- Tehnični razgovori v oglaševalski tehnologiji se osredotočajo na srednje napredne SQL, Python s pandami in analitične sposobnosti.
- Bistveno je obvladati JOIN, GROUP BY, podpoizvedbe in okenske funkcije tako v SQL kot njihove ekvivalente v PANDAS.
- Razumevanje metrik ocenjevanja modelov, kot so natančnost, F1 ali ROC-AUC, doda vrednost v vlogah napredne analitike.
- Učinkovita priprava združuje teorijo, številne praktične vaje in učenje glasnega pojasnjevanja sklepanja.

Če se pripravljate na razgovor na področju oglaševalske tehnologije , digitalne analitike ali analize podatkov , se boste prej ali slej morali soočiti z grozljivim tehničnim preizkusom. Tam podjetja preverijo, ali resnično obvladate tisto, kar navedete v svojem življenjepisu: SQL za pridobivanje podatkov, Python za njihovo obdelavo in analizo ter nekaj analitičnih sposobnosti, da se ne bi izgubili med vsemi tabelami in skripti.
Dobra novica je, da tehnični razgovori niso čarovnija: običajno se vrtijo okoli istih blokov SQL-a, Pythona in evalvacije modelov . Če temeljito razumete osnove, vadite z vajami iz resničnega sveta in se naučite pojasniti svoje sklepanje, boste imeli znatno prednost pred drugimi kandidati.
Zakaj so tehnični razgovori strašljivi (in kako jih omiliti)
Pri vlogah podatkovnih analitikov ali produktnih analitikov v oglaševalski tehnologiji tehnični razgovori običajno združujejo konceptualna vprašanja z vajami v živo . Morda boste morali razložiti funkcijo stavka SQL ali rešiti poslovni primer, ki vključuje podatke o programatičnih oglaševalskih kampanjah.
Običajno boste ocenjeni na treh področjih: SQL srednje ravni (JOIN, GROUP BY, podpoizvedbe, okenske funkcije), Python, usmerjen v podatke (pande, čiščenje, agregacije, spajanja) in vaša sposobnost interpretacije rezultatov in sporočanja ugotovitev . Ne iščejo višjega podatkovnega znanstvenika, temveč nekoga, ki zna delati s podatki na robusten in zanesljiv način.
Tipična napaka, ki jo naredijo mnogi kandidati, je, da se osredotočijo na pomnjenje sintakse in pozabijo na celotne vaje , podobne tistim, na katere boste naleteli na platformah, kot so HackerRank, StrataScratch ali interni testi podjetij. Vaš cilj bi moral biti, da na razgovor pridete z že rešenimi desetinami zelo podobnih poizvedb in skriptov.
Stopnja SQL, ki je običajno potrebna pri razgovorih za delo v oglaševalski tehnologiji in pri razgovorih za podatkovne analitike
Za vlogo analitika v okoljih oglaševalske tehnologije ali digitalnega trženja podjetja pričakujejo, da boste usposobljeni za klasični relacijski SQL : pridobivanje podatkov iz več tabel, združevanje, združevanje, filtriranje in ustvarjanje uporabnih metrik. Ne bodo zahtevali veščin upravljanja baz podatkov, vendar bi morali biti vešči dela z zmerno kompleksnimi poizvedbami.
Običajno bo test vključeval poizvedbe, ki združujejo INNER JOIN, LEFT JOIN, filtre s stavki WHERE, združevanja z GROUP BY in nekatere pogoje za agregate z uporabo stavkov HAVING. Od tam naprej je na nekoliko naprednejših položajih zelo pogosto videti podpoizvedbe in okenske funkcije za razvrščanje, kumulativne vsote in primerjave vrstic.
V oglaševalski tehnologiji boste verjetno odgovarjali na poslovna vprašanja, kot sta »Katere kampanje imajo boljši CTR od povprečja v svoji panogi?« ali »Kateri založniki izgubljajo prikaze v primerjavi s prejšnjim mesecem?«. Za učinkovito reševanje teh vprašanj je običajno potrebno osnovno razumevanje povezanih podpoizvedb in okenskih funkcij.
Osnovna vprašanja o SQL, ki se pogosto pojavljajo (in kako nanje odgovoriti)
Skoraj vsak tehnični razgovor, osredotočen na podatke, vključuje niz osnovnih vprašanj iz teorije SQL . Njihov cilj ni, da bi vas ujeli, temveč da bi zagotovili, da imate trdne temelje.
Eno najpogostejših vprašanj je razlika med WHERE in HAVING . Najbolj jasen način za razlago je, da WHERE filtrira posamezne vrstice pred združevanjem , medtem ko HAVING filtrira skupine, ki so že bile agregirane . Omenite lahko tudi, da je treba pogoje, ki vključujejo agregacijske funkcije (COUNT, SUM, AVG itd.), postaviti v HAVING in ne v WHERE.
Drugo klasično vprašanje je, katere vrste operacij JOIN obstajajo in kdaj uporabiti vsako od njih: NOTRANJA ZDRUŽITEV, LEVA ZDRUŽITEV, DESNA ZDRUŽITEV, POPOLNA ZUNANJA ZDRUŽITEV in v nekaterih primerih NAVZKRIŽNA ZDRUŽITEV ali samostojna združitev. Pri analizi podatkov se LEVA ZDRUŽITEV pogosto uporablja, kadar želite ohraniti celoten primarni nabor podatkov (na primer vse uporabnike), tudi če v sekundarni tabeli ni povezanih zapisov (na primer nakupi).
Primeri osnovnih SQL poizvedb in njihova logika
Da bi si ustvarili predstavo o "minimalni razumni" ravni, bi morali biti sposobni pisati poizvedbe iz pomnilnika, kot so izbiranje določenih stolpcev, filtriranje vrstic in razvrščanje rezultatov . Na zelo osnovni ravni tipična vprašanja vključujejo: kako izvleči vse stolpce iz tabele, kako izbrati le nekatere stolpce ali kako uporabiti berljive vzdevke z AS.
Pogosto se sprašujejo tudi o stavku WHERE z več pogoji, ki združujejo AND, OR in NOT, ali o uporabi primerjalnih operatorjev (<, <=, >, >=, =) tako za številske vrednosti kot za datume. Številna podjetja poudarjajo filtre NULL , kjer uporaba znaka enačaja ni dovolj; uporabiti morate IS NULL ali IS NOT NULL.
Druga klasika je filtriranje na podlagi besedila z ukazom LIKE in vzorci z uporabo nadomestnih znakov % in _. Na primer, lahko najdete kampanje, katerih imena vsebujejo določeno besedo, ali uporabnike, katerih e-poštni naslovi se končajo na določeno domeno. Pomembno je pojasniti, da ukaz LIKE '%text%' išče vzorec kjer koli v nizu.
Nazadnje ta osnovni razdelek običajno zajema, kako posodobiti zapise z ukazom UPDATE in filtrirati, katere vrstice so spremenjene, z ukazom WHERE, ter kako izbrisati vrstice z ukazom DELETE FROM z uporabo jasnih pogojev. Ključnega pomena je, da vedno poudarite pomen uporabe posebnega stavka WHERE, da preprečite nenamerno brisanje polovice tabele.
Vmesne poizvedbe: GROUP BY, HAVING, podpoizvedbe in UNION
Ko presežete nižjo raven, skoraj vsako podjetje začne ceniti vaše obvladovanje kombinacije funkcije GROUP BY, agregatnih funkcij in filtrov na agregatih z uporabo funkcije HAVING . To boste vsakodnevno uporabljali za ustvarjanje poročil o uspešnosti za kampanje, ciljne skupine in kreativne elemente.
Deluje takole: GROUP BY združuje vrstice po enem ali več stolpcih, za te skupine pa lahko uporabite SUM, COUNT, AVG, MIN in MAX za izračun metrik. Sledi HAVING, da ohranimo le skupine, ki izpolnjujejo pogoj, na primer stranke s prodajo nad določenim pragom.
Druga ponavljajoča se tema so podpoizvedbe : poizvedba znotraj druge poizvedbe. Pogosto se uporabljajo za filtriranje po vrednostih, izračunanih v prejšnjem koraku, na primer za izbiro strank s prodajo nad svetovnim povprečjem ali kampanj s prikazi nad 90. percentilom.
Pogosto vas sprašujejo tudi o razliki med UNION in UNION ALL . UNION združi dva nabora rezultatov z isto shemo in odstrani podvojene elemente; UNION ALL naredi enako, vendar ohrani vse vrstice, tudi če se ponavljajo. Pri analizi podatkov boste zaradi zmogljivosti in ker želite ohraniti vse izvirne zapise pogosto raje izbrali UNION ALL.
Funkcije okna: naslednji preskok v SQL-u
Funkcije oken so postale standard pri tehničnem testiranju na določeni ravni, zlasti za vloge, povezane z oglaševalsko tehnologijo, kjer je treba analizirati trende skozi čas, uvrstitve kampanj ali skupne naložbe.
Ključna ideja je, da okenska funkcija izračuna vrednost za niz vrstic, povezanih s trenutno vrstico , vendar brez strnjevanja rezultata, kot to počne GROUP BY. Z drugimi besedami, še vedno vidite vsako posamezno vrstico, vendar jo spremlja agregat, izračunan za »okno« podatkov.
Tipična sintaksa je uporaba funkcije (SUM, AVG, RANK itd.), ki ji sledi OVER, in znotraj OVER definirajte particijo (PARTITION BY) in vrstni red (ORDER BY). Na primer, izračun uvrstitve prodaje po prodajalcu ali skupnega števila prikazov na dan.
Če želite dokazati svojo strokovnost, se seznanite s funkcijami, kot so RANK, DENSE_RANK, ROW_NUMBER, LAG in LEAD . Zelo uporabne so za razvrščanje kampanj glede na njihovo uspešnost, primerjavo posameznih obdobij s prejšnjim ali prepoznavanje medletnih variacij ključnih metrik.
CTE, kumulativne vsote in drseča povprečja
V sodobnih razgovorih za službo je berljivost vaše kode SQL zelo cenjena. Zato vas bodo pogosto spraševali o običajnih tabelnih izrazih (CTE) . CTE je v bistvu vrsta poimenovane začasne tabele, definirane s stavki WITH, ki obstaja le med izvajanjem poizvedbe.
CTE-ji se uporabljajo za razčlenitev kompleksnih poizvedb v logične bloke in ponovno uporabo vmesnih rezultatov. Na primer, najprej izračunate dnevne metrike na kampanjo v CTE-ju, nato pa v glavni poizvedbi izvedete dodatne agregacije ali filtriranje tega rezultata.
Druga zelo pogosta vaja je izračun tekočega seštevka z uporabo funkcije SUM kot okenske funkcije. V okoljih oglaševalske tehnologije je običajno, da se od vas zahtevajo kumulativni prikazi, kliki ali poraba, da se vidi, kako se kampanja obnese skozi čas.
S tem so povezana drseča povprečja , pri katerih se AVG uporabi kot okenska funkcija nad premaknjenim okvirjem vrstice (na primer dva prejšnja datuma in trenutni). To je preprost način za glajenje časovnih vrst in zaznavanje trendov, ne da bi se pri tem preveč zanašali na dnevne vrhove.
Za podatkovne analitike je običajno potrebna raven znanja Pythona
V večini delovnih mest analitikov podatkov (vključno z oglaševalsko tehnologijo) podjetja ne pričakujejo, da boste guru strojnega učenja, pričakujejo pa, da boste imeli praktično znanje Pythona s pandas . Običajno boste morali naložiti nabore podatkov, jih očistiti, preoblikovati in pridobiti preproste metrike ali vizualizacije.
Python testi se običajno osredotočajo na operacije, kot so branje podatkov iz datotek CSV , pregled ničelnih vrednosti in tipov stolpcev, filtriranje vrstic, ustvarjanje novih stolpcev, združevanje z uporabo groupby in združevanje med podatkovnimi okvirji (DataFrames). V mnogih primerih je besedilo skoraj enako delu SQL, vendar v formatu pandas.
Ni običajno, da se od analitikov zahteva, da v testu gradijo kompleksne modele iz nič, čeprav bodo morda cenili vašo sposobnost povezovanja s scikit-learn za učenje osnovnega modela in predvsem vaše poznavanje temeljnih metrik za merjenje njegove učinkovitosti.
Osnovne operacije s pandami, ki jih morate obvladati
Za uspešno dokončanje katere koli vaje s podatki v Pythonu morate biti vešči osnovnih operacij s podatkovnimi okvirji (DataFrames). Prvi korak je običajno nalaganje datoteke z uporabo metode `read_csv` in raziskovanje njene strukture z metodami, kot so `head()`, `info()` ali `describe()`.
Običajno se pojavi tudi del o čiščenju ničelnih vrednosti : štetje števila ničelnih vrednosti na stolpec z isnull().sum(), odločanje o tem, ali izbrisati celotne vrstice ali stolpce z dropna() ali zapolniti manjkajoče s fillna(), na primer z uporabo povprečja ali mediane stolpca.
Kar zadeva filtre, boste morali zgraditi pogoje za numerične ali kategorične stolpce, na primer izbiro prodaje nad določenim zneskom ali vrstic, ki izpolnjujejo več pogojev, kombiniranih z & in |. Ključno je vedeti, kako brez oklevanja napisati df .
Razlaga funkcije `groupby` v pandas je skoraj vedno vključena, saj je neposreden ekvivalent SQL-ove funkcije `GROUP BY`. Združujete po enem ali več stolpcih in nato uporabite združevanja, kot so `sum`, `mean`, `count` itd. Sintaksa `groupby('column').agg()` je bistvena.
Združuje in združuje med podatkovnimi okvirji (DataFrames)
Tako kot je obvladovanje ukazov JOIN bistveno v SQL-u, je obvladovanje ukaza pd.merge obvezno v Pandas . Podjetja bodo želela preveriti, ali znate združiti nabore podatkov, ki si delijo ključ, na primer tabelo uporabnikov z drugo tabelo dogodkov ali nakupov.
Funkcija združevanja vzame dva podatkovna okvira, ki ju želimo združiti, ključni stolpec (on) in vrsto združevanja (how), ki je lahko 'left', 'right', 'notranji' ali 'outer', tako kot v SQL. Pri analizi podatkov se levo združevanje uporablja predvsem za ohranitev glavnega nabora podatkov in dodajanje atributov ali metrik iz sekundarnih tabel.
Na razgovoru je dobro omeniti podrobnosti, na primer, kaj se zgodi, če so na obeh straneh podvojeni ključi, ali kako ravnati z navzkrižji imen stolpcev s priponami parametrov. To kaže na višjo raven zrelosti.
Tipična, bolj teoretična vprašanja o Pythonu
Poleg pand mnogi intervjuji vključujejo kratek sklop splošnih vprašanj o Pythonu , s katerimi preverijo vaše razumevanje jezika. To so običajno kratka vprašanja o funkcijah, pomnilniku, podatkovnih tipih ali manjših delih sintakse.
Med temami, ki se pojavljajo vedno znova, je samodejno upravljanje pomnilnika v Pythonu, ki temelji na zasebni kopici, do katere uporabnik nima neposrednega dostopa, in zbiralniku smeti, ki je odgovoren za sproščanje objektov, ki nimajo več referenc.
Pogosto se zgodi tudi, da vas prosijo za primerjavo Pythona in Jave , ne da bi razglasili zmagovalca, temveč da bi pokazali, da razumete razlike: Python je bolj dinamičen, z bolj jedrnato sintakso, idealen za izdelavo prototipov in podatkovno znanost, medtem ko Java prevladuje v bolj korporativnih in visokozmogljivih ekosistemih.
Druga tipična vprašanja se vrtijo okoli lambda izrazov (anonimnih funkcij za preproste operacije), postopkov vstavljanja/razstavljanja za serializacijo objektov v bajte in njihovega pridobivanja ali razlike med seznami in nabori, kjer so prvi spremenljivi in definirani z oglatimi oklepaji, drugi pa nespremenljivi in definirani z oklepaji.
Več ključnih konceptov Pythona na razgovorih
Pogosto se zgodi, da nas vprašajo, kako v Pythonu izbrisati ali kopirati objekt . Običajno je dovolj, da pojasnimo, da lahko za odstranitev reference uporabimo stavek `del` in da se plitve kopije izvedejo z `copy.copy()`, medtem ko globoke kopije zahtevajo `copy.deepcopy()`.
Drug koncept, ki se lahko pojavi, zlasti v več profilih zalednih sistemov, je tako imenovani učinek dogpile , ki opisuje scenarij, v katerem veliko uporabnikov ali procesov hkrati napade vir (na primer spletno mesto ali predpomnilnik) in preobremeni sistem.
V zvezi z ekosistemom boste morda naleteli tudi na vprašanja o podatkovnih bazah, ki jih je mogoče uporabljati s Pythonom . Najbolj smiseln pristop je omeniti nekatere priljubljene, kot so MySQL, PostgreSQL, SQLite, MongoDB in Oracle, ter upoštevati, da se Python na splošno dobro integrira s široko paleto relacijskih in NoSQL mehanizmov podatkovnih baz.
Končno se pogosto pojavijo preprostejša vprašanja, kot so na primer, kako razvrstiti slovar z uporabo razvrščenih elementov, kaj je imenski prostor in za kaj se uporablja (povezovanje imen s predmeti v različnih obsegih) ali kako zagnati podproces z uporabo modula podprocesa s funkcijami, kot sta run() ali Popen().
Metrike za ocenjevanje modelov v Pythonu: minimum, ki ga morate poznati
Čeprav mnoga delovna mesta analitikov ne zahtevajo oblikovanja arhitektur globokega učenja, je običajno poznati osnovne metrike za ocenjevanje klasifikacijskih modelov , zlasti če vloga vključuje podatkovne izdelke, atribucijo kampanj ali odkrivanje goljufij v oglaševalski tehnologiji.
Izhodišče je matrika zmede , ki povzema uspehe in neuspehe binarnega ali večrazrednega klasifikatorja. V binarnem primeru je razdeljena na resnično pozitivne (TP), resnično negativne (TN), lažno pozitivne (FP) in lažno negativne (FN) rezultate. Ključnega pomena je temeljito razumevanje teh štirih kategorij.
Iz matrike se izpeljejo metrike, kot so natančnost , ki meri odstotek pravilnih napovedi od skupnega števila; natančnost (TP / pozitivne napovedi); in odpoklic ali občutljivost (TP / dejanski pozitivni rezultati). Zadnji dve sta še posebej pomembni, kadar so razredi neuravnoteženi.
Rezultat F1 združuje natančnost in priklic z uporabo harmoničnega povprečja, pri čemer se posebej nizki rezultati kaznujejo za oba. Je pogosta metrika v scenarijih, kjer so tako lažno pozitivni kot lažno negativni rezultati dragi, kot so odkrivanje goljufij, točkovanje potencialnih strank ali odkrivanje bolezni.
Druge napredne metrike: ROC-AUC, logloss, Jaccard in druge
Pri delovnih mestih z močnejšo komponento podatkovne znanosti ali marketinške analitike podjetja preverijo, ali obvladate naprednejše metrike, kot je ROC-AUC , ki meri površino pod krivuljo ROC in odraža sposobnost modela za ločevanje razredov.
ROC krivulja predstavlja razmerje med stopnjo resnično pozitivnih (priklic) in stopnjo lažno pozitivnih (1 – specifičnost) za različne pragove odločanja. Naključni model bi padel na diagonalno črto, medtem ko bi bil dober model bližje zgornjemu levemu kotu. Večja kot je površina pod krivuljo, boljša je sposobnost razlikovanja.
Druga pogosta metrika je izguba logaritma (logloss) , ki ocenjuje kakovost napovedanih verjetnosti in močno kaznuje pretirano samozavest in napake. Popoln model bi imel izgubo logaritma 0 in na splošno velja, da nižja kot je izguba logaritma, tem bolje.
Morda vas bodo vprašali tudi o Jaccardovem indeksu , ki meri podobnost med dvema množicama kot velikost presečišča, deljeno z velikostjo združitve. Uporablja se med drugim za vrednotenje klasifikatorjev, segmentacije in sistemov priporočil.
V nekaterih kontekstih se omenjajo grafikoni dobička in dviga , ki prikazujejo, kolikšen odstotek ciljev zajamete z uporabo le dela populacije (na primer 20 % najboljših uporabnikov, ki jih je ocenil vaš model). To se v trženju pogosto uporablja za odločitev, na koga se najprej osredotočiti.
Kolmogorov-Smirnov, Ginijev koeficient in poglobljena ocena
Če se podjetje močno osredotoča na modele točkovanja ali tveganja, se lahko pojavijo metrike, kot je Kolmogorov-Smirnov (KS) statistika , ki meri stopnjo ločitve med porazdelitvami pozitivnih in negativnih ocen.
Vrednost KS blizu 100 (v odstotkih) pomeni, da model skoraj popolnoma loči obe populaciji; vrednost blizu 0 pomeni, da model ne loči nič bolje kot naključno. V praksi modeli iz resničnega sveta spadajo v vmesne vrednosti in se med seboj primerjajo, da se izbere najboljši.
Ginijev koeficient je še ena metrika, izpeljana iz ROC-AUC z uporabo formule Gini = 2 × AUC – 1. Zelo priljubljen je v kreditih in zavarovalništvu, razlaga pa se tudi kot mera neenakosti: višji kot je Gini, večja je sposobnost modela, da koncentrira resnične pozitivne vrednosti pri višjih rezultatih.
V naprednejših razgovorih boste morda morali razložiti, kako so te metrike implementirane v Pythonu z uporabo scikit-learn (npr. confusion_matrix, accuracy_score, roc_auc_score, f1_score…) in komentirati, kdaj bi uporabili vsako od njih, odvisno od narave problema in neravnovesja v razredu.
Kako strukturirati svoje odgovore med tehničnim razgovorom
Poleg kode, ki jo napišete, anketarji pozorno spremljajo tudi vaše razmišljanje in način, kako se predstavljate . Slabo strukturiran odgovor vas lahko naredi videti manjvredne, kot ste v resnici, tudi če poznate pravilno rešitev.
Zelo uporaben pristop za odgovarjanje na tehnična vprašanja je naslednji: najprej v enem stavku razložite koncept , nato navedite konkreten primer (idealno povezan z enim od vaših lastnih projektov) in po potrebi omenite alternative ali nianse . To deluje enako dobro za SQL, Python ali metrike modelov.
Če vas na primer vprašajo, čemu služi CTE, lahko rečete, da gre za poimenovano začasno podpoizvedbo, ki izboljša berljivost kompleksnih poizvedb, dodate, da jo uporabljate, kadar morate vmesni rezultat večkrat ponovno uporabiti, in omenite, da jo je v nekaterih primerih mogoče nadomestiti z ugnezdenimi podpoizvedbami, čeprav je to manj jasno.
Ključnega pomena je tudi razmišljanje na glas . Če se zataknete, ne molčite: ustno povejte, kaj poskušate storiti, katere informacije vam manjkajo, katere predpostavke postavljate. To pomaga anketarju videti vaš miselni proces in vam včasih celo da namige ali pojasnila, ki olajšajo nadaljnje delo.
Najpogostejše napake pri intervjujih s tehničnimi podatki
Mnogi kandidati niso izločeni zaradi pomanjkanja zadostnega znanja SQL ali Pythona, temveč zaradi kombinacije slabe priprave in komunikacijskih napak . Ključnega pomena je, da se popolnoma zavedate pogostih pasti, da se jim izognete.
Prva je pomnjenje brez razumevanja . Poznavanje sintakse funkcije RANK ali lambda ni zelo uporabno, če ne morete nato razložiti, v katerih primerih bi uporabili ta orodja ali zakaj so boljša od drugih alternativ.
Druga zelo pogosta napaka je, da v vajah ne ocenimo kakovosti podatkov . Če dobite nabor podatkov, je pred začetkom združevanja priporočljivo preveriti, ali so prisotne ničle, podvojene vrednosti ali odstopanja, ki bi lahko izkrivila analizo. To kaže na zdravo presojo in praktične izkušnje.
Prav tako je zelo škodljivo, če se izogibate postavljanju pojasnjevalnih vprašanj . V poslovnem primeru o oglaševalskih kampanjah je na primer povsem smiselno vprašati o sezonskosti, ciljnem časovnem okviru, ali se meritve iščejo na uporabnika ali na vtis in tako naprej. Molčanje in predpostavke pogosto vodijo do rešitev, ki niso skladne s tem, kar je imel anketar v mislih.
Končno se izogibajte pristopu »prekodiranja«: ustvarjanju nepotrebno zapletenih rešitev, ko bi lahko bila poizvedba ali skripta enostavnejša. V resničnih delovnih okoljih so cenjene jasnost, vzdrževanje in učinkovitost , ne pa rešitve, podobne ugankam.
Intenzivni dvotedenski načrt treninga
Če imate pred razgovorom omejen čas, lahko sledite strnjenemu načrtu, ki zajema tri ključna področja: SQL, Python s pandami in praktično uporabo. V 14 dneh ne boste naredili čudežev, lahko pa prispete z dobro stopnjo znanja in razumno samozavestjo.
V prvih nekaj dneh se je dobro osredotočiti na SQL za začetnike do srednje napredne : ponovite osnovno sintakso, operacije JOIN, GROUP BY, podpoizvedbe in najpogostejše okenske funkcije. Posvetite čas tako branju primerov kot pisanju lastnih poizvedb.
V drugi fazi se osredotočite na pande : nalaganje podatkov, čiščenje, filtriranje, združevanje v skupine, združevanja in nekaj hitre vizualizacije z matplotlib ali seaborn. Ni vam treba graditi zapletenih nadzornih plošč, vendar morate biti sposobni v Pythonu ponoviti iste transformacije, ki bi jih izvedli v SQL.
Nato si vzemite nekaj dni za praktične vaje na platformah, kot sta HackerRank ali repozitoriji tehničnih intervjujev. Cilj je, da se navadite na format, časovne omejitve in pritisk pisanja kode v nadzorovanem okolju.
Na koncu preizkusite eno ali dve simulaciji celotnega intervjuja : vzemite javno dostopen nabor podatkov, postavite razumna poslovna vprašanja, jih rešite s SQL ali Pythonom in na glas razložite celotno razmišljanje, od začetnega raziskovanja do končnih zaključkov.
Z dobro kombinacijo teoretičnega pregleda, vodene prakse in realističnih vaj boste na dan razgovora prispeli s trdnimi osnovami v srednje naprednem SQL-u, Pythonu za analizo podatkov in modeliranju metrik – kar je točno tisto, kar večina podjetij v oglaševalski tehnologiji in analitiki podatkov pričakuje.
Kazalo
- 1 Zakaj so tehnični razgovori strašljivi (in kako jih omiliti)
- 2 Stopnja SQL, ki je običajno potrebna pri razgovorih za delo v oglaševalski tehnologiji in pri razgovorih za podatkovne analitike
- 3 Osnovna vprašanja o SQL, ki se pogosto pojavljajo (in kako nanje odgovoriti)
- 4 Primeri osnovnih SQL poizvedb in njihova logika
- 5 Vmesne poizvedbe: GROUP BY, HAVING, podpoizvedbe in UNION
- 6 Funkcije okna: naslednji preskok v SQL-u
- 7 CTE, kumulativne vsote in drseča povprečja
- 8 Za podatkovne analitike je običajno potrebna raven znanja Pythona
- 9 Osnovne operacije s pandami, ki jih morate obvladati
- 10 Združuje in združuje med podatkovnimi okvirji (DataFrames)
- 11 Tipična, bolj teoretična vprašanja o Pythonu
- 12 Več ključnih konceptov Pythona na razgovorih
- 13 Metrike za ocenjevanje modelov v Pythonu: minimum, ki ga morate poznati
- 14 Druge napredne metrike: ROC-AUC, logloss, Jaccard in druge
- 15 Kolmogorov-Smirnov, Ginijev koeficient in poglobljena ocena
- 16 Kako strukturirati svoje odgovore med tehničnim razgovorom
- 17 Najpogostejše napake pri intervjujih s tehničnimi podatki
- 18 Intenzivni dvotedenski načrt treninga