Gabay sa Interbyu ng Google Data Scientist

Bago ang malalalim na interbyu, karaniwang may isa o dalawang maiikling pag-uusap ang mga kandidato kasama ang recruiter sa telepono o video. Sinusuri ng mga pag-uusap na ito ang mga pangunahing kasanayan para sa tungkulin at nagbibigay ng impormasyon tungkol sa organisasyon at koponan. Depende sa tungkulin, maaaring humiling ang Google ng maliit na proyekto, gaya ng case study, halimbawa ng sulatin, o halimbawa ng code.

Ang yugto ng interbyu ay isang panel na isinasagawa sa video o nang personal, kung saan nagpapalit-palit ang iba't ibang empleyado ng Google sa mga pag-uusap. Hindi gumagamit ang Google ng mga brain teaser. Ang mga kandidatong isinasaalang-alang para sa parehong tungkulin ay sinusuri batay sa parehong malilinaw na rubric. Pagkatapos ng mga interbyu, pinagsasama ng Google ang feedback mula sa aplikasyon at interbyu, isinasaalang-alang ang iba't ibang pananaw, at nakakarating sa desisyon sa pagkuha.

Para sa paghahanda, ayusin ang iyong pagsasanay ayon sa mga kategoryang screen, take-home, coding, case, behavioral, at onsite. Mga kategorya ito ng paghahanda, hindi mga opisyal na pangalan ng round na inilathala ng Google. Ituring ang onsite na pagsasanay bilang ensayo para sa live na panel, isinasagawa man ang interbyu sa video o nang personal.

Gumagamit ang Google ng mga open-ended na tanong na may kaugnayan sa tungkulin upang maunawaan kung paano ka lumulutas ng mga problema, nakikipagtulungan sa koponan, at gumagamit ng iyong mga lakas. Dahil ang mga kandidato para sa parehong tungkulin ay hinuhusgahan gamit ang magkakatulad na rubric, gawing madaling suriin ang iyong pangangatwiran: tukuyin ang layunin, ilahad ang mga pagpapalagay, ipaliwanag ang iyong pamamaraan, subukin ang resulta, at kilalanin ang mga limitasyon.

• Istatistika at eksperimento: Bumuo ng mga hypothesis, pumili ng mga sukatan, tukuyin ang bias, bigyang-kahulugan ang kawalang-katiyakan, at iugnay ang mga natuklasan sa isang desisyon.
• SQL at coding: Isalin ang isang tanong ng negosyo sa tamang lohika ng data, ipaliwanag ang mga edge case, at suriin ang output.
• Paghuhusga sa modeling: Pumili ng angkop na paraan, talakayin ang validation at leakage, at ipaliwanag ang mga tradeoff sa halip na magbanggit ng mga algorithm nang walang konteksto.
• Komunikasyon: Gawing malinaw na rekomendasyon ang mga teknikal na resulta para sa mga hindi eksperto.
• Ebidensya ng pagtutulungan: Ilarawan ang iyong kontribusyon, ang mga pinili mong desisyon, at kung ano ang nagbago dahil sa iyong trabaho.

Pangkalahatang kasanayan ito sa interbyu ng Data Scientist, hindi karagdagang pahayag tungkol sa rubric ng Google.

Ang posibleng proyekto ng Google ay nag-iiba ayon sa tungkulin at maaaring may kasamang case study, sulatin, o code. Para sa paghahanda bilang Data Scientist, maging handang pag-ugnayin ang pangangatwirang istatistikal, gawain sa data, mga pagpili sa modeling, at komunikasyon sa iisang solusyon sa halip na ituring ang mga ito bilang magkakahiwalay na paksa.

Inilalarawan ng Google ang interdisciplinary na background at matibay na pag-unawa sa computer science bilang mahalaga para sa mga trabaho sa software engineering. Partikular ang pahayag na iyon sa software engineering at hindi dapat ituring na inilathalang pamantayan para sa Data Scientist. Ang paghahanda bilang Data Scientist ay karaniwang mas nagbibigay-diin sa mga eksperimento, sukatan, inference, paghuhusga sa modelo, at pagpapaliwanag ng mga resulta sa mga gumagawa ng desisyon.

Tumuon sa mga praktikal at open-ended na problema. Ipinapakita ng matibay na sagot kung paano mo nililinaw ang malabong tanong, pumipili ng ebidensya, sinusuri ang iyong pangangatwiran, at naipapahayag ang isang madedepensang konklusyon.

Hindi inilalathala ng Google kung gaano katagal ang proseso. Ang hamon ay ang pagpapanatili ng malinaw at pare-parehong pangangatwiran sa mga open-ended na pag-uusap ng panel habang sumasagot sa iba't ibang interviewer.

Para sa isang kandidatong Data Scientist, pinakamainam na sukatin ang hirap sa pamamagitan ng lawak at pagpapaliwanag: kaya mo bang lumipat mula sa tanong tungkol sa produkto patungo sa analitikal na plano, sumulat ng tamang lohika ng data, humusga ng modelo, talakayin ang kawalang-katiyakan, at ipresenta ang konklusyon sa simpleng wika? Magsanay na baguhin ang lalim para sa teknikal at hindi teknikal na tagapakinig nang hindi binabago ang diwa ng iyong sagot.

• Bumuo ng bangko ng ebidensya: Maghanda ng maiikling halimbawa na nagpapakita ng paglutas ng problema, pagtutulungan, indibidwal na lakas, mga desisyon, at nasusukat o nakikitang resulta.
• Magsanay ng nakabalangkas na pagsusuri: Magsimula sa layunin, tukuyin ang mga pagpapalagay at pangangailangan sa data, pumili ng pamamaraan, ilarawan ang mga pagsusuri, at tapusin sa rekomendasyon at mga limitasyon.
• Sanayin ang core ng Data Scientist: Pag-aralan ang istatistika, eksperimento, SQL, coding, paghuhusga sa modeling, at mga pagpapaliwanag para sa mga hindi eksperto.
• Ensayuhin ang mga format ng proyekto: Magsanay sa pagpresenta ng case study, pagsulat ng malinaw na analitikal na tala, at paggawa ng nababasang code na may malinaw na mga pagsusuri.
• Gayahin ang live na sitwasyon: Gumamit ng mock interview upang sagutin nang malakas ang mga open-ended na tanong at makatanggap ng mga follow-up. Magsanay nang walang tulong ng AI dahil hindi pinapayagan ng Google ang mga AI tool sa panahon ng interbyu at inaasahan nito ang tunay na pakikipag-ugnayan sa interviewer.