推广 热搜： 采购方式滤芯带式称重给煤机甲带气动隔膜泵减速机型号无级变速机链式给煤机履带减速机

数据科学&数据分析行业全介绍(下)

日期：2026-05-13 09:39:32 来源：网络整理作者：本站编辑评论：0

数据科学&数据分析行业全介绍(下)

希望你每天都来看我！

点击上方“PH求职”-->点击右上角“...” -->点选“设为星标?”

前言

由于热度太高

小编马不停蹄地给大家送上了

DSA岗位全面解析的下半部分内容！

感兴趣在该领域求职的同学们

随时欢迎咨询Pace学长答疑解惑

上篇文章我们重点介绍了DSA岗的：

☑️能力要求

☑️业务介绍

☑️行业薪资

☑️职业晋升

详情见链接：‍‍

数据科学&数据分析行业全介绍（上）

下篇我们继续为大家介绍：

☑️求职准备

· 技能准备

· 面试准备

· 其他tips

☑️可以投递的公司

☑️面试流程

01

求职准备

技能准备

1. SQL

最重要的技能，因为每个公司都需要用SQL来获取数据、看metrics等等。学习方式：

Leetcode：easy和medium可以刷2-3遍
SQLzo0：很好的网站，可以练习每一个function
W3School：会具体帮助你了解syntax和function的用法
Datacamp：作为入门是挺不错的材料，会把一个SQL project从头到尾讲透彻

2. Python/R（两种语言二选一即可）

Leetcode：可以刷一些python题目，但是有点偏算法
HackerRank：有一些python的题可以刷，从easy到difficult
Coursera：有很多Python/R 基础的课程，对于打墓础非常不错
Kaggle：非常适合有一定基础的同学，可以在Kaggle找project和data set去练习

3. Machine Learning

Coursera：推荐Andrew NG经典的ML课程，基本每个模型都讲得比较到位

The Elements of Statistical Learning

An Introduction to Statistical Learning（必看小黄书）

4. Stats

Brilliant：对于练习stats是不错的平台
Datacamp：对于统计分布和experimentation帮助很大

5. A/B Testing & Product Sense

Udacity AB Testing免费课：谷歌的人做的，非常专业，面试完全够用
StellarPeers：不仅还原了面试场景，还总结了framework和需要注意的点，非常推荐
Cracking the PM Interview：强烈推荐的神书，但是难度会稍微大一些，需要有一定基础。

更多准备内容可以参考Pace学长小红书的帖子：

面试准备

总结：越早面越好，越早面越好，越早面越好（重要的事情说三遍）。机会稍纵即逝，你永远不知道有多少个人在和你同时竞争，因此兵贵神速，其实多出来的两三天并不能帮你多准备多少东西。准备面试的过程大概像一个Sigmoid函数吧，准备到了一定的时间就到了自己能力的瓶颈了，堆时间带来的进步会很有限了，不如赶紧面了。面经可以看，但是请把面经当作对于自己掌握的知识的应用和补漏，我个人认为完全依赖面经是会起到反效果的，往往会导致在面试中遇到没见过的题目出现心态雪崩的情况导致面试挂掉。

· 电面：聊简历的面试，请对自己的简历烂熟于心，不要出现面试官问到自己都想不起来的内容；需要准备后续内容，经典后续题：

a. What are the difficulties you met at the time?

b. What would you do if you can do it differently?

c. Why did you choose this algorithm? Why not the others?

· Onsite面试（VO）：通常除了聊建立还会出现BQ和Case Study。最好的准备BQ方法大概是参加一场Amazon的面试（雾），按着准备Amazon BQ的规格把BQ都准备好了面别的公司就没有什么压力了，地里写亚马逊BQ的帖子已经很多了这里就不多重复说了。

· Case Study：重在平时练习，真正面试时请多clarify，不要害怕让面试官觉得你什么都不知道，事实上clarify清楚后一层层抽丝剥茧比一头雾水地去答题比要好得多。

· Tech Interview：通常指SQL（对DA来说），重点是思路的交流和沟通，不要闷头写代码，请务必在说代码的时候说清楚思路；另一个重要的点是细心，SQL往往需要更加的细心，确保自己没有看错表格/题意。

其他tips

建立自己的职业规划和职业网络

在你开始找工作之前，需要花时间来思考自己的职业目标和未来的职业规划。一般来说从了解自己的兴趣、技能和价值观开始着手，可以帮助你更好地选择合适的行业和职位。

同时建立职业网络可以帮助你扩大人脉并获得有价值的职业机会。加入行业协会、参加职业活动、加入校友会等都是建立职业网络的好方法。

优化简历和求职信，积极寻找

简历和求职信是向潜在雇主展示自己的重要工具，一定要在投递简历之前确保你的简历和求职信清晰、简洁，并强调到位你的所有重要技能和经验。

不要畏惧主动寻找工作，可以通过招聘网站、社交媒体、校园招聘会等多种途径寻找工作机会，并且要尽量找到自己的节奏、每天都保持寻找工作的动力。

认真准备面试，保持良好心态

一旦收到面试邀请，就需要花时间精力一步一步准备面试，尽量让自己的准备面没有死角。了解公司、准备回答常见问题、准备提问以及选择适当的着装，都是为面试成功所必需要做的事情。

找工作是一个漫长且极有挑战的过程，一定要在求职时坚持保持积极的心态和耐心。如果面试被拒绝了，不要灰心丧气，要做的是从中吸取经验教训并努力改进自己。

02

可以投递的公司

Tier1：重视数据岗的高薪科技大厂

众所周知，FAANG即Facebook（现Meta）、Amazon、Apple、Netflix和Google一直被称为美国顶级科技公司代表，当然实际上也包括像Microsoft, BCG, Lyft, Pinterest等公司，每年数据科学类岗位录取者也大部分都是名校综合实力强劲的毕业生。极有竞争力的薪酬水平、丰厚的公司福利、优质的办公环境和卓越的同事沟通网络无疑给足了这类公司跻身第一档位的理由，同时进入这类顶级大厂的压力也不小，录取比例甚至低于许多世界名校。

代表公司：Meta, Amazon, Google, LinkedIn, Apple, BCG

Entry level平均薪酬范围（美金/年）：15.5万以上

Tier2：其他高薪科技大厂及其他如咨询、零售、金融行业重视数据岗的公司

第二档位公司的薪酬略低于头部公司，但仍享有极高行业知名度和业务实力，或是在科技行业之外却也尤其重视数据分析岗位。如麦肯锡作为咨询行业头部公司本身也涉及数据科学领域，Twitter拥有全世界最大的实时数据集，Capital One是对于数据类岗位设置最为典型、最细致的银行（商业分析师、数据分析师、量化分析师、数据科学家、机器学习工程师）等等，许多这类公司也因为自己的特点而成为部分应届生心中的dream company。

代表公司：Expedia, Paypal, Twitter, Spotify, Capital One, McKinsey

Entry level平均薪酬范围（美金/年）：12-15.5万

Tier3：薪酬水平较为一般的中小厂、其他行业数据岗及早期创业公司

部分咨询行业、零售行业等数据岗薪酬明显会比科技行业大厂低一截，相对竞争力和前面所举例的各种公司相比不太有优势，包括初创公司非核心位置的新招聘岗位稳定性也不是很高，即被归于第三档位。虽然在行业中没有突出业务优势，这类公司通常也会给entry level员工足够的成长和学习机会，在其中经历一段时间的磨练后跳至头部公司从而薪资翻倍的也大有人在。

代表公司：Deloitte, Booz Allen Hamilton, Boeing

Entry level平均薪酬范围（美金/年）：12万以下

具体薪资可以参考如下文章：

数据科学公司大清点，tier1/2/3分别是...

03

面试流程

秋招时间线如下↓

7-9月：简历投递，第一轮申请

8-11月：面试

11-12月：offer发放

春招时间线如下↓

12-2月：简历投递，第一轮申请

2-4月：面试

3-5月：offer发放

科技公司及其他大部分有数据类核心岗行业的头部公司DSA岗位均以rolling形式招聘，很多时候春招可以理解为秋招的补招，相对而言名额不多且招聘时间线波动更明显。

这里以Tiktok DSA为例：

相对于其他互联网公司，TikTok的面试过程战线拉得比较长，虽然没有官方数据，但据笔者观察，经历过5、6轮面试的情况并不罕见。

第一轮：一般是HR或line manager初面

这个部分就是基本筛选了简历之后有一部分人会收到chat invite（所有面试轮次基本都是视频聊天形式，只有10%左右的现场代码书写测试），需要对简历上的每一点都了如指掌，倒背如流（正着背也要如流），否则请把该要点删掉。

第二轮：一般是和line manager或global lead聊

这个部分就是过了初试之后，会有HR给你约Lark（字节跳动的OA工具）面试，需要注意的一点是每轮并没有明确规定必须是行为、技术或其他面试，而是有可能是各种面试形式的线性组合，例如在第二轮中面试官有可能在了解了你简历上一个需求预测项目的背景和商业效果之后追问你模型的评判标准公式 (例如MAPE，RMSE) 以及ARIMA将时间序列拆分为哪4个组分等。