牛客许愿还是很灵滴，回馈牛客~简单记录一下暑期+秋招心路历程~~和其他发帖的大佬比，我的能力+经历+收获弱爆了，但是自己已经很满足辽~     技术面+hr面 面经已更完~~~        个人背景：     本硕统计相关+暑期前互联网数分实习+保险公司数挖实习+小游戏公司打杂实习 这三段杂七杂八的实习+成绩中等（不咋样，成绩好真的是通行证       【更新了这一part】写在最前面的感悟+个人观点：   1.关于暑期实习&转正    暑期的时候苟到了鹅的风控，实习了挺久的，为了这段实习也放弃了一些其他的不错的实习机会，但是因为个人能力不足+向上管理做的不好+初次接触风控+兴趣点可能不在风控，转正就挂了。很多时候没有转正并不是一件遗憾的事，有一些同学因为不喜欢部门的业务、想要换base/换部门/换岗位等原因主动放弃转正，拿到了更好的offer，也有非常非常少的一部分同学因为转正了直接躺平没有秋招，最后all in xxx得到的薪资结果却不尽人意……    2.关于投递时间   11月1日的凌晨四点，回忆起从9月1号开始的秋招正式批，发现一个月前写下这篇帖子的我其实输出了一些错误的观念……   关于投递时间，秋招前，总是听学长学姐说正式批的机会很少、实习转正最稳妥，但是回头一看，发现自己的offer大部分都是在正式批拿到的；因为是边面试边丰富小题库，所以早早面完的只有白菜，九月下旬面的厂反而薪资结果比较满意。当然也并不是说约晚投递越好，而是尽早准备好，尽早投递！如果没有准备好，适当晚一点也没有关系，机会留给有准备的人而不仅是早早等待的人。（但是也不能拖到九月中之类的，比如猿辅导直接取消了数分的第三批）      实习转正挂了还有提前批，提前批没了还有大把正式批的机会，正式批也没想去的就去找能转正的实习，找不到就找日常然后备战春招，天无绝人之路（ps 春招说不定比秋招薪资高          面过的公司+流程时间（下方有面经）：   1. 猿辅导-数据分析（第二批，一周一面，共三轮技术+业务面，无hr面）    2. 美团-快驴-商业分析（忘了9月什么时候面的，一周一面，两轮业务面）    3. 快手-策略产品经理（风控的，8月中就拿了）    4. 拼多多-拼越计划-数据分析（8月面的，两轮技术面，未加面，9.27意向书）    5. 字节data-数据分析（二面秒挂，游戏数分笔试挂）   6. Bigo-数据分析（9.22一面完，9.27二面，10.9三面，10.15 hr面）   7. 腾讯wxg-数据分析（9.23初试，9.24复试，9.25三面，9.30面委会面，10.13 hr面）   8. Oppo-数据分析（两轮技术面？，玄学面试，毫无内容可言，9.24hr面完泡池子排序，“荣幸”地成为备胎）       很快就面挂掉的，没写面经：    1. 腾讯视频-数据分析（9.3转推荐的，岗位职责是数据开发，面试题全是什么hadoop优先队列spark，完全不会！秒挂）    2. 网易互娱-数据分析工程师（8月初me计划一面挂，秋招第一场面试，自己也没准备好，面的也很不愉快，挂的合情合理，拒绝回忆面经= =）    3. 招联金融-风险管理（9.19一面挂的= =，往事随风已释怀，问了很多东西，都是风控相关的，想了解可以私戳）       其他没有面试的：    1. 笔试挂：网易云音乐、滴滴、京东（笔试没挂，但是也没有安排面试555）、微保、微众    2. 简历挂：b站（800：1的录取比，是天选之子才有资格得到的机会！不过今年b站撕意向书，我先骂了）       仿佛不招人的公司：哈喽出行、触宝、马上金融（这个还是招人滴）、shein、珍爱网……      其他有数分但是忘记投的公司：富途、度小满金融、唯品会、酷狗、同花顺、小红书、58、携程……     部分面经（不分几面，只记了经典题目）：     一.  猿辅导数分     1. 最常用app、设计指标体系    2. 试听课的转化率如何提高    3. 怎么证明使用朋友圈频率越高的用户，越不容易流失    4. 怎么预测腾讯视频下一季度的会员购买人数    5. 如果生女孩就一直生下去，直到生到男孩为止，多年后男女比例（几何分布求期望）    6. 圆上三点构成的三角形包含圆心的概率    7. 解释临界值和p-value    8. sql三题，都是很简单的，用到lead() over、dense_rank() over即可    9. 机器学习相关，简单介绍随机森林和gbdt（从决策树讲起）    10. 共线性如何解决（因子分析）       二.  美团快驴商分     1. 这个基本纯聊天了，主要问简历    2. 商分数分区别    3. 美团快驴和传统的互联网产品，比如抖音的区别    4. sql：按营业额倒序，累计超过3000w的前面的所有公司，用sum() over    5. 直播平台做电商和电商平台做直播，哪个更有优势，为什么       三.  拼多多数分     1. python求阶乘后面0的个数（leetcode有原题，但是当时不记得了）    2. sort by 和order by的区别    3. 如果group by的key中有null，会怎么样    4. 机器学习相关问题，简单介绍lightgbm    5. 共享代码框，把机器学习建模，包括数据处理、one-hot、标准化等等操作的函数写下来，然后边写边讲解    6. 日活下降异常分析       四. oppo数据分析     1. 面试有点莫名其妙，第一面没问啥，面试官问“你有什么想展示的我没问到的呢”，我无语凝噎    2. 第二面问了什么，同事A和B都有一个很重要，但是要花两天才能做完的活找你，要你两天内做出来，你怎么办？？？？？？？？    3. oppo要去线下门店采访路人，你觉得你一天能采访几个，你怎么开场，怎么吸引人参加你的调研？？？？？？？    4. 其他基本简历面了，就挺玄学       五. 字节data数分     1. 挂的比较早，不太记得啦，主要还是简历面，问简历中用的xx模型如何优化    2. 为什么豆瓣首页是默认关注，微博是默认推荐？（觉得很奇怪，扯不出来，面完发现面试官说反了！！！？？？）    3. 如何用abtest检验是默认关注内容好，还是默认推荐内容好，有哪些指标需要检验    4. 给b站设计指标体系    5. 面试官说问个概率论题吧，甲乙两人出硬币，如果是甲正乙反，甲给乙3远，甲反乙正，甲给乙1元，其他情况乙给甲2元，给甲设计策略，保证一定赚钱（这是概率论吗？？这不是博弈论了？？？然后秒挂hh       六. Bigo数分     1. 口述sql，窗口函数啦    2. 讲讲abtest、假设检验    3. qq音乐付费金额下降分析    4. 直播app日活突然下降和逐渐下降分析    5.  abtest如何抽样保证分布相似（我不会，我弱弱的说了句哈希？面试官立马就说，对！    6. 讲解辛普森悖论    7. 标准误和标准差区别    8. python的四个基本数据类型对比（dict、set、list、tuple）    9. z检验和t检验区别    10. 经典python题，求方差（口述）（以下是三面的）    11. 回归分析中的多重共线性是什么、为什么岭回归解决这个问题、除了岭回归呢、会导致什么结果    12. x^x求导（用ln变换    13. p-value解释    14. mle和贝叶斯估计解释、区别、怎么求贝叶斯估计、为什么贝叶斯要正比于共轭先验    15. 以手机号做key，第一种是当成数字排序，以中位数划分为两组样本，第二种是按尾号奇偶数划分两组，问哪个更均匀。    16. abtest相关（挺难的，没真的做过abtest，题目都不太理解，也get不到答案555    面下来就一个感觉，面试官都是猿辅导跳槽来的吗？？！！比yfd还yfd！！！       七. wxg数分     1. 一面                       其他就问问简历，纯做题了    2. 二面   （python，第二问其实是脑经急转弯）   python写冒泡排序、2*2矩阵求逆（追问计算机怎么求逆矩阵？）、给出二叉树前中后序遍历还原二叉树（追问是否三个遍历结果都需要？）、超几何分布概率题（很简单）、问了数据倾斜      3. 三面：python写求三次根（用二分写的，被怼你没学过数值分析吗，哦原来可以用牛顿法），一道sql（就记得好难，只会用不等值连接555），口述svm，如何预测微信支付接下来12个月每个月的活跃用户数，abtest相关，t检验z检验区别，每次回答就被质问还有吗，然后呢，这就是来自大佬的压迫感吧。。。    4.四面：面委面，遇到一个超级大佬的感觉，其实也没问啥，就问了一下abtest（如何设计abtest系统，wen'de），置信区间怎么求，什么时候适合用t检验，对数据分析的看法呀，然后反问面试官问题，面试官独自讲了20min……受教了（抱拳      八.  互联网风控常见问题     1. 识别刷单    2. 识别薅羊毛    3. 如何从淘宝分享链接到微信的（只有分享链接和动作的）信息，找到刷单的用户和商家    4. 识别导流       九. hr面常见问题    1. 优缺点>>非常难说，通常就打哈哈说，讲一个自己的特点吧，既有好的一面又有不好的一面，水过去    2. 职业规划    3. 讲一件团队合作的例子，遇到了什么冲突，怎么解决（主要看性格，有的部门想要强硬的，有的想要好说话的，搞不懂hh）    4. 对于技术岗，hr会问简历上一些比较久远的比赛、项目，主要问在里面是什么角色，遇到了什么困难，如何解决，学到了什么             对于非互联网的一点点浅薄的看法：     作为一个笔试面试金融科技都没能撑过一面的人，毫无发言权，一个是因为没有对口实习，也没有对口的专业，还有一个就是简历太多互联网的东西了。证券银行和互联网区别比较大，个人感觉在简历方面，银行会更注重校内社团活动、校内论文成果，并且有多个互联网实习其实相对有些减分emmm。   要准备一些：如何看待互联网&传统银行金融的区别、为什么选择金融不选择互联网……这类的问题。       关于暑期+秋招的一点点拙见：     1. 暑期转正是最好的结果！如果结果未知难以把握，尽量早点开始准备秋招，边实习边秋招真的不太行（大佬除外），全身心投入准备秋招收获会比较大，心态也很重要。    2. 早点苟到一个offer（不管是什么公司什么岗位什么地点），有一个保底，心态会好很多。    3. 最想去的公司，最好不要最早就投了，个人前几次面的巨烂，可以先找一些意向不那么强烈的试试水（危险发言）    4. 大部分数据分析的要求=基本机器学习算法（各个算法通俗解释、xgb和lgbm对比是顶配了）+python（回溯、动态规划、快速排序是顶配了）+sql（至少会用窗口函数）+产品sense（人人都是产品经理学习）+互联网大/中厂实习经历+概率论/各种假设检验/智力题。这些都能做到基本无敌了5555555555555，我是做不到的（躺平。。。不过大部分公司对数分的要求就是：产品sense+sql能力+统计学能力，某些公司会在这些基础上+机器学习（比如鹅），有的会加很多概率论（比如yfd），但是数分基本都离不开产品sense。     5. 很多面试官会问，你对数据分析师职责的认识、职业发展的规划，此处我也没有一个很好的回答，总之用心想想吧T T       数分学习：     数分学习路径：     接着上面第四点说~    必学part：概率论、数理统计、python基础（有哪些数据结构，pandas/numpy常用函数）、sql（通常是hive sql，查询+简单优化）、产品思维、ABtest    加分part：机器学习、数据结构、生物统计、数据开发/数仓相关（本人也不咋懂       1. 机器学习：    1.1 参考书：统计学习方法（李航）+机器学习西瓜书（周志华）   1.2 基本机器学习算法：线性回归、LR、SVM、PCA、因子分析、决策树、随机森林、boosting（adaboost、xgb、lgbm）、朴素贝叶斯、em算法、解决数据不平衡（欠采样、过采样、异常检测、模型调参）    1.3 数据处理：缺失值处理、异常值处理/平滑、连续数据分箱/离散化、one-hot/label-encoder、规范化/标准化、共线性处理、特征选择   1.4 深度学习：真滴一点都不会，最基本的就是dnn、cnn、rnn、lstm？    2. python：一开始想做挖掘，在lc断断续续刷了不到一百题，发现真的不是这块料，遂放弃哈哈哈，主要掌握回溯、动态回归、简单了解二叉树、队列、栈、BFS、DFS、七大排序算法（快排最重要）（我是没有掌握的555）    3. sql：一般的查询能力（能多表连接、各种窗口函数，实习会比刷题学的快！）+了解数据倾斜&解决办法，可能偶尔遇到问mysql、hive、spark对比。关于sql刷题，leetcode或牛客都可以，牛客的题从建表、插入查询多个方面都有涉及，网易互娱数分工程师笔试有遇到原题，但是题也比较基础，一天就刷完了，进阶的话建议leetcode走起（不过免费的题很少），再进阶就在牛客看各大厂的面经吧。    4. 产品sense：看人人都是产品经理学，还有些相关书籍，网上搜搜就有辽。常见问题：日活异常分析、如何提高销量，这块可以多看看面经，收集一些常见题目。    5. 实习：建议至少一段中/大厂实习三个月以上，至于怎么找实习，可以网上做比赛做项目/把成绩搞好，换第一份，有了第一份第二份就好找很多，当然也可以绕绕弯路，从无任何要求的打杂实习一路换上来。    6. 概率论/假设检验：    6.1 概率论：离散/连续概率分布/密度函数、期望方差、大数定律、中心极限定理、贝叶斯公式   6.2 假设检验：alpha/beta/临界值/p-value/置信区间/置信水平定义、大样本z检验、小样本/方差未知t检验、二项分布趋于正态分布的检验（这里我自己也没搞得特别清楚）、小样本非参数检验/精确检验、列联表卡方检验、单因素ANOVA（推荐看数理统计的专业课书籍，如果要面对统计要求更高的厂，建议学一下生物统计相关书籍，要了解一下非参检验如wilcoxon符号秩/秩和检验，以及小样本的精确检验）   6.3 ABtest：从知乎csdn博客园简书自学的，需要了解样本量是怎么确定的，什么数据用什么检验    6.4 智力题：多看面经吧~         数分职业规划：     接上面第5点~    数分职业规划，在面某公司的时候反问了面试官，听了他的答案豁然开朗~    原话：公司在不同的发展阶段对数据分析师的职责要求也是不一样的，将公司分为0-1、1-10、10-100、100+这四个阶段，在0-1阶段会承接一些底层的东西，需要一些数仓能力，在1-10、10-100阶段可能是商业分析or我们认知的数据分析，在100+阶段比如鹅/阿里，追求的是效率优化等等，可能更多的需求是数据科学家的角色。          上面列了很多我个人觉得重要的，但是我自己也没有都搞懂哈哈哈，身体力行展示什么是懂得很多道理依然过不好这一生。不过以当前水平能拿到喜欢的中厂意向书真的很满足了！！          秋招还在进行时，机会很多！！！没有offer不要灰心，九月份投递为时也不晚！！祝大家都有心仪的offer！！       其他想到了再补充~