Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
今天我们频道请来了陈瓏同学
因为关注我们频道的很多小伙伴呢
都是这个可能对数据科学感兴趣
也可能想跳槽
陈瓏同学的经验非常有代表性
他是商科
然后转数据科学的master
之后去了一个startup做数据科学分析师
之后又从startup跳到了亚马逊
做business intelligence engineer
所以说他的经历涵盖了转行
new grad找工作和跳槽
那我们今天就想请陈瓏同学
帮我们讲三段内容
上面部分是互联网企业对data scientists
尤其是analytics这个track的要求
中间部分的视频会讲一下
如果为了达到这个要求
需要做哪方面的准备和如何进行准备
最后我们会请陈瓏同学分享一下
自己找工作的经验
也希望对大家有一些借鉴
那我们就要开始第一部分吧
我们请陈瓏同学来讲一下
像你在之前的创业公司河泽亚马逊
他们对data analytics有什么样的要求呢
其实不管是小公司还是大公司
只要你的职业的定位是
data scientists analytics track方面
他的职业的技能要求都是差不多的
那我就来说三部分吧
第一部分是统计概率
也就是他的probability theory和statistic inference
第二类是programming language
就是你编程的skill
具体的就是SQL、Python R和Tablo
第三部分就是你的product sense
因为你一个数据分析的项目
首先你基于统计的foundation做出了分析
运用programming language
去实现你的分析
然后最终你是要解决一个商业的问题
所以你是需要结合你的product sense
去推进这个产品项目发展
那么就是主要的这三部分
那我来说一下第一部分吧
就是统计概率
统计概率也就是主要有两块
一个是A,B test里面的统计
一个是一些general的统计
像A,B test里面的统计呢
其实我说一些词你们可能大家都知道
就是中心极限定理、大数定理
然后假设检验
以及一些p-value、confidence interval
然后Z test、T test这些
其实大家多多少少在本科都会
涉及到相关统计的课都会提到这些
所以说这方面其实是很容易去
查了补缺去理解掌握的
然后第二个类型的统计呢
可能就是偏向于general
比如说备业四定理啊
然后比如说covariance
correlation dependent的关系啊
或者说简单的一个
简单的probability的distribution
你要知道有哪些
以及它的variance expectation怎么算
然后再涉及到一些
比如说shy的probability方面的问题
我觉得我说的这些关键词
大家如果说都非常熟悉的话
或者有些陌生的话
就是可以去了解去掌握
然后这些都是很容易去pick up的
然后第二块呢就是programming language
那我想说的重中之重其实就是SQL
因为SQL是作为一个数据
从数据抓取的工具吧
很多人都会觉得是非常容易上手
然后又很简单
比python而而简单
所以就会很大大的忽略了
其实我觉得这个技能是非常重要
因为它是一个must的
那么所以它的要求肯定是avanced的
那在面试当中
你有时候会紧张
会去大脑空白
那面试官问你要去写白板
写这些的时候
你可能逻辑就不是特别清晰
所以我觉得SQL还是需要
作为重点去复习的
那么除了SQL之外呢
还有就是python和r
这两个是interchangeable的
其实大家掌握一个就可以了
然后这个工具呢其实就是
数据清理啊
数据可视化啊
数据处理啊
或者简单的做一些ap test
run一下confidence interval
或者一些简单linear regression model什么的
然后呢
然后作为数据的话
就是数据的话
就掌握一些基本的
数据处理的包裹
non-pyped pandas
或者了解一些
data frame list
tupo set这些
dictionary有什么不同
我觉得在这个份上其实就够了
然后第三部分的话就是
这样吧
我先稍微打断你一下
因为帮大家做一个总结
你刚刚说了两个
第一个是统计
然后第二个是programming
统计里面分了ap testing和fab testing
其实这里边有统计有概率
但是听起来
它的知识范畴
大概就是大一大二大三
本科大一大二大三的这种
知识难度就行了
听起来虽然这些知识不难
但是可能是不是在面试的时候
有些特别的要求呢
对就是
首先这些知识都会运用在
结合实际
应用场景当中体现
比如说ap test里面就会运用到
这些知识而不会
面试官不会单独拎出来问你这些
然后但是他一旦问你了
他不是说让你去记住一些概念
你要去真正的理解掌握
那么体现在什么方面呢
就是他可能会问你说
你能给一个business people
就不是data
没有stat background的人
去讲一个
简单的p-value的概念是什么
什么什么是p-value
去讲给一个非专业的人听
那么就会考察你的沟通技巧
沟通能力
storytelling
以及你到底有没有真正去
运用到
运用学会这个概念
好的
那这是统计
就是听起来不光需要明白概念
关键是要能讲清楚讲懂
而且是通牌的消化吸收
对吧
那
programming刚刚说到的是
sequel是需要advance
然后拍像或者
两个选一个就行了
那对于analytics track的话
基本上知道怎么样子
获取数据
存取数据
清理数据
然后可能做一些数据可视化
和一些简单的regression
这样级别的分析
应该就够了
那当然了
就是也有一些做
machine learning track的话
他们可能需要
用拍像去做
更大规模的数据处理
和
这个特征提取吧
最后是做machine learning model
甚至要自己来手写
machine learning model
我们这儿就先不卡文了
刚才说的那两个
都是比较看着线摸得着的
对吧
但是business sense其实
稍稍有点抽象
那你可不可以先
用一个比较简单的例子
告诉我们product sense
到底是一个什么样的能力的
我就举一个简单的例子吧
就是
就像我以前做游戏
那么
怎么样去提高product sense
最简单的方法
就是你去玩这个游戏
你去作为用户的角度
去思考这个游戏
到底怎么样去
是非常好玩的
怎么样
怎么样通关呀
一些逻辑
然后再从
产品经理的角度去想一下
这个产品怎么样去improve
同时improve用户的体验
也去给公司带来revenue
然后具体到什么道具的选择呀
或者说怎么用matrix来
总结它的成功
这些都是非常需要
用product sense来
去解决的
而且还可能会涉及到
你一个
给你扔来一个非常
vague的question
比如说你的revenue下降了
比如说你的
用户活跃度下降了
你怎么样去
去剖析这个问题
就是你要
用product sense的能力去
不同的把这个
把这个问题
用不同的维度去拆分
去segment
去
drive这个business
找到问题以及解决方
哦 好的
那我可不可以这样总结一下
就是programming是你的工具
然后statistics也是你的工具
它们可能一应一远
但是都是
让你能把
让你能解决一个
数据或是统计问题的工具
你拿到数据以后
然后去把它变成
一个统计问题去解决它
product sense就是考验
你把一个商业问题
转化成一个统计问题的能力
你可能需要用一些matrix
去defend这些商业问题
最后你需要用
你要知道什么东西
是哪一些数据
是你真正的key hour
而且这些东西
每一个数据背后代表的
你的action
你的商业的action是什么
到最后你要去improve
哪些matrix
从而转化成
这个公司在商业上的成功
或是产品上的成功
是这样吗
对 首先你要去
用product
敏锐的business sense去发现问题
并且提出问题
然后再通过数据
然后再去quantify这个问题
然后最后解决问题
提出有商业价值意义的
recommendation去
进一步的去推进这个产品
好的好的好的
那我们感谢
我觉得把这三个问题
都讲得非常清楚
下边的视频
我们就去讲一下
怎么提高我们在这三方面的能力吧