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！
下面给你整理了一部分应聘数据分析师会遇到的问题：
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?
Amazon数据分析师面试经验
在 Nordstrom 数据实验室度过了两年美好时光以后, 我获得了一个亚马逊网络服务 S3 部门的岗位。我为即将开始的人生新篇章感到兴奋，也为耗时又折磨人的面试过程终于结束松了口气。面试通常包含三种初筛的一种，以及全天的现场面试。这些面试充满压力，因为不知道会被问到什么, 而且对方通常期待你大秀智力，数据科学家正常情况下不太会做这种事(至少不会脱离上下文，仅凭记忆在电话中大秀智力) 。
你需要时间
如果你在考虑跳槽(或进入这个行业)，我能给出的最好建议是现在就开始准备。你需要给自己大量时间, 避免填鸭模式。花点时间确保你能用自己的语言解释核心概念。电话面试的问题通常是这样：“如何向一个工程师解释什么是 p 值?”假设，要向一位非统计专业，不使用专业术语的工程师解释。毫无疑问，你不想在这样的场合初次解释这些基本概念。 此外，不要低估紧张对于你记忆的影响，哪怕是回忆那些自认为很了解的内容。如果你是行业新人，你可能需要给自己更多时间去准备自己不熟悉的概念。
我也建议多花时间准备个人资料，即你的简历和自荐信。这个问题上有两种看法，一派认为这很重要，一派认为这不重要。面试官真的会细看这些资料吗?很难笼统回答，但当我在 Nordstrom 工作时参加过海量面试，就个人而言，我非常看重这些资料。拼写错误不能容忍。自吹自擂的自荐信不是好兆头。糟糕的个人资料代表对岗位缺乏兴趣(或缺乏对阅读者的尊重)，而堆砌关键词是在暗示面试官询问申请者何时何地做了这些。 在更广泛的技术领域，大家倾向于认为 GitHub 上的东西才重要。但大多数公司，尤其是大型公司，不会看你的 GitHub 。他们会看简历和自荐信(这可能让人惊讶，但科技不是精英统治的)。最终这些文件会体现你如何职业化地自我展示，所以它们的确重要，哪怕你之前不这么想。
实践出真知
我建议多做实践并分析自己的弱点。许多人误以为反复读书是最有效的学习方法，但这不是当场解决概率问题和逻辑谜题的有效办法(在你开始学习之前，强烈推荐《Make it Stick》一书)。通过专心解决实际问题，你会立刻发现自己的弱项，并确定学习的优先级。花时间在已经了解的事情上是一种拖延症，何况你都已经很忙了。此外，这是一个技术领域，你应该准备好在技术层面回答问题。如果可以，我建议站在一块白板前面解答实际问题，以便让自己适应这种写字方式还有边说边写。在 Quora 上能找到很多相关的建议和面试问题。
尽可能多了解未来的岗位
你知道什么是信息访谈( informational interview )吗?在我朋友使用这个方法之前，我也不知道这是什么!有时面试过程在推进，但你不知道自己是否想要这份工作。那么你可以让对方减缓节奏，然后做个信息访谈以确定这是否是你真正想要的工作。你也可以花时间“偷窥”公司和面试官。比如，为了亚马逊的现场面试， 我花时间在 Linkedin 上查了每个面试人员和他们的背景。这会帮你猜到他们会提的问题。哦，这人是个工程师，那她可能不会问你统计方面的内容，但可能会问拓展方法的内容。等等她是个高级管理工程师，也许她会想了解我对领导能力和人际交往技巧。Ellen Chisa 有许多关于面试禁忌的建议。
获取资源!
你可以料到以下领域会被问及：统计学、机器学习、预测、算法、所有计算机系本科生应该了解的知识，以及与上面所有领域相关的扩展性和表现。哦对了，你还要准备用一种你选择的语言编程。小菜一碟吧?!
书籍
搞本概率论入门书，具体是哪本不要紧。我用的是Ross写的, 典型的本科概率论教材。要是你有这本，我推荐做 1~5 章的自测题，以此决定是否在上面花更多时间。组合数学和基本概率问题是电话面试必备，要确保掌握。我也用过 Casella 和 Berger 写的教材来复习期望和方差，这书可以说是统计学者的圣经。笼统地说多数面试比教材简单。
对于计算机相关的内容，我一般参考三本书：《Programming Interviews Exposed》,《Cracking the Coding Interview》和《Programming Pearls》。 第一本是三本中最综合的。如果时间只够读一本书，就读这本。第二本简洁具体，针对 Amazon，Google 和 Facebook 这样的大公司面试，但不广泛适用。我使用的版本还有些烦人的.插图，教你确保自己是“一个跟面试官愿意叫你喝酒的哥们”。这书的哥们儿气重到我最终弃读(本来期待得到更有价值的内容)。第三本无关面试。它是一个计算问题和解决方法的思维阐释的**。这本书不止适用于学习，还适用于理解计算过程。如果有时间读一读此书会是种享受。
对，就是 Coursera 这玩意儿。如果你已经丢掉了旧教材又不想买什么书，Cousera 上的资料就可以满足你。我非常非常非常推荐约翰霍普金斯大学的生物统计训练营。这是对统计学本科一年级课程的有效复习。别花太多时间看课程视频。用测试题和作业进行自我检测，然后再去看薄弱环节的视频。也可以看看数据科学专项课程。跟上面的课是由同一批老师组织的，内容包括探索性数据统计和R编程。吴恩达的机器学习一定要学且其乐无穷。他善于阐释方法背后的动机，并在课程中花了很多时间训练直觉。直觉对电话面试尤其有益，这些面试中你可能不想强调技术细节却又要证明对领域的熟悉。由于我当时的目标是亚马逊，所以云计算专项课程也令我受益。我正从零售技术领域转向云计算领域，并且想更好理解我将面对的问题。在这种情况下，我只看了课程视频来学习这个领域的用词，而未深究技术细节。我总是在搜罗 Coursera 的好课程，如果你有推荐的课程可以给我留言!
Coursera 的课程起止时间制让我恼火。最近我发现，许多课程可以阅览之前存档的资料，不用等待新课开始。这对我来说是个重要变化，快去试试吧!
以上就是我所谓的干货。但我还想讲一些老生常谈。
第一，保持镇静!过于紧张会让你无法回忆起一些知识。这对我来说是个麻烦，令我做出一些疯狂的事，比如把所有东西写下来贴墙上，但不推荐大家也这样做。我最新的疯狂手段是在电话面试之前几分钟做健身操，使自己汗流浃背气喘吁吁。除此之外，如果你住在目标公司的所在城市，就直接约面试官面谈。我表情充沛，而且能比电话面试表现更好。
不要忘了你同时也在面试对方。相信你的直觉。我曾对一个创业公司进行了信息访谈。我感觉对方目中无人，根本不听我说话，但我仍对那份工作感兴趣。我试图跟进，但每次都要预约一万次才能得到确认。那是一次很糟糕的经历，如果我相信了我的直觉(这些人不靠谱)也就不至于浪费那么多时间。再有趣的工作也不值得每天花八小时跟不尊重你的人在一起。
最后一点，不要把自己的经历跟其他人比较，因为你会误解或失望。当我在经历面试时，碰巧一些我熟悉的同事也在接受面试。那时把自己的经历和他人相比较后，我觉得又惊讶又生气。简单来说，我和一个资历较浅的男同事在同一个星期面试了同一个岗位。他被团队成员当面面试，对方问了掷骰子概率这种很基础的问题。我却被不同办公室的人电话面试，对方问了我一个博弈论最优解问题。这事令人难以接受，也很难不乱想不生气。现在我把这事解释为招聘经验不足和公司不成熟。这公司不知道如何面试我的岗位，甚至可能因此雇用我不想共事的人，我不想在这种地方工作。
最终你应该尽可能准备充分，但不要因为你的知识有漏洞而懊恼。相信自己，相信自己的印象。从失败的面试中学习，以便搞定下一个。
;
可以从实习生或者助手做起，慢慢积累经验。
首先，你得具备基本的数据分析技能：
1、Excel
Excel简单易用，功能强大，熟练使用Excel是数据分析必备的技能。
2、SQL
跟数据打交道，有时候可能需要些SQL，所以掌握一些常用的SQL命令也是必须的。
3、统计学
统计学是一个数据分析师的核心功底，掌握一些统计学知识是必要的。
4、SPSS
对于有些统计分析方法，例如多元线性回归、聚类分析、主成分分析等，Excel无法实现，通过SPSS可以轻松搞定。
5、Tableau
Tableau作为商业智能和分析利器，受到很多公司的欢迎，学点Tableau能够让工作更加高效。
应聘数据分析岗，需具备以下的知识和能力：
一、数学和统计学基础：数据分析需要掌握一定的数学和统计学知识，包括概率论、假设检验、回归分析等。如果你没有相关的背景知识，那么你需要通过学习数学和统计学的基础知识来建立扎实的基础。
二、计算机科学技能：数据分析需要使用各种数据分析工具和编程语言，如Excel、Python、R等。你需要掌握至少一种编程语言，以便能够编写代码和程序来完成数据分析任务。此外，你还需要了解数据库的基本原理和使用方法，以便能够高效地管理和查询数据。
三、商业知识：数据分析不仅仅是一项技术工作，还需要具备一定的商业知识。你需要了解商业的基本原理和流程，包括市场、销售、财务等方面的知识。这些知识可以帮助你更好地理解数据，并从中提取出有价值的信息。
四、数据分析和报告撰写能力：数据分析的核心任务是通过对数据进行清洗、分析和可视化，从中提取出有价值的信息。你需要掌握数据分析和报告撰写的基本技能，包括数据清洗、数据分析方法、数据可视化等方面的知识。此外，你还需要具备撰写清晰、简洁的数据分析报告的能力，以便向团队和客户展示你的工作成果。
五、团队合作能力：数据分析是一个团队协作的工作，需要与其他团队成员密切合作。你需要具备良好的沟通和协作能力，能够与其他团队成员一起工作，协调资源，达成共同的目标。
六、学习能力：数据分析是一个快速发展的领域，需要不断学习和更新知识。你需要具备良好的学习能力，能够快速掌握新的技术和方法，以便在工作中不断进步和发展。
数据分析岗是指什么
数据分析岗，又称为数据分析师，主要负责从海量的数据中提取出有价值的信息和知识，并利用这些信息和知识为企业或组织提高运营效率、优化决策、提升用户体验等目标提供支持。
数据分析师需要具备扎实的数理、计算机科学基础，包括统计学、概率论、数据结构、算法等。同时，他们需要掌握一些常用的数据分析工具和编程语言，如Excel、Python、R等。
在工作中，数据分析师需要完成数据清洗、数据预处理、数据建模、模型评估、结果解释等任务。他们需要从不同的数据源中获取数据，并进行清洗和整理，以确保数据的准确性和一致性。接着，他们需要对数据进行深入的分析，包括探索性分析和结构化分析，发现数据中的规律和趋势。
在完成以上任务后，数据分析师需要将分析结果呈现给决策者或其他利益相关者，以帮助他们做出更好的决策。他们可以使用各种图表和可视化工具，如柱状图、折线图、散点图、热力图等，来呈现数据的结果和趋势。
除了以上任务外，数据分析师还需要不断学习和更新自己的知识和技能，以跟上数据科学领域的发展和变化。他们需要关注最新的研究进展和技术趋势，并尝试将这些新的知识和技能应用到自己的工作中。