特皮雷的数据分析实习日记

• 快手，实习待遇好，Data-Driven文化，Exposure非常不错
  

• 字节，业务导向，看重Product Sense

• 美团，title叫商业分析，其实和数分一样

• 亚马逊中国(物流+AWS业务)BA/BIE岗

• Linkedin DS岗,非常看重产品思维，可理解为PM+DS，个人认为是国内最好的数分实习

此外还有滴滴、网易、京东、知乎、爱奇艺等海量数分实习机会。

• eBay，招人很多，对于申请国外数据类研究生项目是非常大的bonus

• PayPal，Summer Intern为主，录取难度大，分为风控策略和风控模型两个方向，含金量很高

还有Afterpay、Wish、亚马逊中国（Kindle、AWS）、虾皮上海，携程、小红书、趣头条、大众点评、哈啰出行等公司。

• 腾讯，Summer Intern为主，分为业务和技术两个方向，录取难度较大

• eBay深圳（岗位较少）

• 虾皮深圳（BI为主）

• 阿里，正式的实习生均为Summer Intern，录取难度较大

• 滴滴（两轮车业务）、网易等

Q:国内数据分析岗位对学历、专业要求高么?

A:互联网数分实习岗位对学历上的要求没有金融/咨询严格，211/985不是决定性因素，更重要的是相关实习/项目经历+本科/研究生专业，尤以信管、BA/DS、统计等专业较为对口。

Q:数据分析实习岗位的投递技巧

A:投递渠道主要是实习僧、官网、邮箱投递（公众号、实习群上的JD）等渠道。对于数据分析实习岗位来讲，实习僧和邮箱的投递方式回复效率较高，如果是组里直招，找身边的peer内推也是一种好方法。

Q:数据分析岗位的简历应该怎么写？

A:总体来讲，应突出和数据分析相关的实习经历/项目/技能/相关课程，不相关的经历不用放在简历上面。

实习经历部分，建议按照工作内容分类概述，比如可以分为产品侧业务分析、运营侧业务分析、基础报表搭建、底层数仓建设、看板搭建等维度描述。同时，也可以按照不同的项目来概述，比如项目1，项目2，项目3这一格式进行分别叙述。总之，要让自己的简历读上去显得比较有逻辑和层次感。

项目部分，其重要性相对来说是在高质量实习之后的，但在没有多段高质量实习的情况下，也可以放数据类项目在简历上，比如课堂上做的项目、学校和企业合作的项目（Capstone Project），Kaggle项目等。

技能方面，或许大家都在一定程度上了解数分岗位的技能和分析方法，都能轻易地列出Python/SQL/R/Tableau等技能，但这部分可以写的更加细化，比如Python、R掌握的包有哪些，SQL掌握的查询方法有哪些，掌握的具体分析方法（比如AB实验，时间序列分析，数据可视化等等）

一个小tips：大厂的数分实习岗位对于技能上的要求SQL是Top Priority的，高于Python和R，所以SQL的能力和使用经历建议重点强调。

烤：这里给大家推荐一篇文章，嘻嘻 

烤烤你会不会写数据分析简历？

一般来讲，大厂的数分实习岗位会有2-3轮面试，业务+技术+简历是主要的形式，举例几个业务上高频问题：

或许大家都能想到的思路是从不同维度、链路拆分核心指标，找出具体哪一部分指标的下降最明显，但可以回答的更完整一点：排除技术原因(Bug/取数错误)-全局还是局部下降-外部swot分析-内部原因（链路拆解(漏斗模型、AARRR模型等等)/维度拆解(比如电商的人、货、场三个维度）)

书、知乎),基本指标体系包括人口、生产(发布)、消费、Top榜单等等。

这就需要我们对具体业务多做了解，

推荐大家先看一下Udacity的AB Testing课程，掌握基本原理，然后在实习中尽量接触A/B实验，同时提高自己的Product Sense，推荐一本AB Testing的书：<Trustworthy online controlled experiments>，英语好的同学也可以看看Medium上面大佬的分享，或者请教一下A/B Testing经验丰富的学长、学姐，有时候20分钟的咨询可能比自己空想有意义的多，因为实际工作中的A/B Testing和理论还是有一定gap。

技术面试90%的情况是SQL，需要熟练掌握group by、窗口函数、子查询等高频查询方式。同时少部分情况下会考察Pandas,Numpy的基本操作，比如使用pandas处理Excel文件,当然也不排除一些组的mentor偏好R语言。

不少同学期待的数据分析实习：

做高大上的机器学习预测模型+花式A/B Testing+日常工具上使用Python/R

然而实际的数据分析实习：

整天疲于应付产品、运营等业务方的取数和报表(Dashboard)需求，也就是大家经常调侃的SQL Monkey(取数机器人，茶树菇)+日常工具上基本只使用SQL+Excel

理想是美好的，现实总是残酷的，相信这种心理落差是很多在大厂数分实习同学都有经历过,大家时常抱怨自己天天都在用SQL取数而没有太多分析、建模的工作，甚至取数之后连这些数据的用途也不知道是什么。其实我在实习中也遇到过类似的困境，也和经验丰富的学长学姐、同事交流过，这是非常正常的现象，无论是技术导向的Data Scientist还是业务导向的Data Analyst，数据清洗和取数在实际工作中也是基础而必要的，而作为数据分析实习生来讲，很多时候的取数工作是为了Mentor的深入业务分析或者业务方的决策在做前期支持。

如何克服这种困境或者说从取数中学习到除了SQL提升之外的技能呢？

首先可以和mentor或者提出取数需求的业务同学confirm一下这些数据是不是很有必要去取，即这些指标是否有意义。因为业务的同学有时候也不知道数据库的不同表的特点，是根据自己主观想法提出的取数需求。如果这个取数需求是必要的，那么可以多了解这些数据背后的用途以及Business上的impact是什么，这样能加深大家对于具体业务的理解和指标体系的熟悉，在简历里面也能更好描述。

如果业务同学经常提出类似的取数需求，不妨汇总常用的维度和指标，使用公司的BI平台(Tableau,PowerBI等等)建立对应的看板（数据可视化），再使用Data Pipeline定时更新数据或者发送邮件给业务同事，这样自动化报表的更新，能较大地提高工作效率，不至于整天挣扎在取数工作中。

在实习中每完成一个分析任务/一个看板后，有必要完整地记录一下这个项目，描述该项目的背景、分析过程、分析结果以及指导意义。这样不仅有利于同事或者老板更好地了解你的项目，也有利于自己的沉淀和进步。

以一套简单的Dashboard举例，通常输出的结果是BI平台上的图表，基本没有文字描述，在Document中通常包含以下内容：

1. 制作看板的背景和意义是什么。

2. 图表里面出现的各种指标的计算逻辑

3. 计算各指标的SQL链接，方便自己和同事的检查和改进。

在通往优秀的全职数据分析师道路上，高质量实习的经验积累是非常重要的。个人经历来看，在实习过程中，大家可以在以下2个方面锻炼自己的实力，为找全职工作做充分的准备：

1、尽可能完整地参与一个数据分析的project，而不仅仅是做一些辅助性的任务，同时也要尽量参与分析的核心工作，有机会的话最好能在项目完成后做一次Pre。

以A/B Testing举例，一般对于实习生来讲，可能只会参与前期的实验埋点或者实验结束后的数据提取工作，这样零碎参与的话可能不能很完整的积累A/B Testing的经验，通常A/B Testing的完整流程是：和产品经理讨论实验的必要性——设计实验（埋点方案、相关假设、样本容量、对照组实验组分配、实验时间、实验衡量指标）——运行实验（数据监控、实验参数修正）——实验结果分析（定性定量判断、显著性水平检验等）——产品迭代更新

2、在老板布置任务的基础上，能自己探索一些潜在的分析方向或者内容。这一部分是业务导向数据分析师比较高阶的工作内容——Open-Ended Analysis（开放式分析）。对于自身的Product/Business Sense的提高非常有帮助，例如在电商平台的数分工作中，看到平台的退款率/退款数量异常高，这样对平台的核心KPI造成了很大的影响，这时候就可以从退款的角度deep dive，分析退款率高的原因以及应对方案。