Budete musieť rozpracovať, prečo to nie je vždy možné.
Uvedomte si, že keďže výberová predpojatosť môže byť zámerná - s výberom predmetu alebo odstránením údajov, ktoré sa zámerne uskutočnia na preukázanie predsudkovej teórie alebo projekcie - mohlo by to byť nepriamy spôsob, ako by si najímajúci panel mohol položiť jednu z týchto ťažkých pohovorových otázok o etike a integrite pri práci.,
Nakoniec budete chcieť zdôrazniť, ako často je výberový skreslenie prípadom neúmyselných alebo nevyhnutne skreslených údajov. Uistite sa, že ste rozpracovali niektoré oblasti, v ktorých sa môže vyskytnúť skreslenie výberu, vrátane vzorkovania, časového intervalu, údajov a odierania. Potom uveďte niekoľko príkladov, ako vám techniky práce ako prevzorkovanie a vylepšenie môžu pomôcť pri obchádzaní náhodných vzoriek.
Ak ste v rozhovore počas rozhovoru so zástupcami menej technických odborov, použite ľahko stráviteľný príklad, ktorý jasne ilustruje výberové skreslenie. Vedec údajov Eric Hollingsworth sa odvoláva na lekciu získanú z ohniska vtáčej chrípky v roku 2011, v ktorej „v štatistickej vzorke„ potvrdených prípadov “bolo započítaných„ iba veľmi chorých jedincov “. Výsledná 80% miera úmrtnosti, ktorá bola taká dôsledná kvôli zaujatosti pri výbere, vyvolala značný rozšírený strach.
7. „Ako možno zaobchádzať s hodnotami odľahlých hodnôt?“
Toto je bežná otázka na rozhovor pre vedcov údajov, pretože odhaľuje, ako používate údaje, ktoré ste dostali, metódy, ktoré používate na spracovanie týchto údajov, a či ste ochotní dať čas na vyhodnotenie každej časti týchto údajov.
Najprv budete chcieť hovoriť o tom, čo predstavuje odľahlú hodnotu, ako čísla, ktoré existujú mimo zoskupenia údajov v grafe, ako 2–3 štandardné odchýlky od priemeru atď. Ďalším krokom pri riešení problémov s odľahlými hodnotami je vyhodnotenie, prečo k nim došlo.
Malé množstvo odľahlých hodnôt, ktoré možno pripísať jednoduchej ľudskej alebo strojovej chybe, sa dá ľahko odstrániť. Nezabudnite však na vedomie, že aj jediný odľahlý údaj môže byť skôr kľúčovým údajovým bodom než problémom, pretože môže naznačovať úspech jednej marketingovej taktiky, novej zložky liečiva alebo produktovej rady.
Ďalej budete chcieť vysvetliť, ako sa vysporiadať s veľkým počtom odľahlých hodnôt, čo si vyžaduje zložitejšie riešenia. Možno budete musieť napríklad zmeniť model, ktorý používate, normalizovať údaje na priemernú hodnotu alebo použiť náhodný algoritmus štruktúry. Znova skúste použiť skutočný prípad z vašej skúsenosti ako vedec údajov na vysvetlenie správnej taktiky.
8. „Prečo je čistenie údajov dôležité?“
Zhromažďovanie a čistenie údajov sú dominantnou súčasťou vašej práce vedca údajov a zaberajú až 80% času. Bez ohľadu na to, v akom odvetví sa uchádzate, otázky na rozhovor budú vždy obsahovať otázku, prečo je čistenie údajov dôležité. Tazatelia sa tiež opýtajú na vaše preferované očistné techniky a programy.
Mali by ste zdôrazniť, aké čisté údaje sú potrebné na vyvodenie správnych záverov, ale nejde iba o čísla. Vysvetlite, ako začať s úplnými, presnými, platnými a jednotnými údajmi priamo ovplyvňujú ich podnikanie. Medzi hlavné výhody, o ktorých sa má diskutovať, patrí:
- lepšie rozhodovanie o cieľoch spoločnosti
- rýchlejšie získavanie zákazníkov a presmerovanie minulých zákazníkov
- úspora času a zdrojov v dôsledku eliminácie nepresných alebo duplikovaných údajov
- zlepšená produktivita
- zvýšená morálka tímu vďaka opakovaným efektívnym a presným výsledkom
9. „Aký je cieľ testovania A / B?“
Otázky týkajúce sa testovania A / B počas pohovoru na pozícii vedca údajov sa môžu začať všeobecnejším odkazom na použitie experimentálneho návrhu na zodpovedanie jedného dotazu o správaní alebo preferenciách používateľov. Cieľom testovania premennej dizajnu webových stránok, aplikácií alebo bulletinov je jednoducho vyhodnotiť, či zmena zvýši úrok, mieru zapojenia a mieru konverzie.
Jedným zo spôsobov, ako sa odlíšiť pri odpovedaní na tieto typy otázok na pohovor, je diskutovať o tom, ako by ostatní vedci údajov mohli vyvodiť nesprávne závery z testovania A / B. Možné úskalia zahŕňajú:
- nezhromažďovanie dostatočného množstva údajov počas dostatočne dlhého časového obdobia
- testovanie príliš veľa premenných naraz
- neberie do úvahy vonkajšie faktory, ktoré môžu ovplyvniť prevádzku počas testovacieho obdobia
- ignorujúc malé zisky, ktoré sa môžu časom vytvárať a kombinovať s inými pozitívnymi zmenami pre zvýšenie výnosov
- chýbajú interpretácie veľkého obrazu, ako sú čisté finančné zisky alebo straty v porovnaní s konverznými kurzami
Okrem poukázania na tieto problémy budete musieť vyjadriť, ako by ste ich riešili - alebo ešte lepšie, ako ste sa im už vo svojich predchádzajúcich projektoch v oblasti vedy o údajoch vyvarovali.
10. „Na vyriešenie tohto problému s kódovaním máte 48 hodín.“
Výzvou pre kódovanie môže byť počiatočný spôsob, ako skontrolovať potenciálnych vedcov údajov, alebo to môže byť druhý krok v procese rozhovoru po tom, ako ste odstránili prvú prekážku u náborového pracovníka alebo manažéra prijímania. Môže to byť test na mieste, ktorý trvá 30 minút až 2 hodiny, kde budete kódovať na interaktívnej tabuli alebo na klávesnici podľa pohľadu anketára. Často máte na výber jazyk, ale buďte pripravení na kódovanie v jazyku SQL alebo Python.
Niektoré spoločnosti zadávajú dlhšie úlohy s lehotami až jeden týždeň. Problémy s tabuľami môžu vyžadovať písanie pomerne jednoduchých dotazov SQL, ale dlhšie testy sú, samozrejme, zložitejšie. Zvyčajne vám budú poskytnuté údaje a budete požiadaní, aby ste pomocou týchto údajov urobili konkrétne predpovede, a budete musieť preukázať svoju prácu. Napríklad nedávny subjekt rozhovoru s údajmi vedec dostal údaje od Airbnb a požiadal o predpovedanie cien nehnuteľností na základe vlastností ubytovania.
Tazatelia budú chcieť s vami prediskutovať vaše rozhodnutia, predpoklady, ktoré ste urobili, funkcie, ktoré ste vybrali, prečo ste použili určité algoritmy a ďalšie. Odpoveď, na ktorú prídete, je často menej dôležitá ako váš proces, kreativita, čitateľnosť kódu a návrh.
Môže to byť zážitok z rozhovoru s nervozitou, takže sa pripravte vytvorením a dokončením praktických výziev na kódovanie s priateľmi alebo kolegami v oblasti dátovej vedy. Môžete tiež navštíviť webové stránky ako Leetcode a SQLZOO, kde nájdete kódovacie cvičenia. Aktuálne falošné rozhovory týkajúce sa problémov s algoritmom a návrhom systémov sú k dispozícii zadarmo na stránke Interviewing.io.
Ako vidíte, otázky týkajúce sa rozhovorov pre vedcov údajov môžu byť ťažké a celkový proces môže byť zdĺhavý a vyčerpávajúci. Jedným z najdôležitejších tipov na rozhovor je zostať pozitívnym, aj keď máte pocit, že časť procesu rozhovoru prešla zle. Sme na seba často ťažší ako ostatní a vy ste stále mohli pristáť v práci napriek tomu, že ste nedostali každú odpoveď tak dokonalú, ako by sa vám páčilo.
Ak prídete o príležitosť, požiadajte o spätnú väzbu a využite ju na zlepšenie svojho ďalšieho zážitku z rozhovoru. Koniec koncov, mnoho osvedčených vedcov údajov bolo zamietnutých z niekoľkých pozícií a stále pokračovali v úspechu v zamestnaniach, ktoré nakoniec boli lepšie prispôsobené!
S akými otázkami a problémami s kódovaním ste sa stretli, keď ste sa pokúsili pristúpiť k práci v oblasti dátovej vedy? Pripojte sa k diskusii v komentároch nižšie a pomôžte svojim kolegom vedcom údajov pripraviť sa na ich ďalší rozhovor!
