大家好，我是老表，这是我在牛客刷题时看到的一篇非常优秀数据分析面经文章，联系到作者授权后，转载到头条给更多读者朋友学习参考，希望大家都能从本文中有所收获，查漏补缺。下面是张国月同学分享正文：

我是2021届的应届生，主要投递的是数据分析岗，经过大半年找工作的历程，真心很感谢牛客这个平台，收获到了不少经验和知识。

这个帖子主要是我在面试过程中的知识点总结，希望能对还在努力找工作的小伙伴儿有所帮助。

首先，我其实投递过挺多的大厂，但近几年互联网大厂非常的卷，数分岗更是卷中之卷，很多次我面试到3轮却被告知没有hc了，但不管怎样，抛开这些外部因素，不要放弃。

大厂面试时的侧重点

我先总结一下这些大厂面试时的侧重点：

阿里，蚂蚁金服： 比较看重编码能力，尤其python和SQL，和业务能力相比，逻辑和算法能力更为重要。所以多刷代码题吧，把简历中做过项目的算法和原理搞透彻，阿里的面试官思路精奇，很可能会寻根究底。

字节： 字节的面试官都很随和，都很nice，字节的数据分析更看重你的业务能力和面试时的临场表现，所以一定对app产品，对指标体系的建设，对异常指标的监控等等有一套清晰的思维框架和认知，并且一定要让面试官相信你是热爱这个岗位的。

美团： 美团的面试官非常技术导向，我面试的是美团优选，和阿里一样，非常看重你的代码和算法能力，除此之外，一定要对hadoop和数仓要有简单的认知。

京东： 京东的面试官思维节奏都非常的快，京东非常注重对用户画像，用户行为分析知识点的考察，非常看重hivesql的能力，而且如果你懂时间序列检测算法，那会是一个很大的加分项。去京东一定要做好没有休息日的准备。

神策： 神策非常看重对业务的认知水平和产品能力，包括产品生命周期，产品竞品分析，分析报告的产出等等，除此之外，神策还会很注重考察你的沟通能力和语言表达能力。

猿辅导： 猿辅导的数分岗面试流程很标准，面试官都是很漂亮的小姐姐，记住一定要多复习统计学知识。

tips: 一般面试完，如果面试官说：谢谢你的时间或者说我们自己内部再讨论一下，再或者像字节这种收到了面试调查问卷，那么大概率是没有通过了，就可以准备其他的面试了。如果面试官说：好的 接下来的流程会有hr联系你，那么潜台词就是你通过了这一轮的面试。

数据分析岗的知识点

接下来是我总结的数据分析岗的知识点，主要有sql，业务知识，机器学习算法，统计学原理，大数据架构和数仓，python这几部分：

1.sql

(1) 除了熟练掌握基本的select from where group by having，左右外内连接(左连接求差集)，union和union all，if then else，case when end 还要熟练掌握各种聚合函数，如sum,max,count

(2)开窗函数(row_number(), rank(), dense_rank(),lead()) 和over(partirion by order by),并且要准确理解函数的意义

(3)sql 字符串处理函数，round,ceiling,cast,date_format(),转置函数pivot

2.业务知识：

(1)A/B测试+辛普森悖论，对照组实验组的选取；埋点的设置，尤其注意页面访问统计和用户浏览行为的相关指标；留存率的不同时段的分析

(2)日活，月活，gmv的变动分析，这类都可以统归为指标异动分析，没有固定的答案，但要有一套自己的分析体系，重点是要划分好维度和内外部综合分析

(3)为某个app搭建一套指标体系，可以按照标准的人货场回答，也可以按app产品处于不同生命周期的阶段进行回答，思路正确而且完整就ok，当然不同业务类型的app要回答不同的业务指标，如电商，视频，音乐等等

(4)商业变现（广告，增值服务，电商），这个经常会跟产品的生命周期结合，产品的不同阶段需要的引流和关注的用户群体是完全不一样的

(5)归因分析和漏斗转化分析

(6)用户画像(属性，行为，需求偏好)

3.机器学习算法：

(1)k-means: 算法原理，和knn的比较，k值的选取和质心的选择

(2)bagging和boosting，boosting尤其要注意每轮样本数据和分类器权值的修正

(3)决策树，随机森林算法，xgboost: 随机森林要注意样本和特征的随机性，xgboost要和gdbt一起学习

(4)交叉验证，留一法和k折交叉验证，以及交叉验证的意义；过拟合和欠拟合出现的原因以及解决办法

(5)对异常值和离群点的处理

(6)评估模型的指标，准确率，精确率，recall，f-score，r2

4.统计学原理：

(1)p值的正确理解：原假设为真实所得样本极端结果出现的概率，一旦出现p值，就有理由拒绝原假设，p值越小，拒绝的理由越充分

(2)显著性水平（一个可允许的概率作为判断界限的小概率标准）和置信区间（ 真实值有一定概率落在测量结果的周围的程度）

(3)一类错误和二类错误

(4)大数定理和中心极限定理

(5)假设检验，注意为什么假设检验要用反证法(原假设往往是想要拒绝的假设)

5.大数据架构和数仓

(1)hadoop:

hdfs(namenode,datanode)和mapreduce(jobtracker和tasktracker)，理解每个组件的作用和意义mapreduce中对map,shuffle,reduce函数的理解，尤其要注意combine过程

(2)hive：

hive和mysql的区别hive的数据倾斜问题的产生原因，以及如何避免hive内部表和外部表hive中order by,sort by,distribute by的区别

(3)数仓：

维表，事实表，宽表的理解数仓的分层(ods,dwd,dws)6.python

(1)数据结构：列表，元组，字典，集合

(2)python的切片和排序操作

其实python主要还是靠刷题，而且数分岗不同于数据科学岗，对python能力的要求不是那么的高

以上就是作者全部分享啦，期待作者或者其他读者朋友或者我，可以后续出一些相关知识点的系列学习文章。

欢迎大家点赞 转发，再评论区进行交流[机智]