Gabay sa Panayam para sa Data Scientist ng Uber

Pagkatapos mag-apply, unang nakikipag-ugnayan ang mga kandidato sa isang tao mula sa talent team ng Uber, at pagkatapos ay nakikipagkita sa taong namumuno sa trabaho.

• Teknikal na pagsusuri: Para sa mga teknikal na tungkulin, may hakbang ang Uber na nakatuon sa paraan ng pagbuo at paglutas ng mga kandidato ng mga problema.
• Pagsasanay na kaugnay ng trabaho: Kabilang sa ilang tungkulin ang isang gawaing analytics, nakasulat na pagsasanay, pagsusuri ng portfolio, o simulation ng trabaho.
• Mga pag-uusap sa team: Nakikipagkita ang mga kandidato sa mga kasamahan sa team at cross-functional na partner.
• Pagsusuri ng pagganap: Nakikipagtulungan ang mga recruiter sa hiring team upang suriin ang pagganap batay sa mga pamantayan ng trabaho.

Para sa paghahanda, ituring ang screen, take-home, coding, case, behavioral, at onsite bilang mga kategorya ng pagsasanay, hindi bilang mga opisyal na pangalan ng mga round ng Uber.

• Screen: Ipaliwanag nang malinaw at maikli ang iyong karanasan, mga pasyang analitikal, at interes sa trabaho.
• Take-home: Isaayos ang isang pagsusuri, ilahad ang mga palagay, suriin ang kalidad ng data, at maglahad ng konklusyong maipagtatanggol.
• Coding: Magsanay ng SQL, pagmamanipula ng data, lohikal na kawastuhan, at pagsusuri ng mga edge case.
• Case: Tukuyin ang mga metric, magdisenyo ng mga eksperimento, bigyang-kahulugan ang kawalang-katiyakan, at gumawa ng matitinong pasya sa pagmomodelo.
• Behavioral: Magbigay ng katibayan ng pakikipagtulungan, mahusay na pagpapasya, pananagutan, at pakikipagkomunikasyon sa mga hindi eksperto.
• Onsite: Magsanay sa paglipat-lipat sa teknikal na detalye, pangangatwiran tungkol sa produkto, at malinaw na mga rekomendasyon.

Ang paghahanda ng Data Scientist ay nasa pagitan ng teknikal na pagpapatupad at paggawa ng desisyon. Kung ihahambing sa pangkalahatang pagsasanay sa software engineering, mas binibigyang-diin nito ang estadistika, disenyo ng eksperimento, mga metric, at interpretasyon. Kung ihahambing sa pagsasanay sa analytics na nakatuon sa pag-uulat, nangangailangan ito ng mas matibay na pagtatanggol sa pagpili ng modelo, kawalang-katiyakan, at mga tradeoff.

Dahil maaaring makipagkita ang mga kandidato ng Uber sa mga cross-functional na partner, ilahad ang bawat halimbawa sa dalawang antas: ipaliwanag ang teknikal na pangangatwiran, pagkatapos ay isalin ito sa isang desisyong masusuri ng isang hindi eksperto.

Hindi inilalathala ng Uber kung gaano katagal ang proseso. Tanungin ang contact sa talent team tungkol sa pagkakasunod-sunod, iskedyul, at kung may kasamang pagsasanay na kaugnay ng trabaho ang tungkulin.

Para sa isang kandidatong Data Scientist, lawak ang hamon: maaaring mangailangan ng magkakaibang paraan ng pag-iisip ang estadistika, pag-eeksperimento, SQL, coding, pagpapasya sa pagmomodelo, at komunikasyon. Magsanay sa paglipat-lipat sa mga ito habang pinananatiling magkakatugma ang mga palagay at konklusyon.

• Itugma ang iyong ebidensya: Pumili ng mga halimbawa ng trabaho na nagpapakita ng pagtukoy sa problema, analitikal na pagpapasya, pakikipagtulungan, at masusukat na mga resulta.
• Balikan ang pag-eeksperimento: Magsanay sa mga hypothesis, pagpili ng metric, randomization, bias, kawalang-katiyakan, at interpretasyon.
• Palakasin ang teknikal na kahusayan: Sumulat ng madaling basahing SQL, ipaliwanag ang mga pagbabago sa data, at subukin ang mga edge case.
• Ipagtanggol ang mga pagpili sa pagmomodelo: Ihambing ang mga pamamaraan gamit ang mga palagay, interpretability, validation, at halaga ng mga pagkakamali.
• Magsanay sa pakikipagkomunikasyon ng case: Magsimula sa desisyon, tukuyin ang nawawalang impormasyon, at ihiwalay ang mga natuklasan sa mga rekomendasyon.
• Mag-ensayo ng isang gawain: Kumpletuhin ang isang pagsusuri o simulation ng trabaho, pagkatapos ay suriin kung masusundan ng ibang tao ang iyong pangangatwiran nang walang karagdagang konteksto.
• Maghanda ng mga behavioral na kuwento: Ipakita kung ano ang ginawa mo, bakit mo pinili ang paraang iyon, paano ka nakipagtulungan sa iba, at ano ang natutuhan mo.