Pitanja za intervju za SQL i Python adtech: cjeloviti vodič

Informatec Digital » Sredstva » Pitanja za intervju za SQL i Python adtech: cjeloviti vodič

Ako se pripremate za intervju u području adtecha , digitalne analitike ili analize podataka , prije ili kasnije morat ćete se suočiti s onim strašnim tehničkim testom. To je mjesto gdje tvrtke provjeravaju jeste li zaista savladali ono što ste naveli u svom životopisu: SQL za izdvajanje podataka, Python za njihovu obradu i analizu te neke vještine analitičkog razmišljanja kako biste izbjegli da se izgubite među svim tablicama i skriptama.

Dobra je vijest da tehnički intervjui nisu magija: obično se vrte oko istih blokova SQL-a, Pythona i evaluacije modela . Ako temeljito razumijete osnove, vježbate s vježbama iz stvarnog svijeta i naučite objasniti svoje razmišljanje, imat ćete značajnu prednost nad drugim kandidatima.

Zašto su tehnički intervjui zastrašujući (i kako ih ublažiti)

U ulogama analitičara podataka ili proizvoda u adtechu, tehnički intervjui obično kombiniraju konceptualna pitanja s praktičnim vježbama uživo . Možda će vas se zamoliti da objasnite funkciju SQL klauzule ili riješite poslovni slučaj koji uključuje podatke o programatičnoj reklamnoj kampanji.

Obično ćete biti ocjenjivani na tri fronte: SQL srednje razine (JOIN, GROUP BY, podupiti, prozorske funkcije), Python orijentiran na podatke (pande, čišćenje, agregacije, spajanja) i vaša sposobnost interpretacije rezultata i komuniciranja nalaza . Ne traže iskusnog znanstvenika podataka, već nekoga tko može raditi s podacima na robustan i pouzdan način.

Tipična pogreška koju mnogi kandidati čine jest fokusiranje na pamćenje sintakse i zaboravljanje vježbanja cjelovitih vježbi , sličnih onima na koje ćete naići na platformama poput HackerRanka, StrataScratcha ili internih testova samih tvrtki. Vaš cilj trebao bi biti doći na razgovor s već riješenim desetcima vrlo sličnih upita i skripti.

SQL razina koja se obično zahtijeva na razgovorima za posao u adtechu i analitičaru podataka

Za ulogu analitičara u adtech ili digitalnom marketingu, tvrtke očekuju da budete vješti u klasičnom relacijskom SQL-u : izdvajanju podataka iz više tablica, kombiniranju, grupiranju, filtriranju i stvaranju korisnih metrika. Neće biti potrebne vještine administracije baza podataka, ali trebali biste biti ugodni za umjereno složene upite.

Test će obično uključivati ​​upite koji kombiniraju INNER JOIN, LEFT JOIN, filtere s WHERE klauzulama, agregacije s GROUP BY i neke uvjete na agregatima pomoću HAVING klauzula. Od tamo, u nešto naprednijim pozicijama, vrlo je uobičajeno vidjeti podupite i prozorske funkcije za rangiranje, kumulativne zbrojeve i usporedbe redaka.

U adtechu ćete vjerojatno odgovarati na poslovna pitanja poput "Koje kampanje imaju bolji CTR od prosjeka za svoju industriju?" ili "Koji izdavači gube prikaze u usporedbi s prošlim mjesecom?" Učinkovito rješavanje ovih pitanja obično zahtijeva osnovno razumijevanje povezanih podupita i prozorskih funkcija.

Osnovna SQL pitanja koja se često pojavljuju (i kako na njih odgovoriti)

Gotovo svaki tehnički intervju usmjeren na podatke uključuje skup osnovnih SQL teorijskih pitanja . Ne pokušavaju vas uhvatiti u nesvijest, već osigurati da imate čvrstu osnovu.

Jedno od najčešće postavljanih pitanja je razlika između WHERE i HAVING . Najjasniji način da se to objasni jest da WHERE filtrira pojedinačne retke prije grupiranja , dok HAVING filtrira grupe koje su već agregirane . Također možete spomenuti da uvjete koji uključuju funkcije agregacije (COUNT, SUM, AVG itd.) treba smjestiti u HAVING, a ne u WHERE.

Još jedno klasično pitanje je koje vrste JOIN- ova postoje i kada ih koristiti: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN i, u nekim slučajevima, CROSS JOIN ili samospajanje. U analizi podataka, LEFT JOIN se široko koristi kada želite zadržati cijeli primarni skup podataka (na primjer, sve korisnike) čak i ako u sekundarnoj tablici nema povezanih zapisa (na primjer, kupnje).

Primjeri osnovnih SQL upita i njihova logika

Da biste stekli predodžbu o "minimalnoj razumnoj" razini, trebali biste biti u mogućnosti pisati upite iz memorije kao što su odabir određenih stupaca, filtriranje redaka i sortiranje rezultata . Na vrlo osnovnoj razini, tipična pitanja uključuju: kako izdvojiti sve stupce iz tablice, kako odabrati samo neke stupce ili kako primijeniti čitljive aliase s AS-om.

Također je uobičajeno da se pita o klauzuli WHERE s više uvjeta koji kombiniraju AND, OR i NOT ili kako koristiti operatore usporedbe (<, <=, >, >=, =) za numeričke vrijednosti i datume. Mnoge tvrtke naglašavaju NULL filtere , gdje samo korištenje znaka jednakosti nije dovoljno; potrebno je koristiti IS NULL ili IS NOT NULL.

Još jedan klasik je filtriranje na temelju teksta s LIKE-om i uzorcima korištenjem zamjenskih znakova % i _. Na primjer, možete pronaći kampanje čija imena sadrže određenu riječ ili korisnike čije adrese e-pošte završavaju na određenoj domeni. Važno je objasniti da LIKE '%text%' traži uzorak bilo gdje u nizu.

Konačno, ovaj osnovni odjeljak obično pokriva kako ažurirati zapise pomoću naredbe UPDATE i filtrirati redove koji su izmijenjeni pomoću naredbe WHERE, kao i kako izbrisati retke pomoću naredbe DELETE FROM koristeći uvjete jasnoće. Ključno je da uvijek naglasite važnost korištenja određene naredbe WHERE kako biste izbjegli slučajno brisanje polovice tablice.

Međuupiti: GROUP BY, HAVING, podupiti i UNION

Nakon što prijeđete nižu razinu, gotovo svaka tvrtka počinje cijeniti vaše majstorstvo kombiniranja GROUP BY, agregacijskih funkcija i filtera na agregatima s HAVING . To ćete svakodnevno koristiti za generiranje izvješća o učinkovitosti kampanja, publike i kreativnih elemenata.

Radi ovako: GROUP BY grupira retke prema jednom ili više stupaca, a na te grupe možete primijeniti SUM, COUNT, AVG, MIN i MAX za izračun metrike. Sljedeći je HAVING, kako bi se zadržale samo grupe koje ispunjavaju uvjet, na primjer, kupci s prodajom iznad određenog praga.

Druga ponavljajuća tema su podupiti : upit unutar drugog upita. Često se koriste za filtriranje prema vrijednostima izračunatim u prethodnom koraku, kao što je odabir kupaca s prodajom iznad globalnog prosjeka ili kampanja s impresijama iznad 90. percentila.

Također vas često pitaju o razlici između UNION i UNION ALL . UNION kombinira dva skupa rezultata s istom shemom i uklanja duplikate; UNION ALL radi isto, ali zadržava sve retke, čak i ako se ponavljaju. U analizi podataka često ćete preferirati UNION ALL zbog performansi i zato što želite sačuvati sve izvorne zapise.

Funkcije prozora: sljedeći skok u SQL-u

Funkcije prozora postale su standard u tehničkom testiranju na određenoj razini, posebno za uloge povezane s adtechom gdje je potrebno analizirati trendove tijekom vremena, rangiranje kampanja ili ukupne investicije.

Ključna ideja je da prozorska funkcija izračunava vrijednost nad skupom redaka povezanih s trenutnim retkom , ali bez sažimanja rezultata kao što to čini GROUP BY. Drugim riječima, i dalje vidite svaki pojedinačni redak, ali uz njega je i agregat izračunat nad "prozorom" podataka.

Tipična sintaksa je korištenje funkcije (SUM, AVG, RANK itd.) nakon koje slijedi OVER, te unutar OVER definira particiju (PARTITION BY) i redoslijed (ORDER BY). Na primjer, izračunavanje rangiranja prodaje po prodavaču ili kumulativnog broja prikaza dnevno.

Ako želite pokazati vještinu, trebali biste se upoznati s funkcijama poput RANK, DENSE_RANK, ROW_NUMBER, LAG i LEAD . Vrlo su korisne za rangiranje kampanja na temelju njihove uspješnosti, uspoređujući svako razdoblje s prethodnim ili identificirajući varijacije ključnih metrika iz godine u godinu.

CTE, kumulativni iznosi i pomični prosjeci

U modernim razgovorima za posao, čitljivost vašeg SQL koda je visoko cijenjena. Zato će vas često pitati o zajedničkim tabličnim izrazima (CTE) . CTE je u biti vrsta imenovane privremene tablice, definirane klauzulama WITH, koja postoji samo tijekom izvršavanja upita.

CTE-ovi se koriste za raščlanjivanje složenih upita u logičke blokove i ponovnu upotrebu međurezultata. Na primjer, prvo izračunavate dnevne metrike po kampanji u CTE-u, a zatim u glavnom upitu izvodite dodatne agregacije ili filtriranje tog rezultata.

Još jedna vrlo uobičajena vježba je izračunavanje tekućeg zbroja korištenjem funkcije SUM kao prozorske funkcije. U adtech okruženjima normalno je da se od vas traži da zatražite kumulativne prikaze, klikove ili potrošnju kako biste vidjeli kako kampanja funkcionira tijekom vremena.

S tim su povezani pomični prosjeci , kod kojih se AVG primjenjuje kao prozorska funkcija preko pomaknutog okvira retka (na primjer, dva prethodna datuma i trenutni). To je jednostavan način zaglađivanja vremenskih serija i otkrivanja trendova bez prevelikog oslanjanja na dnevne vrhove.

Za analitičara podataka obično je potrebna razina Pythona

U većini uloga analitičara podataka (uključujući adtech), tvrtke ne očekuju da budete guru strojnog učenja, ali očekuju da imate praktično znanje Pythona s pandasima . Obično će se od vas tražiti da učitavate skupove podataka, čistite ih, transformirate i dobivate jednostavne metrike ili vizualizacije.

Python testovi se obično usredotočuju na operacije kao što su čitanje podataka iz CSV datoteka , pregled null vrijednosti i tipova stupaca, filtriranje redaka, stvaranje novih stupaca, agregacije pomoću groupby-ja i spajanja između DataFrames-ova. U mnogim slučajevima, formulacija je gotovo identična SQL dijelu, ali u pandas formatu.

Nije uobičajeno da se u analitičkom testu od nule zahtijeva izrada složenih modela, iako bi analitičari mogli cijeniti vašu sposobnost povezivanja sa scikit-learn za treniranje osnovnog modela i, prije svega, vaše znanje temeljnih metrika za mjerenje njegovih performansi.

Osnovne operacije u pandama koje biste trebali savladati

Za uspješno dovršavanje bilo koje vježbe s podacima u Pythonu, morate biti vješti u osnovnim operacijama s DataFramesima. Prvi korak je obično učitavanje datoteke pomoću `read_csv` i istraživanje njezine strukture metodama poput `head()`, `info()` ili `describe()`.

Obično se pojavljuje i dio o čišćenju null vrijednosti : brojanje koliko null vrijednosti ima po stupcu pomoću isnull().sum(), odlučivanje hoće li se izbrisati cijeli retci ili stupci pomoću dropna() ili popuniti nedostajuće pomoću fillna(), na primjer korištenjem srednje vrijednosti ili medijana stupca.

Što se tiče filtera, bit ćete zamoljeni da izradite uvjete na numeričkim ili kategoričkim stupcima, nešto poput odabira prodaje iznad određenog iznosa ili redaka koji zadovoljavaju nekoliko uvjeta u kombinaciji s & i |. Ključno je znati kako napisati df bez oklijevanja.

Objašnjenje funkcije `groupby` u pandama je gotovo uvijek uključeno, jer je to izravni ekvivalent SQL-ove funkcije `GROUP BY`. Grupirate po jednom ili više stupaca, a zatim primjenjujete agregacije poput `sum`, `mean`, `count` itd. Sintaksa `groupby('column').agg()` je bitna.

Spaja i spaja između DataFrameova

Kao što je savladavanje JOIN-ova ključno u SQL-u, savladavanje pd.merge-a je obavezno u pandama . Tvrtke će htjeti vidjeti znate li kako spojiti skupove podataka koji dijele ključ, na primjer, tablicu korisnika s drugom tablicom događaja ili kupnji.

Funkcija spajanja uzima dva DataFrame-a koje treba spojiti, ključni stupac (on) i vrstu spajanja (how), koja može biti 'left', 'right', 'unutarnji' ili 'vanjski', baš kao u SQL-u. U analizi podataka, lijevo spajanje se prvenstveno koristi za očuvanje glavnog skupa podataka i dodavanje atributa ili metrika iz sekundarnih tablica.

U intervjuu je dobra ideja spomenuti detalje poput onoga što se događa kada postoje duplicirani ključevi s bilo koje strane ili kako riješiti sukobe naziva stupaca s sufiksima parametara. To pokazuje višu razinu zrelosti.

Tipična, više teorijska pitanja o Pythonu

Osim pande, mnogi intervjui uključuju kratki blok općih Python pitanja kako bi se provjerilo vaše razumijevanje jezika. To su obično kratka pitanja o značajkama, memoriji, tipovima podataka ili malim dijelovima sintakse.

Među temama koje se ponavljaju je automatsko upravljanje memorijom u Pythonu, temeljeno na privatnoj hrpi kojoj korisnik ne pristupa izravno i sakupljaču smeća koji je odgovoran za oslobađanje objekata koji više nemaju reference.

Također je uobičajeno da vas se zamoli da usporedite Python i Java , ne da biste proglasili pobjednika, već da biste pokazali da razumijete razlike: Python je dinamičniji, s konciznijom sintaksom, savršen za izradu prototipova i znanost o podacima, dok Java obično dominira u korporativnijim i visokoučinkovitim ekosustavima.

Druga tipična pitanja vrte se oko lambda izraza (anonimnih funkcija za jednostavne operacije), procesa piklinga/odpicklinga za serijalizaciju objekata u bajtove i njihovo dohvaćanje ili razlike između lista i n-torki, gdje su prve promjenjive i definirane uglatim zagradama, a druge nepromjenjive i definirane zagradama.

Više ključnih koncepata Pythona na intervjuima

Često se postavlja pitanje kako izbrisati ili kopirati objekt u Pythonu. Obično je dovoljno objasniti da se za uklanjanje reference može koristiti naredba `del` te da se plitke kopije izvode pomoću `copy.copy()`, dok duboke kopije zahtijevaju `copy.deepcopy()`.

Drugi koncept koji se može pojaviti, posebno u više backend profila, jest takozvani dogpile efekt , koji opisuje scenarij u kojem mnogi korisnici ili procesi istovremeno napadaju resurs (na primjer, web stranicu ili predmemoriju), preopterećenjem sustava.

Vezano uz ekosustav, mogli biste naići i na pitanja o bazama podataka koje se mogu koristiti s Pythonom . Najrazumniji pristup je spomenuti neke popularne poput MySQL-a, PostgreSQL-a, SQLite-a, MongoDB-a i Oraclea, te napomenuti da se Python općenito dobro integrira sa širokim rasponom relacijskih i NoSQL baza podataka.

Konačno, često se javljaju jednostavnija pitanja, poput toga kako sortirati rječnik pomoću sortiranih stavki, što je imenski prostor i za što se koristi (povezivanje imena s objektima u različitim opsegima) ili kako pokrenuti podproces pomoću modula podprocesa s funkcijama poput run() ili Popen().

Metrike za procjenu modela u Pythonu: minimum koji biste trebali znati

Iako mnoge pozicije analitičara neće zahtijevati dizajniranje arhitektura dubokog učenja, uobičajeno je biti upoznat s osnovnim metrikama za procjenu modela klasifikacije , posebno ako uloga uključuje podatkovne proizvode, atribuciju kampanja ili otkrivanje prijevara u adtechu.

Polazna točka je matrica konfuzije , koja sažima uspjehe i neuspjehe binarnog ili višeklasnog klasifikatora. U binarnom slučaju, ona se dijeli na istinite pozitivne (TP), istinite negativne (TN), lažno pozitivne (FP) i lažno negativne (FN). Temeljito razumijevanje ove četiri kategorije je ključno.

Iz matrice se izvode metrike poput točnosti , koja mjeri postotak točnih predviđanja od ukupnog broja; preciznosti (TP / pozitivna predviđanja); i prisjećanja ili osjetljivosti (TP / stvarni pozitivni rezultati). Posljednje dvije su posebno važne kada su klase neuravnotežene.

F1 rezultat kombinira točnost i prisjećanje koristeći harmonijsku sredinu, kažnjavajući posebno niske rezultate za bilo koji od njih. To je uobičajena metrika u scenarijima gdje su i lažno pozitivni i lažno negativni rezultati skupi, kao što su otkrivanje prijevare, bodovanje potencijalnih klijenata ili otkrivanje bolesti.

Ostale napredne metrike: ROC-AUC, logloss, Jaccard i druge

Za pozicije s jačom komponentom znanosti o podacima ili marketinške analitike, tvrtke gledaju jeste li savladali naprednije metrike poput ROC-AUC-a , koja mjeri površinu ispod ROC krivulje i odražava sposobnost modela da odvoji klase.

ROC krivulja predstavlja odnos između stope stvarne pozitivne vrijednosti (podsjećanja) i stope lažno pozitivne vrijednosti (1 – specifičnost) za različite pragove odlučivanja. Slučajni model bi se nalazio na dijagonalnoj liniji, dok bi dobar model bio bliže gornjem lijevom kutu. Što je veća površina ispod krivulje, to je bolja sposobnost razlikovanja.

Druga uobičajena metrika je gubitak logaritma (logloss) , koja procjenjuje kvalitetu predviđenih vjerojatnosti, snažno kažnjavajući pretjerano samopouzdanje i pogreške. Savršen model bi imao gubitak logaritma od 0, i općenito, što je manji gubitak logaritma, to bolje.

Također vas mogu pitati o Jaccardovom indeksu , koji mjeri sličnost između dva skupa kao veličinu presjeka podijeljenu s veličinom unije. Koristi se, između ostalog, za procjenu klasifikatora, segmentacije i sustava preporuka.

U nekim kontekstima spominju se grafikoni dobitka i porasta koji pokazuju koji postotak ciljeva osvajate koristeći samo dio populacije (na primjer, prvih 20% korisnika koje je ocijenio vaš model). To se široko koristi u marketingu kako bi se odlučilo koga prvo ciljati.

Kolmogorov-Smirnov, Ginijev koeficijent i dubinska evaluacija

Ako je tvrtka snažno usmjerena na modele bodovanja ili rizika, mogu se pojaviti metrike poput Kolmogorov-Smirnovljeve (KS) statistike , koja mjeri stupanj odvojenosti između distribucija pozitivnih i negativnih rezultata.

Vrijednost KS-a blizu 100 (kao postotak) ukazuje na to da model gotovo savršeno odvaja dvije populacije; vrijednost blizu 0 implicira da model ne razlikuje ništa bolje od slučajnosti. U praksi, modeli iz stvarnog svijeta spadaju u međuvrijednosti i uspoređuju se jedni s drugima kako bi se odabrao najbolji.

Ginijev koeficijent je još jedna metrika izvedena iz ROC-AUC pomoću formule Gini = 2 × AUC – 1. Vrlo popularan u kreditima i osiguranju, također se tumači kao mjera nejednakosti: što je Gini veći, to je veća sposobnost modela da koncentrira istinski pozitivne vrijednosti pri višim rezultatima.

U naprednijim intervjuima, možda će vas se tražiti da objasnite kako su ove metrike implementirane u Pythonu pomoću scikit-learn-a (npr. confusion_matrix, accuracy_score, roc_auc_score, f1_score…) i da komentirate kada biste koristili svaku od njih ovisno o prirodi problema i neravnoteži u razredu.

Kako strukturirati odgovore tijekom tehničkog intervjua

Osim koda koji pišete, ispitivači pomno prate i način na koji razmišljate i kako se objašnjavate . Loše strukturiran odgovor može vas učiniti mlađima nego što zapravo jeste, čak i ako znate točno rješenje.

Vrlo koristan pristup za odgovaranje na tehnička pitanja je sljedeći: prvo objasnite koncept u jednoj rečenici , zatim navedite konkretan primjer (idealno povezan s jednim od vaših vlastitih projekata) i, ako je relevantno, spomenite alternative ili nijanse . Ovo jednako dobro funkcionira za SQL, Python ili metrike modela.

Na primjer, ako vas pitaju čemu služi CTE, mogli biste reći da je to imenovani privremeni podupit koji poboljšava čitljivost složenih upita, dodati da ga koristite kada trebate ponovno upotrijebiti međurezultat nekoliko puta i spomenuti da ga u nekim slučajevima mogu zamijeniti ugniježđeni podupiti iako je to manje jasno.

Glasno razmišljanje je također ključno . Ako zapnete, nemojte šutjeti: verbalizirajte što pokušavate učiniti, koje informacije vam nedostaju, koje pretpostavke donosite. To pomaže ispitivaču da vidi vaš misaoni proces, a ponekad vam čak daje i tragove ili pojašnjenja koja olakšavaju daljnji rad.

Najčešće pogreške u tehničkim intervjuima

Mnogi kandidati su eliminirani ne zato što nemaju dovoljno vještina SQL-a ili Pythona, već zbog kombinacije loše pripreme i komunikacijskih pogrešaka . Ključno je biti potpuno svjestan uobičajenih zamki kako bi ih se izbjeglo.

Prvo je pamćenje bez razumijevanja . Poznavanje sintakse RANK-a ili lambda funkcije nije baš korisno ako ne možete objasniti u kojim slučajevima biste koristili te alate ili zašto su bolji od drugih alternativa.

Još jedna vrlo česta pogreška je neprocjenjivanje kvalitete podataka u vježbama. Ako vam se da skup podataka, prije nego što počnete agregirati, preporučljivo je provjeriti ima li null vrijednosti, duplikata ili outliera koji bi mogli iskriviti analizu. To pokazuje zdrav razum i praktično iskustvo.

Također je vrlo štetno izbjegavati postavljanje pojašnjavajućih pitanja . U poslovnom slučaju o reklamnim kampanjama, na primjer, savršeno je logično pitati o sezonalnosti, ciljanom vremenskom okviru, traže li se metrike po korisniku ili po prikazu i tako dalje. Šutnja i donošenje pretpostavki često dovodi do rješenja koja nisu u skladu s onim što je ispitivač imao na umu.

Konačno, izbjegavajte pristup "prekodiranja": stvaranje nepotrebno složenih rješenja kada bi upit ili skripta mogli biti jednostavniji. U stvarnim radnim okruženjima cijene se jasnoća, održivost i učinkovitost , a ne rješenja nalik zagonetkama.

Intenzivni dvotjedni plan treninga

Ako imate ograničeno vrijeme prije razgovora, možete slijediti sažeti plan koji pokriva tri ključna područja: SQL, Python s pandama i praktičnu primjenu. Nećete učiniti čuda u 14 dana, ali možete stići sa solidnom razinom znanja i razumnim samopouzdanjem.

Tijekom prvih nekoliko dana, dobra je ideja usredotočiti se na SQL za početnike do srednje napredne razine : ponovite osnovnu sintaksu, JOIN-ove, GROUP BY, podupite i najčešće prozorske funkcije. Posvetite vrijeme čitanju primjera i pisanju vlastitih upita.

U drugoj fazi, usredotočite se na pande : učitavanje podataka, čišćenje, filtriranje, grupiranje, spajanja i brza vizualizacija pomoću matplotlib-a ili seaborn-a. Ne morate izrađivati ​​složene nadzorne ploče, ali morate biti u mogućnosti replicirati u Pythonu iste transformacije koje biste izvodili u SQL-u.

Zatim odvojite nekoliko dana za praktične vježbe na platformama poput HackerRanka ili repozitorija tehničkih intervjua. Cilj je naviknuti se na format, vremenska ograničenja i pritisak pisanja koda u kontroliranom okruženju.

Na kraju, isprobajte jednu ili dvije simulacije intervjua : uzmite javni skup podataka, postavite razumna poslovna pitanja, riješite ih pomoću SQL-a ili Pythona i naglas objasnite cijelo svoje razmišljanje, od početnog istraživanja do konačnih zaključaka.

Uz dobru kombinaciju teorijskog pregleda, vođene prakse i realnih vježbi, na dan razgovora za posao stići ćete s čvrstim temeljima u srednjem SQL-u, Pythonu za analizu podataka i metrikama modela - što je upravo ono što većina tvrtki u adtechu i analitici podataka očekuje.