京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA数据分析师 出品
各位同学大家好,我目前就职于某头部房产平台,在运营部门这边的数据分析岗位。
之前除了房产平台,我也面了银行。这次想跟大家分享交流一下我几次面试的一些经验感受,希望对大家能有所帮助。
前期面试准备
当时6月下旬我在招聘平台看到某银行的招聘信息,银行的招聘都是有时效性的,可能某个岗位挂一个星期之后就不会再出现了。
因此当我看到有这样的一个好机会,我马上想抓住它。
于是我马上找到课程班主任,问有没有打分卡的往期录播课,当时我们课程还没上到这个部分,我就想提前自学一下。因为如果想进银行的话,会有打分卡项目,这个是很加分的,所以我想提前把它弄懂。然后我在周末花了快两天把整个课程看完,进行整理并写到简历里。
在前期准备上,我感觉这方面我抓住了要点,是做得比较好的地方。
但是也有不足之处,当时我没有找老师帮我优化简历,简历是我自己做的,所以写得不太理想,没有针对性,没有把我过去的工作经验往数据分析方面靠,整体显得很宽泛。
面试流程
银行的面试时间比较久,一共面了快4个小时。我是下午2点去的,6点多才出来。需要填各种申请表,此部分花了2个小时。笔试大概是一个半小时,需要做3套题。
第一套题是逻辑思维和性格分析,是不计分的,看你作为职员性格是偏外向还是内向。
第二套题是MySQL,主要看查询语句。
针对这方面,大家平常就要养成刷题的习惯,多做做题。这次面试中考察的应该是中等难度,但是它会给你一些限制。比如说你要做累加的话,它不会让你用开窗函数用代码写出来,因此大家要有意识的多掌握一个问题的多重解决方法。
第三套题是 Python。
里面混杂一些数理统计的知识,恰好我是数学专业毕业的,所以这方面还好。还需要简单解释一下模型,它有三个模型,分布是:决策树、神经网络和Xgb。我就写了两个,决策树和神经网络。这方便能想到的我都写了,包括推导公式,画表等。Xgb我没写,因为这个模型我一知半解,学的不太好,如果写了一些上去,面试官可能会根据我的答案提问。如果答不上来的话,对他的印象就显得不太专业,因此我就干脆没做。
整个三套题我的正确率大概是80%。整个题目其实不太难,但是时间非常紧,题目量很大,特别是Python这一块,Python关于数理统计的知识考得非常多,这部分比较难做。
面试的整个流程比较常规。先做自我介绍,也会有一些技术方面的。比如问MySQL的语句,口头解释一些Python的算法。这里要提醒大家,平时学习的时候不仅要会做,自己脑子里要懂,还要会用语言表达出来。
遇到供需不匹配怎么办
技术面之后就会问一些问题,面试官当时提了一个供需不匹配的问题。这其实是因为,在招聘时写了风控建模的需求,我本来是在私人银行做风控的,所以我的方向就是去做风控建模,去做打分卡这些项目。但在实际面试时,说没有这方面需求,因此我过去做风控的工作经验对岗位没有任何帮助。
我当时其实还是有点紧张的,我想都供需不匹配,那面试可能没戏了,但这个时候千万不能慌张。
我的策略就是要找到自己的一个节奏感,避免面试官把问题继续引向我不擅长的领域,而是引导到我熟悉的领域。
之后我跟他慢慢聊,说到我的最终目标是做风控建模,但是凭现在的能力我自知是不能胜任的,但是我已经努力往这个方向走。之后继续聊了聊我之前风控建模方面的工作经验,对案例中的打分卡案例细化每个步骤进行阐述。
大家写简历时一定要注意,包括过去的工作经验和工作项目一定要弄懂,理清条理。如果自己做的东西你都不懂的话,这会让面试官对你的专业度表示怀疑。面试整个1个小时,最后20分钟是在聊天中度过的,虽然前面的氛围比较紧张,但是后面慢慢就轻松下来了,我就觉得面试差不多已经拿下了。之后我在就业老师的帮助下对简历进行了进一步优化和修改。
争取面试机会
之后我在招聘平台上找了一家某头部房产平台的。开始那边想让我去做市场营销,我对这个岗位不感兴趣,但我又不想放弃这个机会。于是我继续跟人力聊天,说自己是数学专业的,想做数据分析,对市场营销暂时没有什么兴趣。这个hr是杭州的,其实我是在上海的,于是我问他在上海有没有合适的岗位。最后他问到了说上海那边线上运营需要数据分析岗位。
这里其实就是想告诉大家,不要放弃任何的机会,特别是大厂。
不要看到想招做销售或者市场营销等自己不感兴趣的岗位就放弃。可以多聊一聊,说不定机会就来了。
之后我就去参加了面试。这里我感受到的是,面试从来不是坐在会议室里才开始的,当hr给你发送面试邀约的时候,面试就已经开始了。因此一定要做到有礼貌,有精气神,把第一印象要打造好。
初面
笔试部分是关于SQL和Excel方面的两套题,这部分难度适中。
面试相对轻松,首先是自我介绍,让我讲一讲之前做的项目,也会问一些Python的内容。要反复强调的是,写在简历上的内容一定要把它弄得很透彻、弄清晰,不要给自己挖坑,如果写在简历里的内容还一问三不知,这个就会给你扣分。
这里分享一下当中遇到的一个题目,女生有50个人,占总数的60%,男生有多少?大家可以算一下是33.3人,其实考的就是你是取33个人还是取34个人。然后这种半开放的题目,只要按照自己的逻辑把它讲清楚,不管你选哪个答案都是对的。
当时我说33也可以,34也可以,就看0.3在业务里面具体怎么去定义。然后顺便就解释了一下,他觉得也没问题,初面就这样过了,大概聊了一个小时。
二面
二面的话大概讲了一个半小时,前面也是很常规的自我介绍,讲项目,技术面还有情商题。
当时问我的是:
用15分秒思考一下,你有没有想过改变什么?自己,学过的专业或者从事的工作,甚至是改变世界,有没有想过改变什么?
这个是常规面试的最后一个问题,放大招15秒钟思考,大家可以一起来思考一下,如果是自己会怎么回答?答题思路是怎样的?
这里给大家分析下一下我的思路。
首先思考的时间很紧,只有15秒钟,我当时想了从三个点来回答。我感觉说要改变世界不太合适,会显得太狂妄了,我就把这个点略过了。
再看到是否要改变过去学过的专业和工作,隐含的意思就是对过去是否有不满意的,这其实是对自己过去的否定,我感觉不太妥当。所以我就回答怎么去改变自己。
对于我个人而言,其实我以前是做风控金融这块的,我还考了金融相关的证书,面试官会想为什么我不去金融行业面试,而要跑到地产行业来呢。对于打算转行的小伙伴来说也是如此,与其等着面试官问,还不如掌握面试的主动权,主动出击。
于是我就在这个问题里主动回答为什么我要转岗应聘这家公司,有什么吸引我的地方。以及我要寻求改变,要改变成什么样子,再说说我未来的职业规划。回答要点有了,就跟着思路回答,这里要注意语句流程通顺,要有一定的逻辑。
以上就是我今天的分享,希望能给大家一些帮助。
大家投简历准备面试时,前期一定要对面试公司的情况做好功课,对提问多做准备。这样才能在面试中做到有备而来。另外面试结束后一定要复盘,总结自己的不足之处。
更多考试介绍及备考福利请点击:CDA 认证考试中心官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27对数据分析从业者和学生而言,表结构数据是最基础也最核心的分析载体——CRM系统的用户表、门店的销售明细表、仓库的库存表,都 ...
2025-11-27在业务数据可视化中,热力图(Heat Map)是传递“数据密度与分布特征”的核心工具——它通过颜色深浅直观呈现数据值的高低,让“ ...
2025-11-26在企业数字化转型中,业务数据分析师是连接数据与决策的核心纽带。但“数据分析师”并非单一角色,从初级到高级,其职责边界、能 ...
2025-11-26表格结构数据以“行存样本、列储属性”的规范形态,成为CDA数据分析师最核心的工作载体。从零售门店的销售明细表到电商平台的用 ...
2025-11-26在pandas数据处理工作流中,“列标签”(Column Labels)是连接数据与操作的核心桥梁——它不仅是DataFrame数据结构的“索引标识 ...
2025-11-25Anaconda作为数据科学领域的“瑞士军刀”,集成了Python解释器、conda包管理工具及海量科学计算库,是科研人员、开发者的必备工 ...
2025-11-25在CDA(Certified Data Analyst)数据分析师的日常工作中,表格结构数据是最常接触的“数据形态”——从CRM系统导出的用户信息表 ...
2025-11-25在大数据营销从“粗放投放”向“精准运营”转型的过程中,企业常面临“数据维度繁杂,核心影响因素模糊”的困境——动辄上百个用 ...
2025-11-24当流量红利逐渐消退,“精准触达、高效转化、长效留存”成为企业营销的核心命题。大数据技术的突破,让营销从“广撒网”的粗放模 ...
2025-11-24在商业数据分析的全链路中,报告呈现是CDA(Certified Data Analyst)数据分析师传递价值的“最后一公里”,也是最容易被忽视的 ...
2025-11-24在数据可视化实践中,数据系列与数据标签的混淆是导致图表失效的高频问题——将数据标签的样式调整等同于数据系列的维度优化,或 ...
2025-11-21在数据可视化领域,“静态报表无法展现数据的时间变化与维度关联”是长期痛点——当业务人员需要分析“不同年份的区域销售趋势” ...
2025-11-21在企业战略决策的场景中,“PESTEL分析”“波特五力模型”等经典方法常被提及,但很多时候却陷入“定性描述多、数据支撑少”的困 ...
2025-11-21在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20