LinkedIn डेटा विश्लेषकों का इंटरव्यू कैसे लेता है

LinkedIn किसी भूमिका-विशिष्ट रूपरेखा के बजाय अपनी नियुक्ति प्रक्रिया की सामान्य रूपरेखा प्रकाशित करता है। स्क्रीनिंग, घर पर पूरा किया जाने वाला कार्य, केस, व्यवहारपरक और ऑनसाइट इस पेज पर तैयारी की श्रेणियां हैं, LinkedIn के चरणों के नाम नहीं।

• भर्ती कॉल। यदि आप योग्यताएं पूरी करते हैं और आगे बढ़ने के लिए चुने जाते हैं, तो भर्ती टीम एक कॉल तय करती है और नियुक्ति प्रबंधक या टीम के किसी अन्य सदस्य के साथ वीडियो कॉल भी तय कर सकती है।
• इंटरव्यू चरण। आप टीम के कई और सदस्यों से मिलते हैं और हर इंटरव्यू एक अलग कौशल क्षेत्र पर केंद्रित होता है। विश्लेषक के लिए SQL, मेट्रिक्स, संचार और निर्णय-क्षमता स्वाभाविक विभाजन हो सकते हैं, हालांकि LinkedIn इन्हें सूचीबद्ध नहीं करता।
• केस स्टडी या व्हाइटबोर्ड। भूमिका के आधार पर उम्मीदवारों से केस स्टडी प्रस्तुत करने या व्हाइटबोर्ड अभ्यास करने को कहा जा सकता है। विश्लेषक से केस स्टडी प्रस्तुत करवाया जाना काफी संभव है।
• निर्णय। इंटरव्यू के बाद निर्णय लेने में LinkedIn को कई सप्ताह लग सकते हैं।

LinkedIn डेटा विश्लेषक के इंटरव्यू की संख्या या अवधि प्रकाशित नहीं करता।

प्रकाशित संरचना में हर इंटरव्यू एक कौशल क्षेत्र पर केंद्रित होता है। विश्लेषक के लिए इसका अर्थ है कि हर बातचीत किसी विषय की गहराई तक जा सकती है: SQL इंटरव्यू में लगातार नई शर्तें जोड़ी जा सकती हैं, जबकि मेट्रिक्स इंटरव्यू में बार-बार पूछा जा सकता है कि किन कारणों से संख्या गलत हो सकती है। हर क्षेत्र में लगातार पूछे जाने वाले सवालों की तैयारी करें।

आम तौर पर डेटा विश्लेषक इंटरव्यू में इनका आकलन होता है:

• SQL और डेटा की सफाई। जॉइन, एग्रीगेशन, विंडो फंक्शन और रिपोर्टिंग से पहले डुप्लिकेट तथा शून्य मान पकड़ना।
• मेट्रिक्स और डैशबोर्ड। मेट्रिक को इस तरह परिभाषित करना कि दो लोग एक ही मान निकालें और यह जानना कि वह कब भ्रामक हो सकता है।
• निष्कर्षों का संचार। परिणाम को निर्णय में बदलना; यदि केस स्टडी प्रस्तुति मांगी जाए, तो यह इस कौशल का सबसे शुद्ध रूप है।
• व्यावसायिक निर्णय-क्षमता। सबसे महत्वपूर्ण विश्लेषण चुनना और उस चुनाव का पक्ष रखना।

LinkedIn की प्रकाशित रूपरेखा हर भूमिका के लिए समान है; नीचे दिए गए अंतर सामान्य प्रचलन पर आधारित हैं।

• डेटा वैज्ञानिक के इंटरव्यू की तुलना में, मॉडलिंग और प्रयोग की रूपरेखा पर कम तथा मेट्रिक की परिभाषा, वर्णनात्मक विश्लेषण और स्पष्ट सुझावों पर अधिक जोर रहने की अपेक्षा करें।
• डेटा इंजीनियर के इंटरव्यू की तुलना में, पाइपलाइन आर्किटेक्चर पर कम और पहले से मौजूद डेटा की खामियों सहित उसकी व्याख्या पर अधिक जोर रहने की अपेक्षा करें।
• अन्य कंपनियों की तुलना में, तैयारी के लिए प्रकाशित विशेषताएं हैं: हर इंटरव्यू में एक कौशल क्षेत्र, संभावित केस स्टडी प्रस्तुति और ऐसा निर्णय जिसमें कई सप्ताह लग सकते हैं।

LinkedIn का कहना है कि इंटरव्यू के बाद निर्णय लेने में कई सप्ताह लग सकते हैं और समय-सीमा के बारे में वह कोई अन्य जानकारी प्रकाशित नहीं करता।

कठिनाई विषय की गहराई में है। एक ही विषय पर केंद्रित इंटरव्यू में कमजोर क्षेत्र छिपाने की गुंजाइश नहीं होती, इसलिए जिस विश्लेषक का SQL मजबूत है लेकिन मेट्रिक की परिभाषाएं अस्पष्ट हैं, उसकी कमजोरी मेट्रिक्स की बातचीत में सामने आ जाएगी। यदि केस स्टडी मांगी जाती है, तो प्रस्तुति स्वयं संचार-कौशल की परीक्षा बन जाती है और उसके बाद के सवाल परखते हैं कि विश्लेषण कितना ठोस है।

प्रकाशित संरचना के अनुरूप तैयारी करें: एक समय में एक क्षेत्र और उसकी पूरी गहराई तक।

• लगातार सवालों के बीच SQL। ऐसी समस्याओं का अभ्यास करें जिनमें इंटरव्यूकर्ता लगातार नई शर्तें जोड़ता रहे और अपनी जांचों को बोलकर समझाएं।
• मेट्रिक की परिभाषाएं। अपने रिज्यूमे में दिए प्रत्येक मेट्रिक की परिभाषा, उसकी कमजोरियां और उसके कारण बदला कोई निर्णय तैयार रखें।
• प्रस्तुत करने योग्य केस स्टडी। पिछले विश्लेषण से एक केस स्टडी बनाएं, जिसमें ऐसे चार्ट हों जिनका आप बचाव कर सकें और अंत में एक सुझाव हो, क्योंकि केस स्टडी प्रस्तुति एक प्रकाशित संभावना है।
• निर्णय-क्षमता वाले केस। कई विश्लेषणों में से एक चुनने और सदस्य या व्यवसाय पर प्रभाव के संदर्भ में अपने चुनाव को समझाने का अभ्यास करें।
• प्रारूप का पूर्वाभ्यास करें। SubcueAI के साथ एक अभ्यास इंटरव्यू आपको लगातार पूरक सवालों के बीच एक कौशल क्षेत्र का अभ्यास करने देता है।