- Rozmowy kwalifikacyjne o charakterze technicznym w branży technologii reklamowych skupiają się na znajomości średnio zaawansowanego języka SQL, znajomości języka Python z biblioteką Pandas oraz umiejętnościach analitycznych.
- Niezbędna jest znajomość funkcji JOIN, GROUP BY, podzapytań i funkcji okien w języku SQL oraz ich odpowiedników w systemie pandas.
- Zrozumienie wskaźników oceny modelu, takich jak dokładność, F1 lub ROC-AUC, zwiększa wartość w rolach związanych z zaawansowaną analityką.
- Skuteczne przygotowanie łączy w sobie teorię, liczne ćwiczenia praktyczne i naukę objaśniania rozumowania na głos.
Jeśli przygotowujesz się do rozmowy kwalifikacyjnej w branży technologii reklamowych , analityki cyfrowej lub analizy danych , prędzej czy później będziesz musiał zmierzyć się z przerażającym testem technicznym. Firmy sprawdzają wtedy, czy naprawdę opanowałeś to, co umieściłeś w swoim CV: SQL do ekstrakcji danych, Python do ich przetwarzania i analizy oraz umiejętności analitycznego myślenia, aby nie zgubić się w gąszczu tabel i skryptów.
Dobra wiadomość jest taka, że rozmowy kwalifikacyjne na stanowiska techniczne to nie magia: zazwyczaj koncentrują się na tych samych blokach: SQL, Python i ewaluacji modeli . Jeśli dogłębnie zrozumiesz podstawy, poćwiczysz z prawdziwymi ćwiczeniami i nauczysz się uzasadniać swoje rozumowanie, zyskasz znaczną przewagę nad innymi kandydatami.
Dlaczego rozmowy kwalifikacyjne na stanowiska techniczne są przerażające (i jak sobie z nimi poradzić)
Na stanowiskach analityka danych lub w dziale produktów w branży technologii reklamowych, rozmowy kwalifikacyjne o charakterze technicznym zazwyczaj łączą pytania koncepcyjne z ćwiczeniami praktycznymi . Możesz zostać poproszony o wyjaśnienie funkcji klauzuli SQL lub rozwiązanie przypadku biznesowego dotyczącego danych z kampanii reklamowych w modelu programistycznym.
Zazwyczaj będziesz oceniany na trzech płaszczyznach: znajomość języka SQL na poziomie średnio zaawansowanym (JOIN, GROUP BY, podzapytania, funkcje okienkowe), znajomość języka Python zorientowanego na dane (Pandas, czyszczenie, agregacje, scalanie) oraz umiejętność interpretowania wyników i komunikowania ustaleń . Nie szukamy doświadczonego analityka danych, ale osoby, która potrafi pracować z danymi w sposób solidny i niezawodny.
Typowym błędem popełnianym przez wielu kandydatów jest skupianie się na zapamiętywaniu składni i zapominanie o przećwiczeniu kompletnych ćwiczeń , podobnych do tych, które można spotkać na platformach takich jak HackerRank, StrataScratch czy w wewnętrznych testach firm. Twoim celem powinno być przybycie na rozmowę kwalifikacyjną z dziesiątkami bardzo podobnych zapytań i skryptów.
Poziom SQL jest zazwyczaj wymagany w rozmowach kwalifikacyjnych na stanowisko analityka danych i analityka reklamowego
Od analityka w branży technologii reklamowych lub marketingu cyfrowego oczekuje się biegłości w klasycznym relacyjnym SQL : wyodrębnianiu danych z wielu tabel, łączeniu, grupowaniu, filtrowaniu i tworzeniu użytecznych metryk. Nie będą wymagane umiejętności administrowania bazami danych, ale powinieneś swobodnie radzić sobie z umiarkowanie złożonymi zapytaniami.
Zazwyczaj test obejmuje zapytania łączące klauzule INNER JOIN, LEFT JOIN, filtry z klauzulami WHERE, agregacje z GROUP BY oraz niektóre warunki dotyczące agregatów z klauzulami HAVING. W nieco bardziej zaawansowanych sytuacjach bardzo często można spotkać podzapytania i funkcje okienkowe do rankingów, sum skumulowanych i porównań wierszy.
W branży technologii reklamowych prawdopodobnie będziesz odpowiadać na pytania biznesowe, takie jak: „Które kampanie mają lepszy współczynnik CTR niż średnia w branży?” lub „Którzy wydawcy tracą liczbę wyświetleń w porównaniu z poprzednim miesiącem?”. Efektywne rozwiązywanie tych pytań zazwyczaj wymaga podstawowej wiedzy na temat skorelowanych podzapytań i funkcji okien.
Podstawowe pytania dotyczące języka SQL, które często się pojawiają (i jak na nie odpowiadać)
Prawie każda rozmowa kwalifikacyjna na stanowisko techniczne zorientowane na dane obejmuje zestaw podstawowych pytań z teorii SQL . Nie mają one na celu zaskoczyć Cię, ale raczej upewnić się, że masz solidne podstawy.
Jednym z najczęściej zadawanych pytań jest różnica między WHERE a HAVING . Najprostszym sposobem wyjaśnienia jest to, że WHERE filtruje pojedyncze wiersze przed grupowaniem , podczas gdy HAVING filtruje grupy, które zostały już zagregowane . Można również wspomnieć, że warunki obejmujące funkcje agregacji (COUNT, SUM, AVG itp.) powinny być umieszczane w HAVING, a nie WHERE.
Kolejnym klasycznym pytaniem jest, jakie typy JOIN istnieją i kiedy należy ich używać: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN, a w niektórych przypadkach CROSS JOIN lub self-join. W analizie danych LEFT JOIN jest szeroko stosowany, gdy chcemy zachować cały główny zbiór danych (na przykład wszystkich użytkowników), nawet jeśli w tabeli pomocniczej nie ma powiązanych rekordów (na przykład zakupów).
Przykłady podstawowych zapytań SQL i ich logika
Aby dać Ci pojęcie o „minimalnym rozsądnym” poziomie, powinieneś umieć pisać zapytania z pamięci, takie jak wybieranie określonych kolumn, filtrowanie wierszy i sortowanie wyników . Na bardzo podstawowym poziomie, typowe pytania obejmują: jak wyodrębnić wszystkie kolumny z tabeli, jak wybrać tylko niektóre kolumny lub jak stosować czytelne aliasy w AS.
Często pojawiają się również pytania o klauzulę WHERE z wieloma warunkami łączącymi AND, OR i NOT, a także o to, jak używać operatorów porównania (<, <=, >, >=, =) zarówno dla wartości liczbowych, jak i dat. Wiele firm kładzie nacisk na filtry NULL , gdzie samo użycie znaku równości nie wystarczy; konieczne jest użycie IS NULL lub IS NOT NULL.
Kolejnym klasykiem jest filtrowanie tekstowe z użyciem funkcji LIKE i wzorców z użyciem symboli wieloznacznych % i _. Na przykład można znaleźć kampanie, których nazwy zawierają określone słowo, lub użytkowników, których adresy e-mail kończą się na określoną domenę. Warto wyjaśnić, że funkcja LIKE '%text%' wyszukuje wzorzec w dowolnym miejscu ciągu znaków.
Na koniec, ta podstawowa sekcja zazwyczaj omawia, jak aktualizować rekordy za pomocą klauzuli UPDATE i filtrować wiersze modyfikowane za pomocą klauzuli WHERE, a także jak usuwać wiersze za pomocą klauzuli DELETE FROM z użyciem jasnych warunków. Należy zawsze podkreślać znaczenie użycia konkretnej klauzuli WHERE, aby uniknąć przypadkowego usunięcia połowy tabeli.
Zapytania pośrednie: GROUP BY, HAVING, podzapytania i UNION
Gdy przekroczysz poziom juniora, niemal każda firma zacznie doceniać Twoją biegłość w łączeniu funkcji GROUP BY, funkcji agregujących i filtrów na agregatach z HAVING . To właśnie będziesz codziennie wykorzystywać do generowania raportów skuteczności kampanii, odbiorców i materiałów reklamowych.
Działa to w następujący sposób: funkcja GROUP BY grupuje wiersze według jednej lub więcej kolumn. Do tych grup można zastosować funkcję SUMA, LICZBA, ŚREDNIA, MIN i MAX, aby obliczyć metryki. Następnie należy użyć funkcji HAVING, aby zachować tylko grupy spełniające określony warunek, na przykład klientów ze sprzedażą powyżej określonego progu.
Innym powtarzającym się motywem są podzapytania : zapytania w obrębie innego zapytania. Są one często używane do filtrowania według wartości obliczonych w poprzednim kroku, na przykład do wybierania klientów ze sprzedażą powyżej średniej globalnej lub kampanii z wyświetleniami powyżej 90. percentyla.
Często pytacie również o różnicę między UNION a UNION ALL . UNION łączy dwa zestawy wyników z tym samym schematem i usuwa duplikaty; UNION ALL robi to samo, ale zachowuje wszystkie wiersze, nawet jeśli się powtarzają. W analizie danych często preferuje się UNION ALL ze względu na wydajność i chęć zachowania wszystkich oryginalnych rekordów.
Funkcje okienne: kolejny krok w SQL
Funkcje okien stały się standardem w testach technicznych na pewnym poziomie, zwłaszcza w przypadku ról związanych z technologią reklamową, gdzie konieczna jest analiza trendów na przestrzeni czasu, rankingów kampanii lub całkowitych wartości inwestycji.
Kluczową ideą jest to, że funkcja okna oblicza wartość dla zestawu wierszy powiązanych z bieżącym wierszem , ale bez zwijania wyniku, jak robi to funkcja GROUP BY. Innymi słowy, nadal widzisz każdy pojedynczy wiersz, ale w połączeniu z agregatem obliczonym dla „okna” danych.
Typowa składnia polega na użyciu funkcji (SUMA, ŚREDNIA, RANKING itd.), a następnie funkcji OVER, a następnie zdefiniowaniu partycji (PARTITION BY) i kolejności (ORDER BY). Na przykład, obliczając ranking sprzedaży według sprzedawcy lub skumulowaną liczbę wyświetleń dziennie.
Aby wykazać się biegłością, powinieneś zapoznać się z funkcjami takimi jak RANK, DENSE_RANK, ROW_NUMBER, LAG i LEAD . Są one bardzo przydatne do klasyfikowania kampanii na podstawie ich skuteczności, porównywania każdego okresu z poprzednim lub identyfikowania zmian kluczowych wskaźników rok do roku.
CTE, sumy skumulowane i średnie kroczące
Podczas współczesnych rozmów kwalifikacyjnych czytelność kodu SQL jest niezwykle ważna. Dlatego często pyta się o wyrażenia CTE (Common Table Expressions) . CTE to w zasadzie typ nazwanej tabeli tymczasowej, zdefiniowanej za pomocą klauzul WITH, która istnieje tylko podczas wykonywania zapytania.
CTE służą do rozbijania złożonych zapytań na logiczne bloki i ponownego wykorzystywania wyników pośrednich. Na przykład, najpierw obliczasz dzienne metryki dla każdej kampanii w CTE, a następnie, w głównym zapytaniu, przeprowadzasz dodatkowe agregacje lub filtrowanie na podstawie tego wyniku.
Innym bardzo popularnym ćwiczeniem jest obliczanie sumy bieżącej przy użyciu funkcji okna SUM. W środowiskach technologii reklamowych często pojawia się prośba o podanie skumulowanej liczby wyświetleń, kliknięć lub wydatków, aby sprawdzić, jak kampania radzi sobie w czasie.
Z tym powiązane są średnie kroczące , w których AVG jest stosowana jako funkcja okna w przesuniętym wierszu (na przykład dwóch poprzednich dat i bieżącej). To prosty sposób na wygładzenie szeregów czasowych i wykrycie trendów bez tak dużego polegania na dziennych szczytach.
Analityk danych zazwyczaj wymaga znajomości języka Python
Na większości stanowisk analityka danych (w tym w branży technologii reklamowych) firmy nie oczekują od Ciebie bycia guru uczenia maszynowego, ale praktycznej znajomości Pythona z biblioteką Pandas . Zazwyczaj będziesz proszony o załadowanie zestawów danych, ich oczyszczenie, transformację i uzyskanie prostych metryk lub wizualizacji.
Testy w Pythonie zazwyczaj koncentrują się na operacjach takich jak odczyt danych z plików CSV , sprawdzanie wartości null i typów kolumn, filtrowanie wierszy, tworzenie nowych kolumn, agregacje za pomocą metody groupby oraz łączenia między ramkami danych. W wielu przypadkach sformułowanie jest niemal identyczne z częścią SQL, ale w formacie Pandas.
W testach analitycznych rzadko zachodzi potrzeba tworzenia złożonych modeli od podstaw, choć analityk może docenić Twoją umiejętność korzystania z narzędzia scikit-learn w celu wytrenowania podstawowego modelu, a przede wszystkim Twoją wiedzę na temat podstawowych wskaźników pomiaru jego wydajności.
Podstawowe operacje w Pandas, które powinieneś opanować
Aby pomyślnie ukończyć dowolne ćwiczenie z danymi w Pythonie, musisz biegle posługiwać się podstawowymi operacjami na ramkach danych (DataFrames). Pierwszym krokiem jest zazwyczaj załadowanie pliku za pomocą `read_csv` i zapoznanie się z jego strukturą za pomocą metod takich jak `head()`, `info()` lub `describe()`.
Zazwyczaj pojawia się także część dotycząca czyszczenia wartości null : zliczanie, ile wartości null znajduje się w każdej kolumnie za pomocą isnull().sum(), decydowanie, czy usunąć całe wiersze lub kolumny za pomocą dropna(), czy uzupełnić brakujące za pomocą fillna(), na przykład używając średniej lub mediany kolumny.
Jeśli chodzi o filtry, zostaniesz poproszony o utworzenie warunków dla kolumn liczbowych lub kategorycznych, na przykład wybierając sprzedaż powyżej określonej kwoty lub wiersze spełniające kilka warunków połączonych znakami & i |. Kluczem jest umiejętność bezproblemowego pisania df .
Wyjaśnienie funkcji `groupby` w Pandas jest prawie zawsze uwzględniane, ponieważ jest to bezpośredni odpowiednik funkcji `GROUP BY` w SQL. Grupujesz według jednej lub kilku kolumn, a następnie stosujesz agregacje, takie jak `suma`, `średnia`, `liczba` itd. Składnia `groupby('kolumna').agg()` jest niezbędna.
Łączy i scala między ramkami danych
Tak jak opanowanie sprzężeń JOIN jest niezbędne w SQL, tak opanowanie komendy pd.merge jest obowiązkowe w Pandas . Firmy będą chciały sprawdzić, czy potrafisz łączyć zbiory danych, które mają wspólny klucz, na przykład tabelę użytkowników z inną tabelą zdarzeń lub zakupów.
Funkcja scalania pobiera dwie ramki danych, które mają zostać połączone, kolumnę kluczową (włączoną) oraz typ łączenia (jak), który może być „lewy”, „prawy”, „wewnętrzny” lub „zewnętrzny”, tak jak w SQL. W analizie danych łączenie lewe służy głównie do zachowania głównego zestawu danych i dodawania atrybutów lub metryk z tabel drugorzędnych.
Podczas rozmowy kwalifikacyjnej warto poruszyć takie szczegóły, jak to, co się dzieje, gdy po obu stronach występują zduplikowane klucze, lub jak radzić sobie z konfliktami nazw kolumn z sufiksami parametrów. To świadczy o wyższym poziomie dojrzałości.
Typowe, bardziej teoretyczne pytania dotyczące Pythona
Poza pandas, wiele rozmów kwalifikacyjnych zawiera krótki blok ogólnych pytań z Pythona , sprawdzających zrozumienie języka. Zazwyczaj są to krótkie pytania dotyczące funkcji, pamięci, typów danych lub krótkich fragmentów składni.
Jednym z często poruszanych tematów jest automatyczne zarządzanie pamięcią w Pythonie, oparte na prywatnym stosie, do którego użytkownik nie ma bezpośredniego dostępu, oraz na zbieraczu śmieci, który jest odpowiedzialny za zwalnianie obiektów, które nie mają już odniesień.
Często prosi się również o porównanie Pythona z Javą , nie po to, by wskazać zwycięzcę, ale by pokazać, że rozumie się różnice: Python jest bardziej dynamiczny, ma bardziej zwięzłą składnię, idealnie nadaje się do prototypowania i nauki o danych, podczas gdy Java dominuje w ekosystemach korporacyjnych i o wysokiej wydajności.
Inne typowe pytania dotyczą wyrażeń lambda (anonimowych funkcji do prostych operacji), procesów piklowania/rozpakowywania służących do serializacji obiektów do bajtów i ich pobierania lub różnic między listami i krotkami, z których pierwsze są zmienne i definiowane za pomocą nawiasów kwadratowych, a drugie są niezmienne i definiowane za pomocą okrągłych pierścieni.
Więcej kluczowych pojęć z Pythona na rozmowach kwalifikacyjnych
Często pojawia się pytanie, jak usunąć lub skopiować obiekt w Pythonie. Zazwyczaj wystarczy wyjaśnić, że do usunięcia referencji można użyć polecenia `del`, a płytkie kopie wykonuje się poleceniem `copy.copy()`, natomiast głębokie kopie wymagają polecenia `copy.deepcopy()`.
Inną koncepcją, która może się pojawić, zwłaszcza w większej liczbie profili zaplecza, jest tzw. efekt dogpile , opisujący scenariusz, w którym wielu użytkowników lub procesów atakuje zasób (na przykład stronę internetową lub pamięć podręczną) w tym samym czasie, powodując przeciążenie systemu.
W kontekście ekosystemu, możesz również napotkać pytania dotyczące baz danych, których można używać z Pythonem . Najrozsądniej jest wymienić kilka popularnych baz danych, takich jak MySQL, PostgreSQL, SQLite, MongoDB i Oracle, i zauważyć, że Python generalnie dobrze integruje się z szeroką gamą relacyjnych i NoSQL silników baz danych.
Na koniec często pojawiają się prostsze pytania, na przykład: jak sortować słownik, używając sortowanych elementów, czym jest przestrzeń nazw i do czego się ją stosuje (kojarzenie nazw z obiektami w różnych zakresach) lub jak uruchomić podproces, używając modułu subprocess z funkcjami takimi jak run() lub Popen().
Metryki do oceny modeli w Pythonie: minimum, które powinieneś znać
Chociaż wiele stanowisk analityka nie wymaga projektowania architektur głębokiego uczenia, powszechnie wymagana jest znajomość podstawowych wskaźników oceny modeli klasyfikacji , zwłaszcza jeśli rola obejmuje produkty danych, atrybucję kampanii lub wykrywanie oszustw w technologii reklamowej.
Punktem wyjścia jest macierz pomyłek , która podsumowuje sukcesy i porażki klasyfikatora binarnego lub wieloklasowego. W przypadku klasyfikatora binarnego jest ona podzielona na prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). Dogłębne zrozumienie tych czterech kategorii jest kluczowe.
Z macierzy wyprowadzane są takie wskaźniki, jak dokładność , która mierzy odsetek prawidłowych prognoz w stosunku do całości; precyzja (TP / pozytywne prognozy); oraz czułość (TP / rzeczywiste pozytywne). Te dwa ostatnie są szczególnie ważne, gdy klasy są niezrównoważone.
Wynik F1 łączy dokładność i czułość za pomocą średniej harmonicznej, karząc szczególnie niskie wyniki w obu przypadkach. Jest to powszechny wskaźnik w sytuacjach, w których zarówno wyniki fałszywie dodatnie, jak i fałszywie ujemne są kosztowne, na przykład w wykrywaniu oszustw, ocenie potencjalnych potencjalnych klientów lub wykrywaniu chorób.
Inne zaawansowane wskaźniki: ROC-AUC, logloss, Jaccard i inne
W przypadku stanowisk wymagających mocniejszego zaangażowania w naukę o danych lub analitykę marketingową firmy sprawdzają, czy kandydat opanował bardziej zaawansowane wskaźniki, takie jak ROC-AUC , które mierzą obszar pod krzywą ROC i odzwierciedlają zdolność modelu do oddzielania klas.
Krzywa ROC przedstawia zależność między wskaźnikiem wyników prawdziwie dodatnich (współczynnik rozpoznawalności) a wskaźnikiem wyników fałszywie dodatnich (1 – swoistość) dla różnych progów decyzyjnych. Model losowy znajdowałby się na linii przekątnej, podczas gdy dobry model znajdowałby się bliżej lewego górnego rogu. Im większy obszar pod krzywą, tym lepsza zdolność rozróżniania.
Inną popularną miarą jest strata logarytmiczna (logloss) , która ocenia jakość przewidywanych prawdopodobieństw, silnie karząc za nadmierną pewność siebie i błędy. Idealny model miałby stratę logarytmiczną równą 0, a generalnie im niższa strata logarytmiczna, tym lepiej.
Mogą Cię również zapytać o indeks Jaccarda , który mierzy podobieństwo między dwoma zbiorami jako iloraz rozmiaru części wspólnej i rozmiaru sumy. Jest on używany między innymi do oceny klasyfikatorów, segmentacji i systemów rekomendacji.
W niektórych kontekstach wspomina się o wykresach zysku i wzrostu , które pokazują, jaki odsetek grup docelowych pozyskano, wykorzystując tylko część populacji (na przykład 20% użytkowników o najwyższych ocenach w modelu). Jest to powszechnie stosowane w marketingu, aby zdecydować, do kogo kierować reklamy w pierwszej kolejności.
Kołmogorow-Smirnow, współczynnik Giniego i pogłębiona ocena
Jeżeli firma w dużym stopniu skupia się na modelach scoringowych lub modelach ryzyka, mogą pojawić się wskaźniki takie jak statystyka Kołmogorowa-Smirnowa (KS) , która mierzy stopień rozdzielenia rozkładów ocen dodatnich i ujemnych.
Wartość KS bliska 100 (w procentach) oznacza, że model rozdziela dwie populacje niemal idealnie; wartość bliska 0 oznacza, że model nie rozróżnia lepiej niż losowo. W praktyce modele rzeczywiste mieszczą się w wartościach pośrednich i są porównywane ze sobą w celu wyłonienia najlepszego modelu.
Współczynnik Giniego to kolejny wskaźnik wyprowadzony ze wzoru ROC-AUC: Gini = 2 × AUC – 1. Jest on bardzo popularny w sektorze kredytowym i ubezpieczeniowym, a także interpretowany jako miara nierówności: im wyższy współczynnik Giniego, tym większa zdolność modelu do koncentrowania prawdziwie pozytywnych wyników przy wyższych wynikach.
W bardziej zaawansowanych rozmowach kwalifikacyjnych możesz zostać poproszony o wyjaśnienie, w jaki sposób te metryki są implementowane w Pythonie za pomocą scikit-learn (np. confusion_matrix, accuracy_score, roc_auc_score, f1_score…) oraz o skomentowanie, kiedy użyłbyś każdej z nich, w zależności od charakteru problemu i nierównowagi klas.
Jak skonstruować swoje odpowiedzi podczas rozmowy kwalifikacyjnej na stanowisko techniczne
Poza napisanym przez Ciebie kodem, rekruterzy zwracają szczególną uwagę na Twój sposób myślenia i sposób, w jaki się prezentujesz . Źle skonstruowana odpowiedź może sprawić, że będziesz sprawiać wrażenie osoby młodszej, niż jesteś w rzeczywistości, nawet jeśli znasz prawidłowe rozwiązanie.
Bardzo użytecznym podejściem do odpowiadania na pytania techniczne jest: najpierw wyjaśnij koncepcję w jednym zdaniu , następnie podaj konkretny przykład (najlepiej powiązany z jednym z Twoich projektów) i, jeśli to istotne, wspomnij o alternatywach lub niuansach . Działa to równie dobrze w przypadku SQL, Pythona czy metryk modeli.
Na przykład, jeśli ktoś zapyta Cię, do czego służy CTE, możesz odpowiedzieć, że jest to nazwane tymczasowe podzapytanie, które poprawia czytelność złożonych zapytań, dodać, że używa się go, gdy trzeba wielokrotnie ponownie wykorzystać wynik pośredni, i wspomnieć, że w niektórych przypadkach można je zastąpić zagnieżdżonymi podzapytaniami, mimo że jest to mniej jasne.
Kluczowe jest również głośne myślenie . Jeśli utkniesz w martwym punkcie, nie milcz: powiedz wprost, co próbujesz zrobić, jakich informacji ci brakuje, jakie założenia przyjmujesz. To pomoże rozmówcy zrozumieć twój tok myślenia, a czasem nawet da ci wskazówki lub wyjaśnienia, które ułatwią ci pójście dalej.
Najczęstsze błędy w wywiadach technicznych
Wielu kandydatów odpada nie z powodu braku wystarczających umiejętności SQL lub Pythona, ale z powodu połączenia słabego przygotowania i błędów komunikacyjnych . Kluczowe jest, aby być w pełni świadomym typowych pułapek, aby ich uniknąć.
Pierwszym z nich jest zapamiętywanie bez zrozumienia . Znajomość składni funkcji RANK lub lambda nie jest zbyt przydatna, jeśli nie potrafisz wyjaśnić, w jakich przypadkach warto używać tych narzędzi ani dlaczego są one lepsze od innych alternatyw.
Kolejnym bardzo częstym błędem jest brak oceny jakości danych w ćwiczeniach. Jeśli masz zbiór danych, przed rozpoczęciem agregacji zaleca się sprawdzenie go pod kątem wartości null, duplikatów lub wartości odstających, które mogłyby zaburzyć analizę. To dowód na trzeźwą ocenę sytuacji i praktyczne doświadczenie.
Unikanie zadawania pytań wyjaśniających jest również bardzo szkodliwe . Na przykład w analizie biznesowej kampanii reklamowych, jak najbardziej sensowne jest pytanie o sezonowość, docelowy przedział czasowy, czy metryki są zbierane na użytkownika, czy na wyświetlenie, itd. Milczenie i przyjmowanie założeń często prowadzi do rozwiązań, które nie są zgodne z intencjami osoby przeprowadzającej wywiad.
Wreszcie, unikaj podejścia polegającego na „nadkodowaniu”: tworzeniu niepotrzebnie skomplikowanych rozwiązań, podczas gdy zapytanie lub skrypt mogłyby być prostsze. W rzeczywistych środowiskach pracy ceniona jest przejrzystość, łatwość utrzymania i wydajność , a nie rozwiązania przypominające łamigłówki.
Intensywny dwutygodniowy plan treningowy
Jeśli masz mało czasu przed rozmową kwalifikacyjną, możesz skorzystać ze skróconego planu obejmującego trzy kluczowe obszary: SQL, Python z Pandas i praktyczne zastosowania. Nie zdziałasz cudów w 14 dni, ale możesz osiągnąć solidny poziom biegłości i umiarkowaną pewność siebie.
Przez pierwsze kilka dni warto skupić się na SQL dla początkujących i średnio zaawansowanych : przejrzyj podstawową składnię, JOIN-y, GROUP BY, podzapytania i najpopularniejsze funkcje okienkowe. Poświęć czas zarówno na czytanie przykładów, jak i pisanie własnych zapytań.
W drugiej fazie skoncentruj się na Pandas : ładowaniu danych, czyszczeniu, filtrowaniu, grupowaniu, scalaniu i szybkiej wizualizacji za pomocą Matplotlib lub Seaborn. Nie musisz tworzyć skomplikowanych pulpitów nawigacyjnych, ale musisz być w stanie odtworzyć w Pythonie te same transformacje, które wykonałbyś w SQL.
Następnie zarezerwuj kilka dni na ćwiczenia praktyczne na platformach takich jak HackerRank lub w repozytoriach rozmów kwalifikacyjnych. Celem jest przyzwyczajenie się do formatu, ograniczeń czasowych i presji związanej z pisaniem kodu w kontrolowanym środowisku.
Na koniec przeprowadź jedną lub dwie pełne symulacje wywiadów : weź publiczny zbiór danych, zadaj rozsądne pytania biznesowe, rozwiąż je za pomocą języka SQL lub Pythona, a następnie wyjaśnij głośno całe swoje rozumowanie, od początkowej eksploracji do ostatecznych wniosków.
Dzięki dobremu połączeniu przeglądu wiedzy teoretycznej, praktyki pod okiem instruktora i realistycznych ćwiczeń, na rozmowę kwalifikacyjną przyjdziesz z solidną wiedzą w zakresie średnio zaawansowanego języka SQL, języka Python do analizy danych i metryk modeli — a to jest dokładnie to, czego oczekuje większość firm z branży technologii reklamowych i analizy danych.