职场链接|在宇宙厂的数据科学实习:不是秘籍,只是经验

Daily News

在宇宙厂的数据科学实习

面试中一般考察SQL频率>>Python，会要求共享屏幕写SQL代码，着重掌握行转列、窗口函数、数据倾斜、SQL优化等，可以用牛客网、LeetCode刷题，相比之下Python考察频率会比较低，但是Pandas和Numpy常用函数要熟练

涉及到各种模型的原理（回归、分类、聚类、降维等）各个模型的使用场景、优缺点、模型之间的比较（GBDT、XGBoost、LightGBM）

tips：要对数据建模的整个流程熟悉于心，要清晰特征工程的步骤

p.s. 深度学习、强化学习、大模型了解的话更好，一般面试中不会问到，但是简历上如果有相关经历大概率会被问到

△ 概率论+数理统计：抽样分布、大数定律、中心极限定理、假设检验、显著性水平、P-value、两类错误、贝叶斯条件概率等

△ AB-test：z检验、t检验、检验统计量（均值类指标和比率类指标检验统计量服从的分布）；统计功效（power）、MDE与最小样本量的计算、实验周期、实验灵敏度；双边市场中的AB-test

△ 因果推断：无法进行AB-test时，方法有PSM、DID、各种Uplift Model（EconML : DML、DR、Casual Forest、Meta-Learner）

△ 推荐一个网站链接：https://jace-yang.github.io/Full-Stack_Data-Analyst/Causal_Inference/2_methods.html

△ 常用指标术语（电商）：GMV、GPM、ROI、COD（Cash on delivery）、PCT（per customer transaction）、VV（Video View）、PV（Page View）、UV（Unique Visitor）、DAU（Daily Active User）、SKU、SPU、CTR（Click through rate）、C-O rate（Click to order）、D-O rate（Detail to order）、ARPPU（Average Revenue per Paying User）等

△ 指标异动分析与拆解：横向维度拆解、纵向链路拆解

tips：

1. 使用小红书等app广泛搜集信息，相信前人的力量

2. 面试后及时复盘，弄懂没答出来的题目，防止下一次还答不出来

3. 对自己过往的项目经历胸有成竹，保证能够有条理、有逻辑地叙述出来（STAR法则）

到目前为止，我在字节已经实习了一个月，总体感受是字节的工作节奏比较快（部门的工作氛围还是比较卷的，当然这也和实习所属部门有关）

我是在字节TikTok国际化电商团队，业务迭代速度还是比较快的，实习任务也不少，在刚开始实习的时候需要学习的内容很多（字节内部的学习文档非常之多），但是mentor会帮助我快速landing，所以说体验还是很好的。在实习阶段我也遇到了志同道合的实习搭子，很多问题如果自己一个人想不太清楚的时候就会一起讨论一下，大家彼此互帮互助，组内也会有knowledge sharing分享会，能够学到很多知识～

数据科学岗位主要分两个方向，一个是业务型，一个是中台型。

△ 业务型工作内容主要包含数据建模，侧重用统计或机器学习算法解决业务问题，并推动决策落地

△ 中台型工作内容主要侧重AB-Test，推动平台AB产品，各种复杂场景AB-Test

我目前实习工作内容集中在前者，即数据建模解决业务问题，涉及到的技术栈包括Python、SQL、因果推断

（这里推荐两本因果推断的书，大家可以参考学习）

（关注BA GROUP，后台回复“领书”可以自动领取原书PDF）