一、数据科学家面试

数据科学家有望在自己的公司中实现手动流程的自动化。通过使用sklearn和TensorFlow等库中的机器学习包，他们可以提取数据、清理数据、训练和评估模型，并为最终用户提出建议或预测。在这个过程中，一部分侧重于编程和算法，而另一部分侧重于软技能，例如开发业务问题和向最终用户解释结果。您还将使用木星笔记本等工具，以及Python和R(有时是SAS)等编程语言。

面试情景

数据科学家面试的准备过程可能让人抓狂。希望下面的步骤能给你带来一些启发和帮助，让你在接下来的数据科学家面试中充满信心。

一般来说，招聘过程包括招聘人员或经理对你的电话筛选。之后，与团队就概念和编程进行面试(有些面试不包括编程，但会让你对公司未来可能遇到的常见业务问题进行评估项目)。接下来，你需要向其他数据科学家或高级产品经理解释你的发现。最后，总结一下你从之前的面试中学到了什么，为什么你是这个职位的最佳人选。

二、数据分析师面试

理想的数据分析师应该能够查询数据库表、执行连接、子查询和报告数据请求。将与其他利益相关方合作，收集与每个索赔相关的内容。会使用SQL、PostgreSQL等工具或其他查询平台，包括Tableau、PowerBI等图表工具。

数据分析师的整个面试过程中有很多步骤和数据科学家非常相似。但两者的区别和独特之处在于面试过程中的概念和编程题目。面试开始时，招聘人员或招聘经理会给你打电话面试。然后，您将会见团队中的其他数据分析师，并与他们讨论数据库等关键概念。之后，您需要完成一个编程挑战，这通常涉及到连接和子查询等常见的SQL问题。接下来，您必须向另一个数据分析师或利益相关者(如客户成功经理)解释您得到了什么

结果。最后，你会和招聘经理讨论之前的面试，以及你对整个团队的看法，并讲讲为什么你可以胜任该公司的数据分析师。

三、相同点与不同点

接下来你会看到，数据科学家和数据分析师的面试是一个相似的过程。不过，虽然他们的过程可能相似，但细节却大有不同，这点我会在后文提到。以下是面试过程中的一些共性：

相同点：

招聘人员的电话初选——与招聘人员间的通话
招聘经理的筛选——与未来招聘经理的通话
专业概念面试——与职位专业人员面试(团队中的另一位数据科学家或数据分析师)
专业性编程面试——与职位专业人员面试(团队中的另一位数据科学家和数据分析师)
领导面试——向非技术用户解释结果
招聘经理的最终面试——总结自己为什么适合该职位

常用工具：SQL，Tableau和Jira（票务平台）

不同点：

虽然过程上大致相同，但在这两个职位在专业面试的方面还是有很大区别。

1.专业概念面试

数据科学：

常见的机器学习算法，比如随机森林（random forest）和逻辑回归（logistic regression）。

常见的机器学习和数据科学，比如无监督学习和有监督学习。

数据分析：

join之间的区别，如内连接（inner）、外连接（outer）、左连接（left）和右(right)连接

子查询(Sub-queries)
索引编制(Indexing)
通过…分组(Group by)
Where子句（Where clauses)

2.专业编程面试

数据科学：

使用Python进行编程（循环for loops，数组arrays和函数functions）

用R进行编程

在Jupyter Notebook中编程并注释代码

有时候，不一定会是编程面试，也可能是一项take-home项目，需要后续合并数据，探索性分析和清理数据，构建模型，输出并对结果进行解释。

数据分析：

SQL查询

Tableau(不是编程相关，而是一种特殊技能，需要了解常用界面中的常见函数和计算)

3.领导力面试

数据科学：

向非技术用户解释模型及预测

数据分析：

向非技术用户解释查询及结果

四、总结

你可以发现，这些职位和他们面试过程间出现的相似之处可能比你想象得多。其实，很多相似之处都来自整体面试的过程，以及一些常见的工具，如SQL。其他相似之处是开发新项目、会见不同的利益相关者所需要了解的软技能。

毫无疑问，职位间的专业性之间是存在关键差异的。比如数据分析师会使用Tableau进行更为复杂的SQL查询和报告，而对于数据科学家而言，会重点关注例如决策树（decisions trees）和时间序列（times series）之类的常用机器学习算法，还会使用Python编写一些典型的函数以及用于将来职位的循环（for loops）。