- Az adtech területen folytatott technikai interjúk a középhaladó szintű SQL-re, a pandákkal való Pythonra és az analitikai készségekre összpontosítanak.
- Alapvető fontosságú a JOIN, GROUP BY, alkérdések és ablakfüggvények elsajátítása mind SQL-ben, mind ezeknek a pandákban lévő megfelelőiben.
- A modellértékelési metrikák, például a pontosság, az F1 vagy a ROC-AUC megértése értéket ad a haladó elemzői szerepkörökben.
- A hatékony felkészülés ötvözi az elméletet, számos gyakorlati feladatot, és a gondolatmenet hangos magyarázatának megtanulását.
Ha hirdetéstechnológiai , digitális elemzői vagy adatelemzői állásinterjúra készülsz , előbb-utóbb szembe kell nézned a rettegett technikai teszttel. Itt a cégek ellenőrzik, hogy valóban uralod-e azt, amit az önéletrajzodba írsz: SQL-t az adatok kinyeréséhez, Pythont a feldolgozásukhoz és elemzésükhöz, és némi analitikus gondolkodási készséget, hogy ne vessz el a táblázatok és szkriptek között.
A jó hír az, hogy a technikai interjúk nem varázslatosak: általában ugyanazon SQL, Python és modellértékelési blokkok körül forognak . Ha alaposan megérted az alapokat, valós gyakorlatokkal gyakorlod, és megtanulod indokolni az érvelésedet, jelentős előnyre tehetsz szert a többi jelölttel szemben.
Miért ijesztőek a szakmai interjúk (és hogyan lehet levenni róluk a hideget)
Az adtech adatelemzői vagy termékfejlesztői pozíciókban a technikai interjúk jellemzően a koncepcionális kérdéseket élő, gyakorlati feladatokkal kombinálják . Felkérhetnek egy SQL-záradék funkciójának magyarázatára, vagy egy programozott hirdetési kampányadatokat tartalmazó üzleti esettanulmány megoldására.
Általában három fronton fogják értékelni: középszintű SQL (JOIN, GROUP BY, alkérések, ablakfüggvények), adatorientált Python (pandák, tisztítás, aggregációk, egyesítések), valamint az eredmények értelmezésének és a megállapítások közlésének képessége . Nem tapasztalt adattudóst keresnek, hanem olyasvalakit, aki robusztus és megbízható módon tud adatokkal dolgozni.
A jelöltek tipikus hibája, hogy a szintaxis memorizálására koncentrálnak, és elfelejtik a teljes gyakorlatokat gyakorolni – hasonlóan a HackerRank, a StrataScratch vagy a cégek saját belső tesztjein található platformokhoz. A célod az, hogy az interjúra úgy érkezz, hogy már több tucat nagyon hasonló kérdést és szkriptet megoldottál.
SQL szint, ami jellemzően elvárt az adtech és adatelemzői állásinterjúkon
Egy adtech vagy digitális marketing környezetben betöltendő elemzői pozícióhoz a cégek elvárják, hogy jártas legyél a klasszikus relációs SQL használatában : adatok kinyerésében több táblából, kombinálásban, csoportosításban, szűrésben és hasznos metrikák létrehozásában. Nem igényelnek adatbázis-adminisztrációs ismereteket, de a közepesen összetett lekérdezésekkel jártasnak kell lenned.
A teszt jellemzően olyan lekérdezéseket tartalmaz, amelyek az INNER JOIN és a LEFT JOIN függvényeket kombinálják, WHERE záradékokkal szűrőket, GROUP BY záradékokkal végzett aggregációkat , valamint HAVING záradékokkal végzett aggregációkra vonatkozó feltételeket. Innen, kissé fejlettebb pozíciókban, nagyon gyakoriak az allekérdezések és az ablakfüggvények rangsorolásához, összesített összegzéséhez és sor-összehasonlításhoz.
Az adtech szektorban valószínűleg olyan üzleti kérdésekre fogsz válaszolni, mint például: „Mely kampányoknak jobb az átkattintási aránya, mint az iparáguk átlaga?” vagy „Melyik megjelenítő veszít megjelenítéseket az előző hónaphoz képest?”. Ezeknek a kérdéseknek a hatékony megoldásához általában alapvető ismeretekre van szükség a kapcsolódó allekérdezések és ablakfüggvények terén.
Gyakran előforduló alapvető SQL kérdések (és a válaszaik)
Szinte minden adatorientált technikai interjú tartalmaz egy sor alapvető SQL-elméleti kérdést . Nem az a céljuk, hogy leleplezzenek, hanem inkább az, hogy szilárd alapok álljanak rendelkezésedre.
Az egyik leggyakrabban feltett kérdés a WHERE és a HAVING közötti különbség . A legvilágosabb magyarázat az, hogy a WHERE a csoportosítás előtt szűri az egyes sorokat , míg a HAVING a már összesített csoportokat . Azt is megemlíthetjük, hogy az összesítési függvényeket (COUNT, SUM, AVG stb.) tartalmazó feltételeket a HAVING-ba kell helyezni, nem pedig a WHERE-ba.
Egy másik klasszikus kérdés, hogy milyen típusú JOIN-ok léteznek, és mikor melyiket kell használni: INNER JOIN, LEFT JOIN, RIGHTS JOIN, FULL OUTER JOIN, és bizonyos esetekben CROSS JOIN vagy self-join. Az adatelemzésben a LEFT JOIN-t széles körben használják, ha a teljes elsődleges adathalmazt (például az összes felhasználót) meg szeretné őrizni, még akkor is, ha nincsenek kapcsolódó rekordok a másodlagos táblában (például vásárlások).
Példák az alapvető SQL lekérdezésekre és azok logikájára
Hogy képet kapj a „minimum ésszerű” szintről, tudnod kell memóriából lekérdezéseket írni, például adott oszlopok kiválasztását, sorok szűrését és eredmények rendezését . Nagyon alapvető szinten a tipikus kérdések a következők: hogyan lehet kinyerni az összes oszlopot egy táblázatból, hogyan lehet csak néhány oszlopot kiválasztani, vagy hogyan lehet olvasható aliasokat alkalmazni AS-ben.
Gyakran felmerül a kérdés a WHERE záradékkal kapcsolatban is, amely több feltételt tartalmaz, amelyek az AND, OR és NOT operátorokat kombinálják, vagy arról, hogyan kell összehasonlító operátorokat (<, <=, >, >=, =) használni mind numerikus értékekhez, mind dátumokhoz. Sok vállalat a NULL szűrőket hangsúlyozza , ahol az egyenlőségjel használata nem elég; az IS NULL vagy az IS NOT NULL szűrőt kell használni.
Egy másik klasszikus módszer a szövegalapú szűrés a LIKE függvénnyel és a % és _ helyettesítő karaktereket használó mintákkal. Például megtalálhatja azokat a kampányokat, amelyek neve egy adott szót tartalmaz, vagy azokat a felhasználókat, akiknek az e-mail címe egy adott domainre végződik. Fontos elmagyarázni, hogy a LIKE '%text%' a mintát a karakterlánc bármely pontján keresi.
Végül ez az alapvető szakasz általában azt tárgyalja, hogyan frissíthetjük a rekordokat az UPDATE paranccsal , hogyan szűrhetjük a módosított sorokat a WHERE paranccsal, valamint hogyan törölhetjük a sorokat a DELETE FROM paranccsal egyértelmű feltételek használatával. Rendkívül fontos, hogy mindig hangsúlyozzuk egy adott WHERE záradék használatának fontosságát, hogy elkerüljük a tábla felének véletlen törlését.
Köztes lekérdezések: GROUP BY, HAVING, allekérdezések és UNION
Miután túllépsz a junior szinten, szinte minden cég értékelni kezdi a GROUP BY, az aggregátumfüggvények és a HAVING aggregátumokon lévő szűrők kombinációjának elsajátítását . Ezt fogod naponta használni kampányok, közönségek és kreatívok teljesítményjelentéseinek generálásához.
Így működik: A GROUP BY egy vagy több oszlop szerint csoportosítja a sorokat, és ezekre a csoportokra alkalmazhatja a SUM, COUNT, AVG, MIN és MAX függvényeket a metrikák kiszámításához. Ezután jön a HAVING, amely csak azokat a csoportokat tartja meg, amelyek megfelelnek egy feltételnek, például azokat az ügyfeleket, akiknek az értékesítése meghalad egy bizonyos küszöbértéket.
Egy másik visszatérő téma az alkérések : egy másik lekérdezésen belüli lekérdezés. Gyakran használják őket egy előző lépésben kiszámított értékek szerinti szűrésre, például a globális átlag feletti eladásokkal rendelkező ügyfelek vagy a 90. percentilis feletti megjelenítésekkel rendelkező kampányok kiválasztására.
Gyakran kérdezik az UNION és az UNION ALL közötti különbségről is . Az UNION két, azonos sémával rendelkező eredményhalmazt egyesít, és eltávolítja a duplikált elemeket; az UNION ALL ugyanezt teszi, de megőrzi az összes sort, még akkor is, ha ismétlődnek. Adatelemzés során gyakran a UNION ALL-t részesítik előnyben teljesítménybeli okokból, és azért, mert meg akarják őrizni az összes eredeti rekordot.
Ablakfüggvények: a következő ugrás az SQL-ben
Az ablakfüggvények bizonyos szinten a technikai tesztelés szabvánnyá váltak, különösen az adtech-hez kapcsolódó szerepkörökben, ahol időbeli trendeket, kampányrangsorolást vagy befektetési összegeket kell elemezni.
A lényeg az, hogy egy ablakfüggvény egy értéket számít ki az aktuális sorhoz kapcsolódó sorok halmaza alapján , de anélkül, hogy az eredményt a GROUP BY függvénytől eltérően összecsukná. Más szóval, továbbra is láthatók az egyes sorok, de egy adat "ablakon" alapuló összesítéssel együtt.
A tipikus szintaxis a következő függvények használata (SUM, AVG, RANK, stb.), majd az OVER követése, és az OVER-en belül a partíció (PARTITION BY) és a sorrend (ORDER BY) meghatározása. Például az értékesítési rangsor kiszámítása értékesítő szerint vagy a megjelenítések napi összesített száma.
Ha szeretnéd bizonyítani a jártasságodat, ismerkedj meg olyan függvényekkel, mint a RANK, DENSE_RANK, ROW_NUMBER, LAG és LEAD . Ezek nagyon hasznosak kampányok teljesítményük szerinti rangsorolásához, az egyes időszakok előzővel való összehasonlításához, vagy a kulcsfontosságú mutatók éves eltéréseinek azonosításához.
CTE, kumulatív összegek és mozgóátlagok
A modern állásinterjúkon az SQL-kód olvashatósága nagyra értékelendő. Ezért kérdeznek gyakran a Common Table Expressions (CTE) kifejezésekről . A CTE lényegében egy elnevezett ideiglenes tábla, amelyet WITH záradékokkal definiálnak, és amely csak a lekérdezés végrehajtása alatt létezik.
A CTE-k segítségével összetett lekérdezéseket lehet logikai blokkokra bontani , és a köztes eredményeket újra felhasználni. Például először egy CTE-ben kiszámítjuk a kampányonkénti napi mutatókat, majd a fő lekérdezésben további összesítéseket vagy szűréseket végzünk az eredmény alapján.
Egy másik nagyon gyakori gyakorlat a SUM ablakfüggvényként való használatával végzett futó összesítés kiszámítása . Adtech környezetekben normális, hogy a kampány időbeli teljesítményének megtekintéséhez a kumulatív megjelenítéseket, kattintásokat vagy költéseket kérdezik meg.
Ehhez kapcsolódnak a mozgóátlagok , amelyekben az AVG-t ablakfüggvényként alkalmazzák egy eltolt sorkeretre (például a két előző dátumra és az aktuálisra). Ez egy egyszerű módja az idősorok simításának és a trendek észlelésének anélkül, hogy annyira a napi csúcsokra támaszkodnánk.
Adatelemzők számára jellemzően Python szint szükséges
A legtöbb adatelemzői szerepkörben (beleértve az adtech szektort is) a cégek nem várják el, hogy gépi tanulási guru legyél, de elvárják, hogy gyakorlati Python-ismeretekkel rendelkezz pandákkal . Általában adathalmazok betöltésére, tisztítására, átalakítására, valamint egyszerű metrikák vagy vizualizációk beszerzésére kérnek fel.
A Python tesztek jellemzően olyan műveletekre összpontosítanak, mint az adatok olvasása CSV fájlokból , nullák és oszloptípusok vizsgálata, sorok szűrése, új oszlopok létrehozása, aggregációk groupby használatával és DataFrame-ek közötti illesztések. Sok esetben a megfogalmazás szinte megegyezik az SQL résszel, de panda formátumban.
Nem gyakori, hogy egy elemzői tesztben a nulláról kell komplex modelleket építeni, bár értékelhetik a scikit-learn-nel való kapcsolattartás képességét egy alapvető modell betanításához, és mindenekelőtt az alapvető mérőszámok ismeretét a teljesítményének mérésére.
Alapvető panda műveletek, amelyeket elsajátítanod kell
Bármely Python adatfeladat sikeres elvégzéséhez jártasnak kell lenned az alapvető DataFrames műveletekben. Az első lépés általában egy fájl betöltése a `read_csv` használatával , és a szerkezetének feltárása olyan metódusokkal, mint a `head()`, `info()` vagy `describe()`.
A null értékek törlésével kapcsolatos rész is általában megjelenik: oszloponkénti null értékek megszámolása az isnull().sum() függvénnyel, teljes sorok vagy oszlopok törlése a dropna() függvénnyel, vagy hiányzók kitöltése a fillna() függvénnyel, például az oszlop átlagának vagy mediánjának felhasználásával.
Ami a szűrőket illeti, numerikus vagy kategorikus oszlopokra kell feltételeket hoznod létre, például egy bizonyos összeg feletti eladásokat vagy olyan sorokat kell kiválasztanod, amelyek több feltételnek is megfelelnek, & és | karakterekkel kombinálva. A kulcs a df függvény gondolkodás nélküli írásának ismerete.
A pandákban a `groupby` magyarázata szinte mindig szerepel, mivel ez közvetlen megfelelője az SQL `GROUP BY`-jának. Egy vagy több oszlop szerint csoportosítasz, majd összesítéseket alkalmazol, mint például `sum`, `mean`, `count` stb. A `groupby('column').agg()` szintaxis elengedhetetlen.
DataFrame-ek közötti illesztések és egyesítések
Ahogyan a JOIN-ok elsajátítása elengedhetetlen az SQL-ben, úgy a pd.merge elsajátítása kötelező a pandákban . A vállalatoknak tudniuk kell, hogyan kell összekapcsolni azokat az adathalmazokat, amelyek megosztanak egy kulcsot – például egy felhasználói táblázatot egy másik, eseményeket vagy vásárlásokat tartalmazó táblázattal.
Az egyesítés függvény a két összekapcsolandó DataFrame-et, a kulcs oszlopot (on) és az illesztés típusát (how) veszi figyelembe, amely lehet „left”, „right”, „inner” vagy „outer”, akárcsak az SQL-ben. Az adatelemzésben a bal oldali illesztést elsősorban a fő adathalmaz megőrzésére, valamint attribútumok vagy metrikák hozzáadására használják a másodlagos táblákból.
Egy interjúban érdemes megemlíteni a részleteket, például azt, hogy mi történik, ha duplikált kulcsok vannak bármelyik oldalon, vagy hogyan kell kezelni az oszlopnevek ütközését a paraméterutótagokkal. Ez magasabb szintű érettséget sugall.
Tipikus, elméletibb Python kérdések
A pandákon túl sok interjú tartalmaz egy rövid , általános Python kérdésekből álló blokkot, hogy felmérjük a nyelvvel kapcsolatos ismereteidet. Ezek általában rövid kérdések a funkciókról, a memóriáról, az adattípusokról vagy a szintaxis apró részleteiről.
Az ismételten felmerülő témák között szerepel a Pythonban az automatikus memóriakezelés , amely egy olyan privát heap-en alapul, amelyhez a felhasználó közvetlenül nem fér hozzá, valamint egy szemétgyűjtőn, amely a már nem referenciákkal rendelkező objektumok felszabadításáért felelős.
Az is gyakori, hogy a Python és a Java összehasonlítására kérnek fel minket , nem azért, hogy győztest hirdetjünk, hanem hogy bemutassuk, értjük a különbségeket: a Python dinamikusabb, tömörebb szintaxissal rendelkezik, tökéletes prototípus-készítéshez és adattudományhoz, míg a Java inkább a vállalati és nagy teljesítményű ökoszisztémákban dominál.
További tipikus kérdések a lambda kifejezések (anonim függvények egyszerű műveletekhez), az objektumok bájtokká szerializálására és visszakeresésére szolgáló pickling/unpickling folyamatok, illetve a listák és a tuple-k közötti különbség körül forognak, ahol az előbbiek módosíthatók és szögletes zárójelekkel, az utóbbiak pedig módosíthatatlanok és zárójelekkel vannak definiálva.
További kulcsfontosságú Python-fogalmak az interjúkban
Gyakran kérdezik tőlünk, hogyan lehet törölni vagy másolni egy objektumot Pythonban. Általában elég elmagyarázni, hogy a `del` utasítással eltávolítható egy hivatkozás, és hogy a felszínes másolatokat a `copy.copy()` függvénnyel lehet elvégezni, míg a mély másolatokhoz `copy.deepcopy()` szükséges.
Egy másik koncepció, ami megjelenhet, különösen a háttérprofilokban, az úgynevezett dogpile-effektus , ami azt a forgatókönyvet írja le, amikor sok felhasználó vagy folyamat egyszerre támad meg egy erőforrást (például egy webhelyet vagy gyorsítótárat), túlterhelve a rendszert.
Az ökoszisztémával kapcsolatban felmerülhetnek kérdések a Pythonnal használható adatbázisokkal kapcsolatban is . A legésszerűbb megközelítés néhány népszerű adatbázis megemlítése, mint például a MySQL, a PostgreSQL, az SQLite, a MongoDB és az Oracle, és megjegyezni, hogy a Python általában jól integrálódik a relációs és NoSQL adatbázis-motorok széles skálájával.
Végül gyakran felmerülnek egyszerűbb kérdések, például hogyan lehet rendezni egy szótárat az elemek szerinti rendezés használatával, mi a névtér és mire használják (nevek társítása különböző hatókörű objektumokhoz), vagy hogyan lehet elindítani egy alfolyamatot a subprocess modul használatával olyan függvényekkel, mint a run() vagy a Popen().
Metrikák a modellek Pythonban történő kiértékeléséhez: a minimum, amit tudnod kell
Bár sok elemzői pozíció nem igényli a mélytanulási architektúrák tervezését, gyakori, hogy ismerjük az osztályozási modellek értékeléséhez szükséges alapvető mérőszámokat , különösen, ha a szerepkör adattermékekkel, kampány-attribúcióval vagy csalásészleléssel foglalkozik az adtech szektorban.
A kiindulópont a zavaró mátrix , amely összefoglalja egy bináris vagy többosztályos osztályozó sikereit és kudarcait. Bináris esetben ez igaz pozitív (TP), igaz negatív (TN), álpozitív (FP) és álnegatív (FN) osztályokra bontható. E négy kategória alapos ismerete kulcsfontosságú.
A mátrixból olyan mérőszámok származtathatók, mint a pontosság , amely a helyes előrejelzések százalékos arányát méri az összesített számhoz képest; a precizitás (TP / pozitív előrejelzések); és a felidézhetőség vagy érzékenység (TP / tényleges pozitívak). Ez utóbbi kettő különösen fontos, ha az osztályok kiegyensúlyozatlanok.
Az F1 pontszám a pontosságot és a felidézhetőséget a harmonikus átlag segítségével ötvözi, büntetve a különösen alacsony pontszámokat mindkettő esetében. Gyakori mérőszám olyan esetekben, amikor mind a téves pozitív, mind a téves negatív eredmények költségesek, például csalásészlelés, érdeklődőpontozás vagy betegségészlelés.
Egyéb speciális mérőszámok: ROC-AUC, logloss, Jaccard és egyebek
Az erősebb adattudományi vagy marketinganalitikai komponenssel rendelkező pozíciók esetében a cégek azt vizsgálják, hogy elsajátítod-e a fejlettebb mérőszámokat, például a ROC-AUC-t , amely a ROC-görbe alatti területet méri, és tükrözi a modell osztályok szétválasztására való képességét.
A ROC-görbe a valódi pozitív arány (felidézés) és a téves pozitív arány (1 – specificitás) közötti kapcsolatot mutatja különböző döntési küszöbértékek mellett. Egy véletlenszerű modell egy átlós vonalra esik, míg egy jó modell a bal felső sarokhoz közelebb. Minél nagyobb a görbe alatti terület, annál jobb a megkülönböztető képesség.
Egy másik gyakori mérőszám a logveszteség (logloss) , amely a jósolt valószínűségek minőségét méri fel, jelentősen büntetve a túlzott megbízhatóságot és a hibákat. Egy tökéletes modell logvesztesége 0 lenne, és általában minél alacsonyabb a logveszteség, annál jobb.
Kérdezhetnek a Jaccard-indexről is , amely két halmaz hasonlóságát méri a metszéspont méretének és az unió méretének hányadosaként. Többek között osztályozók, szegmentálás és ajánlórendszerek kiértékelésére használják.
Bizonyos esetekben nyereség- és emelkedési diagramokat említenek , amelyek azt mutatják, hogy a célpontok hány százalékát éri el a populáció egy részének (például a modell által értékelt felhasználók felső 20%-ának) felhasználásával. Ezt széles körben használják a marketingben annak eldöntésére, hogy kit célozzon meg először.
Kolmogorov-Smirnov, Gini-együttható és mélyreható értékelés
Ha a vállalat erősen a pontozásra vagy a kockázati modellekre összpontosít, olyan mérőszámok jelenhetnek meg , mint a Kolmogorov-Smirnov (KS) statisztika , amely a pozitív és negatív pontszámok eloszlása közötti különbség mértékét méri.
A 100-hoz közeli KS érték (százalékban) azt jelzi, hogy a modell szinte tökéletesen elválasztja a két populációt; a 0-hoz közeli érték azt jelenti, hogy a modell nem tesz különbséget a véletlennél jobban. A gyakorlatban a valós modellek a közbenső értékek közé esnek, és egymással összehasonlítva választják ki a legjobbat.
A Gini-együttható egy másik, a ROC-AUC-ból származtatott mutató, amely a Gini = 2 × AUC – 1 képletet használja. Nagyon népszerű a hitel- és biztosítási szektorban, és az egyenlőtlenség mértékeként is értelmezik: minél magasabb a Gini-együttható, annál nagyobb a modell azon képessége, hogy a valódi pozitív eredményeket magasabb pontszámokra koncentrálja.
Haladóbb interjúkon felkérhetnek, hogy magyarázd el, hogyan valósítják meg ezeket a metrikák Pythonban a scikit-learn használatával (pl. confusion_matrix, accuracy_score, roc_auc_score, f1_score…), és hogy mikor használnád az egyes metrikák használatát a probléma jellegétől és az osztályok közötti egyensúlyhiánytól függően.
Hogyan strukturáld a válaszaidat a technikai interjú során?
A kódon túl, amit írsz, az interjúztatók nagy figyelmet fordítanak arra is, hogyan gondolkodsz és hogyan magyarázod el magad . Egy rosszul strukturált válasz fiatalabbnak tűnhet, mint amilyen valójában vagy, még akkor is, ha tudod a helyes megoldást.
A technikai kérdések megválaszolásának egy nagyon hasznos megközelítése a következő: először egy mondatban magyarázd el a koncepciót , majd adj egy konkrét példát (ideális esetben a saját projektjeid egyikéhez kapcsolódva), és ha releváns, említs meg alternatívákat vagy árnyalatokat . Ez ugyanolyan jól működik SQL, Python vagy modellmetrikák esetén.
Például, ha megkérdezik, hogy mire való a CTE, azt mondhatnád, hogy egy elnevezett ideiglenes allekérdezés, amely javítja az összetett lekérdezések olvashatóságát, hozzáteheted, hogy akkor használod, ha egy köztes eredményt többször is fel kell használnod, és megemlítheted, hogy bizonyos esetekben beágyazott allekérdezésekkel is helyettesíthető, még akkor is, ha ez kevésbé egyértelmű.
A hangos gondolkodás is kulcsfontosságú . Ha elakadsz, ne maradj csendben: fogalmazd meg, mit próbálsz csinálni, milyen információkat hagysz ki, milyen feltételezésekre gondolsz. Ez segít a kérdezőnek átlátni a gondolkodási folyamatodat, és néha olyan támpontokat vagy pontosításokat is ad, amelyek megkönnyítik a továbblépést.
A leggyakoribb hibák a műszaki adatinterjúk során
Sok jelöltet nem azért zárnak ki, mert nincsenek megfelelő SQL vagy Python ismereteik, hanem a rossz felkészülés és a kommunikációs hibák kombinációja miatt . A gyakori buktatók elkerülése érdekében elengedhetetlen, hogy teljes mértékben tisztában legyünk velük.
Az első a memorizálás megértés nélkül . A RANK vagy egy lambda függvény szintaxisának ismerete nem túl hasznos, ha nem tudod elmagyarázni, hogy milyen esetekben használnád ezeket az eszközöket, vagy miért előnyösebbek más alternatívákkal szemben.
Egy másik nagyon gyakori hiba az adatminőség felmérésének elmulasztása a gyakorlatokban. Ha adathalmazt kapunk, az összesítés megkezdése előtt tanácsos ellenőrizni a nullértékeket, duplikátumokat vagy kiugró értékeket, amelyek torzíthatják az elemzést. Ez józan ítélőképességet és gyakorlati tapasztalatot mutat.
Az is rendkívül káros, ha kerüljük a tisztázó kérdések feltevését . Egy reklámkampányokkal kapcsolatos üzleti esetben például tökéletesen logikus rákérdezni a szezonalitásra, a célzott időkeretre, arra, hogy a mutatókat felhasználónként vagy megjelenítésenként keresik-e, és így tovább. A hallgatás és a feltételezések gyakran olyan megoldásokhoz vezetnek, amelyek nincsenek összhangban azzal, amit a kérdező elképzelt.
Végül kerüld a „túlkódolás” megközelítését: szükségtelenül bonyolult megoldások létrehozását olyan esetekben, amikor a lekérdezés vagy szkript egyszerűbb is lehetne. A valós munkakörnyezetben az érthetőség, a karbantarthatóság és a hatékonyság az elsődleges , nem pedig a kirakós jellegű megoldások.
Intenzív kéthetes edzésterv
Ha korlátozott időd van az interjú előtt, követhetsz egy rövid tervet, amely a három kulcsfontosságú területet fedi le: SQL, Python pandákkal és gyakorlati alkalmazás. 14 nap alatt nem fogsz csodákat tenni, de szilárd szintű jártassággal és kellő magabiztossággal érkezhetsz.
Az első néhány napban érdemes a kezdő és középhaladó SQL- re koncentrálni : áttekinteni az alapvető szintaxist, a JOIN-okat, a GROUP BY-t, az allekérdezéseket és a leggyakoribb ablakfüggvényeket. Szánj időt mind a példák olvasására, mind a saját lekérdezéseid megírására.
Egy második fázisban a pandákra koncentrálj : adatbetöltés, tisztítás, szűrés, csoportosítás, egyesítések és néhány gyors vizualizáció matplotlib vagy seaborn segítségével. Nem kell összetett irányítópultokat készítened, de képesnek kell lenned Pythonban ugyanazokat az átalakításokat reprodukálni, amelyeket SQL-ben végeznél el.
Ezután szánj rá néhány napot gyakorlati feladatok elvégzésére olyan platformokon , mint a HackerRank vagy technikai interjútárhelyek. A cél az, hogy megszokd a formátumot, az időkorlátokat és a kódírás nyomását egy ellenőrzött környezetben.
Végül próbálj ki egy-két teljes interjú szimulációt : vegyél egy nyilvános adathalmazt, tegyél fel ésszerű üzleti kérdéseket, oldd meg őket SQL-lel vagy Pythonnal, és hangosan magyarázd el a teljes érvelésedet, a kezdeti feltárástól a végső következtetésekig.
Az elméleti áttekintés, az irányított gyakorlatok és a realisztikus gyakorlatok jó kombinációjával szilárd alapokkal érkezel az interjú napjára a középszintű SQL, a Python adatelemzéshez és a modellmetrikák terén – ami pontosan az, amit a legtöbb adtech és adatelemző cég elvár.