Mga Tanong sa Interview ng Data Scientist, Ayon sa Round

Malamang inihanda mo na ang SQL at kaunting machine learning, at hindi ka sigurado kung ano pa ang darating. Ipinapakita ng seksyong ito ang limang round na paulit-ulit na ginagamit sa mga interview na ito, para tumugma ang paghahanda mo sa scoring. Ang bawat round ay sumusukat ng ibang bagay, at ang paghahanda lang sa dalawang teknikal na round ang pinakakaraniwang dahilan kung bakit nawawalan ng offer ang mga malalakas na kandidato.

• SQL at coding. Pagsulat ng query kasama ang data manipulation gamit ang Python, kadalasan ay live.
• Statistics at probability. Interpretasyon at pangangatwiran, hindi patunay.
• Experiment design. A/B tests: ano ang susukatin, gaano katagal patatakbuhin, kailan magtitiwala sa resulta.
• Modelling o case. Isang bukas na problema na binabalangkas mo, tapos sinasagot sa mataas na antas.
• Behavioral at stakeholder. Kung paano mo hinawakan ang kalabuan, hindi pagkakasundo, at mga resultang walang gustong mangyari.

Iba-iba ang titulo. Ang kumpanyang tumatawag sa role na data scientist ay maaaring sa totoo lang ay nagpapatakbo ng interview para sa analyst, at kabaliktaran. Kung gusto mo ang bersyon para sa analyst ng pahinang ito, nasa hub ng mga tanong sa interview ayon sa role ito.

Statistics at probability

• Ano talaga ang ibig sabihin ng p value, at ano ang hindi nito ibig sabihin?
• Ipaliwanag ang confidence interval sa isang product manager sa loob ng dalawang pangungusap.
• Kailan ka gagamit ng t test sa halip na z test?
• Ano ang central limit theorem, at bakit ito mahalaga sa trabaho mo?
• Gumalaw ang isang metric at significant ang resulta. Bakit pa rin ito puwedeng mali?
• Ipaliwanag ang Type I at Type II error gamit ang aktwal na desisyon ng team mo.
• Ano ang selection bias, at paano mo ito matutukoy sa data mo?
• Kailan mas magandang buod ang median kaysa sa mean?

Experiment design at A/B testing

• Paano ka magdidisenyo ng experiment para subukan ang bagong onboarding flow?
• Paano mo pinipili ang sample size, at ano ang mangyayari kung hindi mo ito maabot?
• Naging significant ang test mo pagkatapos ng tatlong araw. I-ship mo ba?
• Ano ang novelty effect, at paano mo ito ihihiwalay sa tunay na lift?
• Paano mo hahawakan ang maraming metric na gumagalaw sa magkaibang direksyon?
• Ano ang gagawin mo kung nasira ang randomisation sa gitna ng test?
• Paano mo susukatin ang isang bagay na hindi mo marandomize, tulad ng pagbabago ng presyo sa buong market?

Ang pattern na dapat mapansin: halos wala sa mga ito ang may iisang tamang sagot. Sinusukat ito base sa kung binabanggit mo ang assumption, kung inilalahad mo ang tradeoff, at kung sinasabi mo kung ano ang che-check mo.

Modelling

• Paano ka gagawa ng model para hulaan ang customer churn? Simulan mo sa kung paano mo ide-define ang churn.
• May 95 percent accuracy ang model mo sa isang imbalanced dataset. Maganda ba ito?
• Ipaliwanag ang bias variance tradeoff gamit ang isang model na na-ship mo na.
• Paano ka magdedesisyon sa pagitan ng simpleng model at komplikadong model para sa problemang ito?
• Paano mo malalaman na tumigil na sa paggana ang model pagkatapos i-deploy?
• Ipaliwanag ang regularisation sa isang taong hindi pa nakagamit nito.

SQL at Python

• Sumulat ng query na magbabalik ng unang at pinakahuling petsa ng pagbili ng bawat user.
• Kalkulahin ang seven-day rolling average ng daily active users.
• Hanapin ang conversion rate ayon sa cohort month.
• Sa pandas, i-reshape ang isang long table papuntang wide at ipaliwanag kung kailan mo ito hindi gagawin.
• Paano mo hahanapin at haharapin ang mga duplicate na row sa isang transactions table?

Product sense at metrics

• Paano mo susukatin kung matagumpay ang isang bagong feature?
• Tumaas ang daily active users pero flat ang revenue. Siyasatin ito.
• Anong iisang metric ang ilalagay mo sa leadership dashboard, at ano ang aalisin mo?
• Paano mo makikilala ang magandang retention curve laban sa masama?

Ang pagbasa ng listahan ng tanong ay nagbibigay lang ng recognition. Sinusubok ng interview ang performance sa ilalim ng time pressure habang may umiistorbo sa iyo, at magkaiba ang mga kasanayang iyon. Lalong halata ang gap sa experiment at case round, kung saan ang sagot ay isang structured argument, hindi isang fact.

• Sumagot nang malakas, na may timer. Anim na minuto bawat case question, walang notes, walang restart.
• Sabihin muna ang mga assumption mo. Sinusukat ang pagbanggit ng ipinapalagay mo, at nagbibigay din ito ng oras para mag-isip.
• Magsanay na maistorbo. Umiistorbo ang mga tunay na interviewer sa ikalawang minuto. Hindi ka inihahanda ng pag-eensayo ng monologong walang pagka-istorbo para diyan.
• Sumulat ng SQL gamit ang kamay. Kadalasang gumagamit ang mga live round ng simpleng editor na walang autocomplete at walang paraan para patakbuhin ang query.
• Ipaliwanag ang bawat resulta nang dalawang beses. Isang beses nang teknikal, isang beses para sa stakeholder na hindi interesado sa method mo.

Isang data scientist na may apat na taon ng karanasan ang naghanda para sa isang marketplace interview sa pamamagitan ng pagsusuri ng isandaang tanong sa isang dokumento, pagkatapos ay natigilan sa "naging significant ang test mo pagkatapos ng tatlong araw, i-ship mo ba?" dahil hindi pa niya nasasabi nang malakas ang sagot dito kailanman. Nasa isip niya ang content; ang delivery ay hindi. Kung gusto mong sanayin ito na may follow-up, pinapatakbo ng mock interview mode ang round at kina-question ang mga sagot mo.