数据分析师这个岗位如何通过面试？

黑马程序员官方

于 2023-03-22 16:39:49 发布

阅读量314

点赞数 1

文章标签：面试数据挖掘大数据

本文链接：https://blog.csdn.net/itcast_cn/article/details/129713386

版权

首先分享一些可以进行数据分析实战和积累经验的平台。

Kaggle：https://www.kaggle.com/
一个数据科学竞赛平台，提供丰富的数据集、实战项目和竞赛，可以在解决实际问题的过程中锻炼数据分析技能。
数据堂（http://datatang.com）：https://www.datatang.com/
一个提供数据集的中国平台，这里有很多中文数据集，可以帮助您实战练习数据分析。
UCI Machine Learning Repository：https://archive.ics.uci.edu/ml/index.php
加州大学欧文分校的机器学习数据集仓库，可以找到许多适用于数据分析实战的数据集。
DataCamp（实战项目）：https://www.datacamp.com/projects
尽管DataCamp主要是一个在线学习平台，但它还提供了一系列实战项目，可以让您在完成课程后将所学知识应用于实际项目中。通过这些项目，您可以在真实场景中练习数据分析技能。
黑马程序员（实战项目）：Python+大数据开发自学教程
不仅有Python大数据的入门课程，还有一些列的工具、工业项目实战。

一、数据分析、数据挖掘、数据建模的区别

狭义的数据分析，就是指根据分析目的，用适当的统计分析方法及工具，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用。

而数据挖掘是指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的、且有价值的信息和知识的过程。

因此综合起来，数据分析（狭义）与数据挖掘的本质都是一样的，都是从数据里面发现关于业务的知识（有价值的信息），从而帮助业务运营、改进产品以及帮助企业做更好的决策。

数据建模。引用百科的定义来说，数据建模是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库。简单来说，数据建模就是根据实际问题来建立数学模型，对数学模型来进行求解，然后根据结果去解决实际问题。

二、数据分析需要掌握的内容

数据分析流程：目标确定——数据获取、清洗、整理——数据分析——结果呈现

数学与统计学基础：数据分析师需要具备一定的数学和统计学基础，例如线性代数、概率论、假设检验和回归分析等。这些知识对于理解和应用数据分析方法至关重要。

毫不夸张地说统计学是整个数据分析的灵魂。判别一个数据分析师强弱的一个重要方法就是，看他对统计规律的敏感度。
这里我们需要从基础的统计理论（描述性统计、区间估计、假设检验等）出发，到基本的统计分析（T 检验、方差分析等），最后到商业常用的模型（回归分析、方差分析等），学习数据分析背后的逻辑，掌握实用统计学的概念和会利用统计的思维去思考问题。

编程能力：数据分析师需要熟练掌握至少一种编程语言，例如Python、R或者SAS等。Python和R在数据科学领域尤为常用，拥有丰富的库和模块支持数据处理、可视化和建模等任务。
作为数据分析人员，要想获取数据，肯定就要和数据库打交道，因此SQL肯定是要掌握的，在招聘要求中，SQL也是很多数据分析岗位的能力要求之一。
学习SQL最快的方法是能自己下载数据库管理工具，找些数据练习，主要了解一些数据库查询语言。
另外必学内容就是Python，虽然要学的内容看似很多，但是相对入门都很简单。

数据处理和清洗：熟悉数据预处理和数据清洗的方法，如数据筛选、缺失值处理、异常值检测等。熟练使用Excel和数据库管理系统（如SQL）进行数据操作和查询也非常重要。

数据可视化：掌握常见的数据可视化工具和库，如Tableau、Power BI、Matplotlib、Seaborn等，可以帮助你更直观地展示和解释分析结果。

机器学习与建模：了解常用的机器学习算法和模型，如线性回归、逻辑回归、决策树、聚类等，这将帮助你在数据分析过程中进行预测和分类。
特征工程的基础：如何统计数据特征、选用不同的特征，做模型的优化；
基本的分类算法：决策树、随机森林等；
基本的聚类算法、数据挖掘、常见的机器学习算法的了解等等。

业务理解与沟通能力：为了能够更好地解决实际问题，数据分析师需要具备一定的业务知识和良好的沟通能力。这可以帮助你更好地理解业务需求，为决策者提供有价值的见解和建议。

基本的项目管理：熟悉项目管理的基本流程和工具，如需求分析、时间管理、资源管理等，这将有助于你在实际工作中更高效地完成任务。

三、Python+大数据

Python+大数据学习路线图（2023版）

开发入门：Linux入门 → MySQL数据库
核心基础： Hadoop
数仓技术： Hive数仓项目
PB内存计算： Python入门 → Python进阶→ pyspark框架 → Hive+Spark项目

黑马程序员Python：2023年Python+大数据学习路线图https://zhuanlan.zhihu.com/p/450898507

四、做数据分析必须要知道的行业权威数据

国家统计局 (http://data.stats.gov.cn)

(无需注册，完全公开)

这个网站覆盖面很广，可以找到很多宏观层面的信息，GDP、人口、就业、收支等，其中中国统计年鉴数据超全。偏宏观经济数据~

萝卜投研(https://robo.datayes.com

(免费、只要注册就可以看到)

看数据、下载研报、上市公司PE/PB研究、个股的数据、行业数据都有。

巨潮资讯网 (http://www.cninfo.com.cn)

(免费，可不注册)

国内首家全面披露深沪2500多家上市公司公告信息和市场数据的大型证券专业网站。

镝数聚(http://www.dydata.io)

(注册就可免费下载PDF版本，ppt版本的下载需要成为会员)

全行业数据&报告查找下载平台，覆盖100+行业报告及统计数据，支持报告与数据交叉查询。

四大:

德勒: https://www2.deloitte.com/cn/zh.html
安永:https://www.ey.com/zh cn
比马威: https://home.kpmg/cn/zh/home.html
普华永道: https://www.pwccn.com/

慧博投研资(http://www.hibor.com.cn)

(注册下载客户端就能免费下载)

专业的研报大数据平台，分享行业、券商、股票等最新研究报告。

艾瑞网 (https://www.iresearch.cn)

(注册就可以免费下载)

互联网及电信相关领域研究成果，融合行业资源，为业内人士提供丰富的产业资讯、数据、报告、专家观点、行业数据库等服务。

199IT (http://www.199it.com)

(页面有广告推送，稍微影响观感)

提供全行业研究报告，内容详实、板块众多。

五、如何通过面试呢？

自我介绍和简历，建议各位大学生全部⭐参考STAR原则。

S：Situation，项目在什么情况下发生，所处的背景是什么。
T：Task，项目的最终任务是什么，为什么开展这个项目。
A：Action，针对这个目标，你采取了哪些行动，具体的工作内容是什么。
R：Result，带来了什么结果，对业务有哪些推动价值，收获有哪些。

举个例子：

我在大学期间，作为一名计算机科学与数据分析专业的学生，积极参与了一项与校园社团合作的数据分析项目。项目的目标是分析社团活动的参与情况，以提高活动的吸引力和参与度。

（Situation）在项目开始时，我们面临着一个挑战：社团的活动数据零散且不规范，导致很难从中获取有价值的信息。

（Task）作为项目组的一员，我的任务是收集、整理这些数据，并从中发现潜在的规律，以便为社团提供有针对性的改进建议。

（Action）针对这个任务，我采取了以下几个行动：

与团队成员一起，我们首先梳理了各种来源的数据，并通过Excel和Python进行清洗和整合，确保数据的准确性和一致性。
利用Python的Pandas和Numpy库进行数据处理，提取关键指标，如活动参与人数、活动类型及满意度等。
使用Matplotlib和Seaborn等可视化库，生成直观的图表，以便更好地呈现数据分析结果。
应用基本的统计学方法和机器学习技术，如回归分析和聚类，挖掘活动参与度与其他因素之间的关系。

（Result）通过以上行动，我们成功地为社团提供了一份详细的数据分析报告。报告揭示了一些关键因素，如活动类型、时间安排和宣传方式等，对活动参与度产生显著影响。根据我们的建议，社团对其活动策略进行了调整，最终活动参与度得到了显著提高，同时也提升了校园社团的影响力。

专业问题

日常工作中的内容占比，考核和岗位的契合度，建议研究一下JD。
针对某些场景的分析思路，面试官可能会给到一个假设场景，让候选人针对这个场景给出分析思路，这里核心是逻辑性！按照一二三点来进行回答，至于回答的内容，可能并不是面试官最关心的。
对数据分析的思考，这主要体现在工作中主动发现问题的能力。
数据方法论的沉淀，这点一般也是面试官比较关注的，因为做这个行业，往往会被需求压的喘不过气，日常的知识落地，将别人的东西转化为自己的东西，是至关重要的。

其实，简历上多看看别人的简历模板，或者是找个前辈给你抠一下戏界，通过率就会变高。在面试过程中遇到问题没有听懂，可以直接追问，但是别溜号。