أسئلة مقابلات العمل في مجال تكنولوجيا الإعلان باستخدام لغتي SQL و Python: دليل شامل

إنفورماتيك ديجيتال » موارد » أسئلة مقابلات العمل في مجال تكنولوجيا الإعلان باستخدام لغتي SQL و Python: دليل شامل

إذا كنت تستعد لمقابلة عمل في مجال تكنولوجيا الإعلان ، أو التحليلات الرقمية، أو تحليل البيانات ، فستواجه عاجلاً أم آجلاً الاختبار التقني الصعب. في هذا الاختبار، تتحقق الشركات من إتقانك لما ذكرته في سيرتك الذاتية: لغة SQL لاستخراج البيانات، ولغة Python لمعالجتها وتحليلها، ومهارات التفكير التحليلي لتجنب التشتت بين الجداول والبرامج النصية.

الخبر السار هو أن المقابلات التقنية ليست سحرية: فهي عادةً ما تتمحور حول نفس أساسيات لغة SQL، ولغة Python، وتقييم النماذج . إذا فهمت الأساسيات جيدًا، وتدربت على تمارين عملية، وتعلمت شرح منطقك، فستكون لديك ميزة كبيرة على المرشحين الآخرين.

لماذا تُعدّ المقابلات التقنية مخيفة (وكيفية التخفيف من حدة التوتر فيها)

في وظائف محلل البيانات أو المنتج في مجال تكنولوجيا الإعلان، تجمع المقابلات التقنية عادةً بين الأسئلة النظرية والتدريبات العملية المباشرة . قد يُطلب منك شرح وظيفة عبارة SQL أو حل حالة عمل تتعلق ببيانات حملات الإعلان المبرمجة.

سيتم تقييمك عادةً على ثلاثة محاور: مستوى متوسط ​​في لغة SQL (استخدام JOIN، وGROUP BY، والاستعلامات الفرعية، ودوال النافذة)، ومهارات التعامل مع البيانات باستخدام لغة بايثون (استخدام مكتبة Pandas، وتنظيف البيانات، والتجميعات، والدمج)، وقدرتك على تحليل النتائج وتوصيلها بوضوح . لا يبحثون عن عالم بيانات خبير، بل عن شخص قادر على التعامل مع البيانات بكفاءة وموثوقية.

الخطأ الشائع الذي يقع فيه العديد من المتقدمين هو التركيز على حفظ قواعد اللغة البرمجية وإهمال ممارسة التمارين الكاملة ، كتلك التي ستجدها على منصات مثل HackerRank وStrataScratch أو الاختبارات الداخلية للشركات. يجب أن يكون هدفك هو الوصول إلى المقابلة وقد سبق لك حل عشرات الاستعلامات والبرامج النصية المتشابهة.

يُشترط عادةً مستوى SQL في مقابلات وظائف تكنولوجيا الإعلان وتحليل البيانات

بالنسبة لوظيفة محلل في مجال تكنولوجيا الإعلان أو التسويق الرقمي، تتوقع الشركات منك إتقان لغة SQL العلائقية الكلاسيكية : استخراج البيانات من جداول متعددة، ودمجها، وتجميعها، وتصفيتها، وإنشاء مقاييس مفيدة. لن تتطلب هذه الوظيفة مهارات إدارة قواعد البيانات، ولكن يجب أن تكون مرتاحًا للتعامل مع الاستعلامات متوسطة التعقيد.

عادةً، يتضمن الاختبار استعلامات تجمع بين عبارات INNER JOIN وLEFT JOIN، وفلاتر باستخدام عبارات WHERE، وتجميعات باستخدام GROUP BY ، وبعض الشروط على التجميعات باستخدام عبارات HAVING. ومن ثم، في مستويات أكثر تقدماً، من الشائع جداً رؤية استعلامات فرعية ودوال نافذة للترتيب، والمجاميع التراكمية، ومقارنات الصفوف.

في مجال تكنولوجيا الإعلان، من المحتمل أن تجيب على أسئلة تجارية مثل "ما هي الحملات التي لديها نسبة نقر إلى ظهور أفضل من المتوسط ​​في مجالها؟" أو "ما هي دور النشر التي تفقد مرات الظهور مقارنة بالشهر الماضي؟" يتطلب حل هذه الأسئلة بكفاءة عادةً فهمًا أساسيًا للاستعلامات الفرعية المترابطة ووظائف النافذة.

أسئلة SQL الأساسية التي تظهر بشكل شائع (وكيفية الإجابة عليها)

تتضمن معظم المقابلات التقنية التي تركز على البيانات مجموعة من أسئلة نظرية SQL الأساسية . ليس الهدف منها الإيقاع بك، بل التأكد من امتلاكك أساسًا متينًا.

من أكثر الأسئلة شيوعًا هو الفرق بين WHERE و HAVING . وأوضح طريقة لشرح ذلك هي أن WHERE يقوم بتصفية الصفوف الفردية قبل تجميعها ، بينما يقوم HAVING بتصفية المجموعات التي تم تجميعها بالفعل . كما تجدر الإشارة إلى أن الشروط التي تتضمن دوال التجميع (COUNT، SUM، AVG، إلخ) يجب وضعها في HAVING، وليس WHERE.

سؤال كلاسيكي آخر هو: ما هي أنواع الربط (JOIN) المتاحة ومتى يُستخدم كل منها؟ الربط الداخلي (INNER JOIN)، والربط الخارجي الأيسر (LEFT JOIN)، والربط الخارجي الأيمن (RIGHT JOIN)، والربط الخارجي الكامل (FULL OUTER JOIN)، وفي بعض الحالات، الربط المتقاطع (CROSS JOIN) أو الربط الذاتي (self-join). في تحليل البيانات، يُستخدم الربط الخارجي الأيسر (LEFT JOIN) على نطاق واسع عندما نرغب في الاحتفاظ بمجموعة البيانات الأساسية كاملةً (على سبيل المثال، جميع المستخدمين) حتى في حال عدم وجود سجلات مرتبطة بها في الجدول الثانوي (على سبيل المثال، المشتريات).

أمثلة على استعلامات SQL الأساسية ومنطقها

لإعطائك فكرة عن المستوى "المعقول الأدنى"، يجب أن تكون قادرًا على كتابة استعلامات من الذاكرة، مثل تحديد أعمدة معينة، وتصفية الصفوف، وفرز النتائج . على مستوى أساسي جدًا، تتضمن الأسئلة النموذجية: كيفية استخراج جميع الأعمدة من جدول، وكيفية تحديد بعض الأعمدة فقط، أو كيفية تطبيق أسماء مستعارة سهلة القراءة باستخدام AS.

من الشائع أيضًا طرح أسئلة حول عبارة WHERE مع شروط متعددة تجمع بين AND وOR وNOT، أو كيفية استخدام عوامل المقارنة (<، <=، >، >=، =) لكل من القيم الرقمية والتواريخ. وتؤكد العديد من الشركات على عوامل تصفية القيم الفارغة (NULL )، حيث لا يكفي استخدام علامة المساواة فقط؛ بل يجب استخدام IS NULL أو IS NOT NULL.

من الطرق الكلاسيكية الأخرى تصفية النصوص باستخدام عامل LIKE وأنماط باستخدام الأحرف البديلة % و _. على سبيل المثال، يمكنك العثور على حملات تحتوي أسماؤها على كلمة معينة أو مستخدمين تنتهي عناوين بريدهم الإلكتروني بنطاق معين. من المهم توضيح أن LIKE '%text%' يبحث عن النمط في أي مكان في السلسلة النصية.

أخيرًا، يتناول هذا القسم الأساسي عادةً كيفية تحديث السجلات باستخدام عبارة UPDATE وتصفية الصفوف المُعدّلة باستخدام عبارة WHERE، بالإضافة إلى كيفية حذف الصفوف باستخدام عبارة DELETE FROM مع تحديد الشروط بوضوح. من الضروري التأكيد دائمًا على أهمية استخدام عبارة WHERE مُحددة لتجنب حذف نصف الجدول عن طريق الخطأ.

الاستعلامات الوسيطة: GROUP BY، HAVING، الاستعلامات الفرعية، وUNION

بمجرد تجاوزك مستوى المبتدئين، تبدأ معظم الشركات بتقدير إتقانك لدمج عبارة GROUP BY، ووظائف التجميع، وفلاتر التجميعات باستخدام HAVING . هذا ما ستستخدمه يوميًا لإنشاء تقارير أداء الحملات، والجمهور، والمحتوى الإبداعي.

يعمل الأمر كالتالي: تقوم عبارة GROUP BY بتجميع الصفوف حسب عمود واحد أو أكثر، ويمكنك تطبيق دوال SUM وCOUNT وAVG وMIN وMAX على هذه المجموعات لحساب المقاييس. ثم تأتي عبارة HAVING، للاحتفاظ فقط بالمجموعات التي تستوفي شرطًا معينًا، على سبيل المثال، العملاء الذين تجاوزت مبيعاتهم حدًا معينًا.

ومن المواضيع المتكررة الأخرى الاستعلامات الفرعية : وهي استعلام داخل استعلام آخر. وتُستخدم هذه الاستعلامات بكثرة لتصفية البيانات بناءً على قيم تم حسابها في خطوة سابقة، مثل اختيار العملاء الذين تتجاوز مبيعاتهم المتوسط ​​العالمي أو الحملات التي تتجاوز مرات ظهورها النسبة المئوية التسعين.

كثيرًا ما يُسأل عن الفرق بين UNION و UNION ALL . يجمع UNION مجموعتي نتائج لهما نفس البنية ويزيل التكرارات؛ بينما يقوم UNION ALL بنفس المهمة ولكنه يحتفظ بجميع الصفوف، حتى لو كانت مكررة. في تحليل البيانات، غالبًا ما يُفضل استخدام UNION ALL لأسباب تتعلق بالأداء ولأنك ترغب في الاحتفاظ بجميع السجلات الأصلية.

دوال النافذة: القفزة التالية في لغة SQL

أصبحت وظائف النوافذ معيارًا في الاختبارات التقنية على مستوى معين، وخاصة بالنسبة للأدوار المتعلقة بتكنولوجيا الإعلان حيث يلزم تحليل الاتجاهات بمرور الوقت، أو تصنيفات الحملات، أو إجمالي الاستثمارات.

الفكرة الأساسية هي أن دالة النافذة تحسب قيمةً على مجموعة من الصفوف المرتبطة بالصف الحالي ، ولكن دون دمج النتائج كما تفعل دالة GROUP BY. بعبارة أخرى، ستظل ترى كل صف على حدة، ولكن مصحوبًا بقيمة إجمالية محسوبة على "نافذة" من البيانات.

تتمثل الصيغة النموذجية في استخدام الدالة (SUM، AVG، RANK، إلخ) متبوعةً بـ OVER، ثم تحديد التقسيم (PARTITION BY) والترتيب (ORDER BY) داخل OVER. على سبيل المثال، حساب ترتيب المبيعات حسب مندوب المبيعات أو العدد التراكمي للظهورات يوميًا.

إذا كنت ترغب في إظهار كفاءتك، فعليك الإلمام بوظائف مثل RANK وDENSE_RANK وROW_NUMBER وLAG وLEAD . فهي مفيدة للغاية لتصنيف الحملات بناءً على أدائها، ومقارنة كل فترة بالفترة السابقة، أو تحديد التغيرات السنوية في المؤشرات الرئيسية.

CTE، المجاميع التراكمية والمتوسطات المتحركة

في مقابلات العمل الحديثة، تُعتبر سهولة قراءة كود SQL الخاص بك أمرًا بالغ الأهمية. لهذا السبب، غالبًا ما ستُسأل عن تعابير الجداول المشتركة (CTEs) . تعبير الجدول المشترك هو نوع من الجداول المؤقتة المُسماة، يتم تعريفها باستخدام عبارات WITH، ولا توجد إلا أثناء تنفيذ الاستعلام.

تُستخدم عبارات CTE لتقسيم الاستعلامات المعقدة إلى كتل منطقية وإعادة استخدام النتائج الوسيطة. على سبيل المثال، تقوم أولاً بحساب المقاييس اليومية لكل حملة في عبارة CTE، ثم في الاستعلام الرئيسي، تُجري عمليات تجميع أو تصفية إضافية على تلك النتيجة.

من التمارين الشائعة الأخرى حساب المجموع التراكمي باستخدام دالة الجمع (SUM) كدالة نافذة. في بيئات تكنولوجيا الإعلان، من المعتاد طلب بيانات عن مرات الظهور التراكمية، أو النقرات، أو الإنفاق لمعرفة أداء الحملة الإعلانية بمرور الوقت.

يرتبط بهذا مفهوم المتوسطات المتحركة ، حيث يُطبَّق المتوسط ​​كدالة نافذة على إطار صف مُزاح (على سبيل المثال، التاريخان السابقان والتاريخ الحالي). تُعد هذه طريقة بسيطة لتنعيم السلاسل الزمنية واكتشاف الاتجاهات دون الاعتماد بشكل كبير على القمم اليومية.

مستوى بايثون مطلوب عادة لمحلل البيانات

في معظم وظائف محلل البيانات (بما في ذلك تكنولوجيا الإعلان)، لا تتوقع الشركات أن تكون خبيرًا في التعلم الآلي، ولكنها تتوقع منك إتقانًا عمليًا للغة بايثون مع مكتبة بانداز . عادةً، سيُطلب منك تحميل مجموعات البيانات، وتنظيفها، وتحويلها، والحصول على مقاييس أو رسوم بيانية بسيطة.

تركز اختبارات بايثون عادةً على عمليات مثل قراءة البيانات من ملفات CSV ، وفحص القيم الفارغة وأنواع الأعمدة، وتصفية الصفوف، وإنشاء أعمدة جديدة، والتجميع باستخدام دالة groupby، والربط بين إطارات البيانات. في كثير من الحالات، تكون الصياغة مطابقة تقريبًا لجزء SQL، ولكن بتنسيق مكتبة Pandas.

ليس من الشائع أن يُطلب منك بناء نماذج معقدة من الصفر في اختبار المحلل، على الرغم من أنهم قد يقدرون قدرتك على الاتصال بـ scikit-learn لتدريب نموذج أساسي، وقبل كل شيء، معرفتك بالمقاييس الأساسية لقياس أدائه.

العمليات الأساسية في مكتبة باندا التي يجب عليك إتقانها

لإتمام أي تمرين بيانات باستخدام بايثون بنجاح، يجب أن تكون مُلِمًّا بعمليات DataFrames الأساسية. الخطوة الأولى عادةً هي تحميل ملف باستخدام `read_csv` واستكشاف بنيته باستخدام دوال مثل `head()` و`info()` و`describe()`.

يظهر الجزء المتعلق بتنظيف القيم الفارغة عادةً أيضًا: حساب عدد القيم الفارغة الموجودة في كل عمود باستخدام isnull().sum()، وتحديد ما إذا كان يجب حذف الصفوف أو الأعمدة بأكملها باستخدام dropna() أو ملء القيم المفقودة باستخدام fillna()، على سبيل المثال باستخدام المتوسط ​​أو الوسيط للعمود.

أما بالنسبة للفلاتر، فسيُطلب منك إنشاء شروط على الأعمدة الرقمية أو الفئوية، مثل تحديد المبيعات التي تتجاوز مبلغًا معينًا أو الصفوف التي تستوفي عدة شروط مجتمعة باستخدام & و |. يكمن السر في معرفة كيفية كتابة df دون تردد.

يُشرح استخدام `groupby` في مكتبة Pandas عادةً، لأنه يُعادل مباشرةً عبارة `GROUP BY` في لغة SQL. يُستخدم هذا الأسلوب لتجميع البيانات حسب عمود واحد أو أكثر، ثم تطبيق عمليات حسابية مثل `sum` و`mean` و`count`، إلخ. ويُعدّ استخدام الصيغة `groupby('column').agg()` أساسيًا.

عمليات الربط والدمج بين جداول البيانات

كما أن إتقان عمليات الربط (JOIN) ضروري في لغة SQL، فإن إتقان دالة pd.merge إلزامي في مكتبة Pandas . سترغب الشركات في معرفة ما إذا كنت تجيد ربط مجموعات البيانات التي تشترك في مفتاح واحد، على سبيل المثال، جدول المستخدمين مع جدول آخر للأحداث أو المشتريات.

تأخذ دالة الدمج إطاري البيانات المراد دمجهما، وعمود المفتاح (on)، ونوع الدمج (how)، والذي يمكن أن يكون "يساريًا" أو "يمينيًا" أو "داخليًا" أو "خارجيًا"، تمامًا كما هو الحال في لغة SQL. في تحليل البيانات، يُستخدم الدمج اليساري بشكل أساسي للحفاظ على مجموعة البيانات الرئيسية وإضافة سمات أو مقاييس من الجداول الثانوية.

في المقابلة، من المستحسن ذكر تفاصيل مثل ما يحدث عند وجود مفاتيح مكررة في كلا الجانبين، أو كيفية التعامل مع تعارضات أسماء الأعمدة مع لواحق المعلمات. هذا يدل على مستوى أعلى من النضج.

أسئلة بايثون النموذجية ذات الطابع النظري

إلى جانب مكتبة Pandas، تتضمن العديد من المقابلات فقرة قصيرة من أسئلة عامة حول لغة بايثون للتحقق من فهمك للغة. عادةً ما تكون هذه أسئلة قصيرة حول الميزات، والذاكرة، وأنواع البيانات، أو أجزاء صغيرة من قواعد اللغة.

من بين المواضيع التي تظهر بشكل متكرر إدارة الذاكرة التلقائية في بايثون، استنادًا إلى كومة خاصة لا يصل إليها المستخدم مباشرة وجامع قمامة مسؤول عن تحرير الكائنات التي لم تعد لها مراجع.

من الشائع أيضًا أن يُطلب منك مقارنة بايثون بجافا ، ليس لإعلان الفائز، ولكن لإظهار أنك تفهم الاختلافات: بايثون أكثر ديناميكية، مع بناء جملة أكثر إيجازًا، مثالية للنماذج الأولية وعلوم البيانات، بينما تميل جافا إلى الهيمنة في بيئات الشركات ذات الأداء العالي.

وتدور الأسئلة النموذجية الأخرى حول تعبيرات لامدا (الدوال المجهولة للعمليات البسيطة)، وعمليات التخليل/فك التخليل لتسلسل الكائنات إلى بايتات واسترجاعها، أو الفرق بين القوائم والصفوف، حيث تكون الأولى قابلة للتغيير ويتم تعريفها بأقواس مربعة، بينما تكون الأخيرة غير قابلة للتغيير ويتم تعريفها بأقواس.

المزيد من المفاهيم الأساسية في لغة بايثون في المقابلات

من الشائع أن يُسأل المرء عن كيفية حذف أو نسخ كائن في بايثون. عادةً، يكفي شرح أنه يمكنك استخدام عبارة `del` لإزالة مرجع، وأن النسخ السطحي يتم باستخدام `copy.copy()`، بينما يتطلب النسخ العميق استخدام `copy.deepcopy()`.

مفهوم آخر قد يظهر، خاصة في المزيد من ملفات تعريف الواجهة الخلفية، هو ما يسمى بتأثير التكدس ، والذي يصف السيناريو الذي يقوم فيه العديد من المستخدمين أو العمليات بمهاجمة مورد (على سبيل المثال، موقع ويب أو ذاكرة تخزين مؤقت) في نفس الوقت، مما يؤدي إلى تشبع النظام.

فيما يتعلق بالنظام البيئي، قد تواجه أيضًا أسئلة حول قواعد البيانات التي يمكن استخدامها مع بايثون . من الأنسب ذكر بعض القواعد الشائعة مثل MySQL وPostgreSQL وSQLite وMongoDB وOracle، مع الإشارة إلى أن بايثون تتكامل بشكل عام مع مجموعة واسعة من محركات قواعد البيانات العلائقية وغير العلائقية.

وأخيرًا، غالبًا ما تظهر أسئلة أبسط، مثل كيفية فرز قاموس باستخدام الفرز على العناصر، وما هو نطاق الاسم وما الغرض منه (ربط الأسماء بالكائنات في نطاقات مختلفة)، أو كيفية تشغيل عملية فرعية باستخدام وحدة subprocess مع وظائف مثل run() أو Popen().

مقاييس تقييم النماذج في بايثون: الحد الأدنى الذي يجب أن تعرفه

على الرغم من أن العديد من وظائف المحللين لن تتطلب منك تصميم بنى التعلم العميق، إلا أنه من الشائع أن تكون على دراية بالمقاييس الأساسية لتقييم نماذج التصنيف ، خاصة إذا كان الدور يتضمن منتجات البيانات أو إسناد الحملات أو اكتشاف الاحتيال في تكنولوجيا الإعلان.

نقطة البداية هي مصفوفة الارتباك ، التي تلخص نجاحات وإخفاقات المصنف الثنائي أو متعدد الفئات. في حالة المصنف الثنائي، تُقسّم المصفوفة إلى إيجابيات صحيحة (TP)، وسلبيات صحيحة (TN)، وإيجابيات خاطئة (FP)، وسلبيات خاطئة (FN). يُعدّ الفهم الشامل لهذه الفئات الأربع أساسيًا.

من المصفوفة، تُستخلص مقاييس مثل الدقة ، التي تقيس نسبة التنبؤات الصحيحة من إجمالي التنبؤات؛ والدقة (التنبؤات الإيجابية الحقيقية)؛ والاستدعاء أو الحساسية (التنبؤات الإيجابية الحقيقية). ويكتسب المقياسان الأخيران أهمية خاصة عندما تكون الفئات غير متوازنة.

يجمع مؤشر F1 بين الدقة والاستدعاء باستخدام المتوسط ​​التوافقي، مع معاقبة الدرجات المنخفضة للغاية في أي منهما. وهو مقياس شائع في الحالات التي تكون فيها كل من النتائج الإيجابية الخاطئة والنتائج السلبية الخاطئة مكلفة، مثل كشف الاحتيال، وتقييم العملاء المحتملين، أو الكشف عن الأمراض.

مقاييس متقدمة أخرى: ROC-AUC، وlogloss، وJaccard، وغيرها

بالنسبة للوظائف التي تتضمن مكونًا أقوى في علوم البيانات أو تحليلات التسويق، تنظر الشركات فيما إذا كنت تتقن مقاييس أكثر تقدمًا مثل ROC-AUC ، والتي تقيس المساحة تحت منحنى ROC وتعكس قدرة النموذج على فصل الفئات.

يمثل منحنى ROC العلاقة بين معدل الإيجابية الحقيقية (الاستدعاء) ومعدل الإيجابية الكاذبة (1 - النوعية) عند عتبات قرار مختلفة. يقع النموذج العشوائي على خط قطري، بينما يقترب النموذج الجيد من الزاوية العلوية اليسرى. كلما زادت المساحة تحت المنحنى، تحسنت قدرة التمييز.

مقياس شائع آخر هو خسارة اللوغاريتم (logloss) ، الذي يقيس جودة الاحتمالات المتوقعة، ويعاقب بشدة الثقة المفرطة والأخطاء. النموذج المثالي يكون لديه خسارة لوغاريتم تساوي صفرًا، وعمومًا، كلما انخفضت قيمة خسارة اللوغاريتم، كان ذلك أفضل.

قد يسألونك أيضاً عن مؤشر جاكارد ، الذي يقيس التشابه بين مجموعتين كنسبة حجم التقاطع إلى حجم الاتحاد. ويُستخدم هذا المؤشر لتقييم المصنفات، وأنظمة التجزئة، وأنظمة التوصية، وغيرها.

في بعض السياقات، يُشار إلى مخططات الربح والرفع ، التي تُظهر النسبة المئوية للأهداف التي تستقطبها باستخدام جزء فقط من الجمهور المستهدف (على سبيل المثال، أفضل 20% من المستخدمين الذين قيّمهم نموذجك). ويُستخدم هذا على نطاق واسع في التسويق لتحديد الفئة المستهدفة أولاً.

اختبار كولموغوروف-سميرنوف، ومعامل جيني، والتقييم المتعمق

إذا كانت الشركة تركز بشكل كبير على نماذج التقييم أو المخاطر، فقد تظهر مقاييس مثل إحصائية كولموغوروف-سميرنوف (KS) ، والتي تقيس درجة الفصل بين توزيعات الدرجات الإيجابية والسلبية.

تشير قيمة KS القريبة من 100 (كنسبة مئوية) إلى أن النموذج يفصل بين المجموعتين بشكل شبه كامل؛ بينما تشير القيمة القريبة من 0 إلى أن النموذج لا يميز بينهما بشكل أفضل من الصدفة. عمليًا، تقع نماذج العالم الحقيقي ضمن نطاق قيم متوسطة، ويتم مقارنتها ببعضها لاختيار الأفضل.

معامل جيني هو مقياس آخر مشتق من ROC-AUC باستخدام الصيغة Gini = 2 × AUC – 1. وهو شائع جدًا في الائتمان والتأمين، ويتم تفسيره أيضًا على أنه مقياس لعدم المساواة: كلما ارتفع معامل جيني، زادت قدرة النموذج على تركيز الإيجابيات الحقيقية عند الدرجات الأعلى.

في المقابلات الأكثر تقدماً، قد يُطلب منك شرح كيفية تطبيق هذه المقاييس في بايثون باستخدام scikit-learn (على سبيل المثال، confusion_matrix، accuracy_score، roc_auc_score، f1_score...) والتعليق على متى ستستخدم كل منها اعتمادًا على طبيعة المشكلة وعدم توازن الفئات.

كيفية تنظيم إجاباتك خلال المقابلة التقنية

إلى جانب الكود الذي تكتبه، يولي القائمون على المقابلات اهتماماً بالغاً لطريقة تفكيرك وكيفية شرحك لأفكارك . قد تجعلك الإجابة غير المنظمة تبدو أقل خبرة مما أنت عليه في الواقع، حتى لو كنت تعرف الحل الصحيح.

يُعدّ الأسلوب التالي مفيدًا جدًا للإجابة على الأسئلة التقنية: أولًا، اشرح المفهوم في جملة واحدة ، ثم قدّم مثالًا عمليًا (ويُفضّل أن يكون مرتبطًا بأحد مشاريعك الخاصة)، وإذا كان ذلك مناسبًا، اذكر البدائل أو الفروق الدقيقة . هذا الأسلوب فعّال بنفس القدر مع لغة SQL، أو لغة Python، أو مقاييس النماذج.

على سبيل المثال، إذا سُئلت عن الغرض من CTE، يمكنك القول إنه استعلام فرعي مؤقت مُسمى يعمل على تحسين قابلية قراءة الاستعلامات المعقدة، وأضف أنك تستخدمه عندما تحتاج إلى إعادة استخدام نتيجة وسيطة عدة مرات، واذكر أنه في بعض الحالات يمكن استبداله باستعلامات فرعية متداخلة على الرغم من أن ذلك أقل وضوحًا.

التفكير بصوت عالٍ أمرٌ أساسي أيضاً . إذا واجهتك صعوبة، فلا تصمت: عبّر لفظياً عما تحاول فعله، وما هي المعلومات التي تنقصك، وما هي الافتراضات التي تبني عليها. هذا يساعد القائم بالمقابلة على فهم طريقة تفكيرك، وقد يمنحك أحياناً تلميحات أو توضيحات تُسهّل عليك المضي قدماً.

أكثر الأخطاء شيوعاً في مقابلات البيانات التقنية

يُستبعد العديد من المرشحين ليس لافتقارهم إلى مهارات كافية في SQL أو Python، بل نتيجةً لمزيج من ضعف التحضير وأخطاء التواصل . من الضروري الإلمام التام بالمزالق الشائعة لتجنبها.

أولها الحفظ دون فهم . فمعرفة صيغة دالة RANK أو دالة لامدا لا تفيد كثيراً إذا لم تستطع شرح الحالات التي ستستخدم فيها هذه الأدوات أو لماذا هي أفضل من البدائل الأخرى.

من الأخطاء الشائعة الأخرى إهمال فحص جودة البيانات في التمارين. إذا تم تزويدك بمجموعة بيانات، يُنصح قبل البدء في تجميعها بالتحقق من وجود قيم فارغة أو مكررة أو شاذة قد تؤثر على دقة التحليل. هذا يدل على حسن التقدير والخبرة العملية.

من الضار جدًا تجنب طرح أسئلة توضيحية . ففي دراسة حالة تتعلق بحملات إعلانية، على سبيل المثال، من المنطقي تمامًا السؤال عن الموسمية، والإطار الزمني المستهدف، وما إذا كانت المقاييس تُطلب لكل مستخدم أو لكل ظهور، وما إلى ذلك. غالبًا ما يؤدي الصمت والاعتماد على الافتراضات إلى حلول لا تتوافق مع ما كان يدور في ذهن المُحاور.

وأخيرًا، تجنب أسلوب "الإفراط في البرمجة": أي إنشاء حلول معقدة بلا داعٍ بينما يمكن تبسيط الاستعلام أو البرنامج النصي. في بيئات العمل الواقعية، تُقدَّر الوضوح وسهولة الصيانة والكفاءة ، لا الحلول المعقدة كالألغاز.

خطة تحضير مكثفة خلال أسبوعين

إذا كان لديك وقت محدود قبل المقابلة، يمكنك اتباع خطة مكثفة تغطي المجالات الرئيسية الثلاثة: لغة SQL، ولغة بايثون مع مكتبة Pandas، والتطبيق العملي. لن تُحقق معجزات في 14 يومًا، ولكن يمكنك الوصول بمستوى جيد من الكفاءة وثقة معقولة.

خلال الأيام الأولى، يُنصح بالتركيز على أساسيات لغة SQL من المستوى المبتدئ إلى المتوسط : مراجعة القواعد الأساسية، وعبارات الربط (JOIN)، وعبارات التجميع (GROUP BY)، والاستعلامات الفرعية، ووظائف النافذة الأكثر شيوعًا. خصص وقتًا لقراءة الأمثلة وكتابة استعلاماتك الخاصة.

في المرحلة الثانية، ركّز على مكتبة Pandas : تحميل البيانات، وتنظيفها، وتصفيتها، وتجميعها، ودمجها، بالإضافة إلى بعض عمليات التصور السريع باستخدام Matplotlib أو Seaborn. لستَ بحاجة إلى إنشاء لوحات معلومات معقدة، ولكن عليك أن تكون قادرًا على محاكاة نفس التحويلات التي تُجريها في SQL باستخدام لغة Python.

ثم خصص عدة أيام لإجراء تمارين عملية على منصات مثل HackerRank أو مستودعات المقابلات التقنية. الهدف هو التعود على أسلوب العمل، وقيود الوقت، وضغط كتابة التعليمات البرمجية في بيئة منظمة.

وأخيرًا، جرب محاكاة مقابلة كاملة أو اثنتين : خذ مجموعة بيانات عامة، واطرح أسئلة عمل معقولة، وقم بحلها باستخدام SQL أو Python، واشرح منطقك بالكامل بصوت عالٍ، من الاستكشاف الأولي إلى الاستنتاجات النهائية.

من خلال مزيج جيد من المراجعة النظرية والتدريب الموجه والتمارين الواقعية، ستصل إلى يوم المقابلة بأساس متين في لغة SQL المتوسطة، ولغة بايثون لتحليل البيانات، ومقاييس النموذج - وهو بالضبط ما تتوقعه معظم الشركات في مجال تكنولوجيا الإعلان وتحليلات البيانات.