Les descriptions de tâches des scientifiques de données peuvent varier considérablement, bien que toutes recherchent des candidats possédant une longue liste des compétences les plus souhaitables telles que la pensée critique, la résolution de problèmes, l'analyse de données, l'intelligence émotionnelle, l'attention au détail et le travail d'équipe. Cela signifie que les questions d’entrevue pour les scientifiques de données peuvent couvrir plusieurs sujets différents et aller des questions de compétences générales aux discussions extrêmement techniques.
Les entretiens data science nécessitent beaucoup de préparation. Que vous veniez de sortir d'une grande école d'informatique ou que vous cherchiez à changer d'entreprise ou de secteur, prenez le temps de passer en revue les principaux concepts de votre travail. Tout comme vous savez conduire, mais que vous avez peut-être du mal à réciter des règles spécifiques, vous pourriez vous retrouver coincé dans une interview en essayant d’expliquer le fonctionnement d’un algorithme spécifique.
Pour vous aider à vous préparer, nous avons compilé 10 des questions d'entrevue les plus courantes parmi les informaticiens. Des premières projections aux vidéos de deuxième et troisième étapes et aux interviews sur site, vous rencontrerez une grande variété d'examens, tels que vos compétences techniques, vos capacités de communication et votre style de travail.
1. 'Dites-nous en plus sur le projet le plus récent de votre portefeuille.'
Les scientifiques de données sont en demande dans de nombreux secteurs différents, mais les entreprises recherchent souvent une personne possédant des compétences très spécifiques et possédant une bonne culture. Un portfolio en ligne détaillé affichant le type de travail dont vous êtes capable, ainsi qu'une forte présence sur les réseaux sociaux et une marque personnelle, vous permettent de vous démarquer des autres candidats et vous met en contact avec des responsables du recrutement et des recruteurs pour des emplois pour lesquels vous êtes à la perfection. adapté à.
Soyez prêt, lors de tout entretien informatique, à parler longuement de tous les éléments de votre CV, de votre portfolio ou de votre site Web. Adaptez votre réponse à un projet en fonction de votre public. S'il s'agit d'une sélection initiale ou d'un groupe de participants de divers départements, vous devez mettre l'accent sur la manière dont votre travail génère des résultats positifs pour le client et son entreprise.
Lorsque vous arrivez à la partie du processus d'entrevue où vous rencontrez un autre informaticien, ingénieur, analyste ou autre personne technique, une description plus détaillée des données et des processus impliqués dans votre travail est nécessaire.
2. "Pourquoi voulez-vous travailler pour cette entreprise?"
Même si vous avez été contacté directement via votre portefeuille en ligne ou votre profil LinkedIn et invité à un entretien pour un poste vacant, l'entreprise voudra toujours savoir pourquoi vous avez accepté et pourquoi vous pensez que vous serez un bon candidat.
En plus de parfaire vos compétences techniques, votre préparation à l’entrevue devrait inclure des recherches sur l’entreprise pour laquelle vous postulez. Les informations sur leur secteur d'activité, leur mission, leur personnel, leur travail et la qualité de leur travail vous aideront à élaborer une réponse spécifiquement adaptée à cette question.
Indiquez comment vos compétences les aideront à atteindre leurs objectifs. Trouvez un moyen d'exprimer votre passion pour un ou plusieurs aspects de votre fonction, notamment la mission, la philosophie, l'innovation et la gamme de produits de l'entreprise. S'il s'agit de votre travail de rêve, il peut être intéressant de mettre en place un projet de science des données avant l'entrevue, qui résoudra un problème pour eux - comme faire appel à un nouveau groupe démographique ou planifier les livraisons plus efficacement.
3. 'Nommez les scientifiques de données que vous admirez le plus et expliquez pourquoi.'
Bien qu’il s’agisse d’une question très personnelle qui, techniquement, n’a pas de bonne réponse, les réponses que vous sélectionnez sont très importantes. Vos recherches sur la société, ainsi que sur celles du panel d’entrevues, peuvent vous aider à faire une bonne première impression avec cette seule question.
En connaissant les personnes qui sont en avant dans le domaine ainsi que celles qui font actuellement des vagues, on montrera aux intervieweurs que vous êtes à la fois informé et passionné de l’industrie. Il est utile de discuter des scientifiques de données qui sont valorisés dans le domaine de carrière spécifique pour lequel vous postulez, tels que la finance, la médecine ou le marché boursier.
Cette question est plus qu'une liste impressionnante de noms. La partie "Pourquoi" de l'équation montrera également à vos employeurs potentiels ce que vous appréciez dans votre domaine et comment vous aborderez votre travail. Si votre recherche a montré que l'entreprise valorisait l'innovation, l'intégrité ou même une certaine méthode statistique, il s'agissait d'une excellente occasion de leur faire savoir que vous partagiez ces mêmes valeurs.
4. "Comment expliqueriez-vous un moteur de recommandation à une personne du service marketing?"
Une des qualités importantes qui distingue les spécialistes des données des génies techniques réside dans leur capacité à convertir, afficher et expliquer des données de manière compréhensible pour les non-techniciens. Une requête comme celle-ci est donc l’une des plus importantes questions que vous rencontrerez au cours de l’interview avec Data Scientist. Les intervieweurs veulent savoir dans quelle mesure vous pouvez communiquer des concepts tels que la modélisation de données, les arbres de décision et la régression linéaire à un public quelconque.
Dans ce cas spécifique, vous voudrez d’abord expliquer en termes simples le fonctionnement d’un moteur de recommandation, avec des exemples de filtrage basé sur le contenu et de filtrage collaboratif. Ensuite, vous voudrez discuter de la manière dont vous pouvez travailler avec le service marketing pour associer ses compétences en matière de recours aux clients avec la puissance de l'algorithme qui utilise les données collectées pour vous aider à identifier exactement ce que veulent les consommateurs.
5. 'Quelles sont les différences entre l'apprentissage supervisé et l'apprentissage non supervisé?'
Vous pouvez commencer par résumer que la principale différence entre ces deux méthodes réside dans le fait que l’apprentissage supervisé dispose de données d’apprentissage dont l’algorithme peut tirer des leçons et apporter des réponses. L'apprentissage non supervisé nécessite de regrouper les éléments en fonction des similitudes, des anomalies communes et d'autres processus de recherche de modèles plutôt qu'en utilisant des données précises et fiables.
L'intervieweur voudra que vous donniez plus de détails. Il est donc important de lister les différences spécifiques et de pouvoir parler des différents algorithmes utilisés.
Enseignement supervisé
- utilise des données connues et étiquetées en entrée
- a un mécanisme de rétroaction
- utilisé pour la prédiction
- ses algorithmes communs incluent l'arbre de décision, la régression logistique, la régression linéaire, la machine à vecteurs de support et la forêt aléatoire
Apprentissage non supervisé
- utilise des données non étiquetées en entrée
- n'a pas de mécanisme de retour
- utilisé pour l'analyse
- ses algorithmes communs incluent le clustering K-means, le clustering hiérarchique, les autoencodeurs et les règles d'association
Vous voudrez peut-être avoir quelques exemples, génériques ou d'un projet spécifique sur lequel vous avez travaillé, pour illustrer les différences entre ces deux types d'apprentissage automatique et dans quels cas chacun pourrait être utilisé. Par exemple, l'apprentissage non supervisé peut être utilisé lors du lancement d'un nouveau produit pour lequel les données démographiques du client auxquelles il pourrait plaire sont inconnues.
Souscrire
Inscrivez-vous à notre newsletter pour plus de contenu génial et obtenez 20% de réduction sur notre test de carrière!
Souscrire6. 'Comment évitez-vous les biais de sélection?'
Cette question peut prendre de nombreuses formes lors d’un entretien avec Data Science. On vous demandera peut-être de définir le biais de sélection, comment l'éviter ou de donner un exemple spécifique de son rôle dans un projet sur lequel vous avez travaillé.
Le principal problème avec le biais de sélection est que les conclusions ont été tirées d'un échantillon non aléatoire. Évidemment, la solution la plus simple consiste à toujours choisir parmi un échantillon aléatoire d'une population clairement définie. Vous devrez expliquer pourquoi cela n'est pas toujours possible.
Sachez que, dans la mesure où le biais de sélection peut être intentionnel - la sélection du sujet ou l'élimination des données étant faite à dessein pour prouver une théorie ou une projection préconçue - ceci pourrait constituer un moyen indirect pour le jury d'embauche de poser l'une de ces questions difficiles lors d'un entretien sur l'éthique et l'intégrité au travail. .
En fin de compte, vous voudrez souligner le fait que le biais de sélection est le plus souvent un cas de données non intentionnelles ou inévitablement biaisées. Veillez à préciser certains des domaines dans lesquels un biais de sélection peut survenir, notamment l'échantillonnage, l'intervalle de temps, les données et l'attrition. Ensuite, donnez quelques exemples de la façon dont des techniques d’exploitation telles que le rééchantillonnage et le renforcement peuvent vous aider à travailler avec des échantillons non aléatoires.
Si vous participez à une interview lorsque vous parlez à des représentants de départements moins techniques, utilisez un exemple simple à comprendre qui illustre clairement les biais de sélection. Eric Hollingsworth, spécialiste des données, fait référence à une leçon tirée de l'éclosion de grippe aviaire de 2011, selon laquelle "seuls les individus très malades étaient comptés" dans un échantillon statistique de "cas confirmés". Le taux de mortalité résultant de 80%, si grave en raison du biais de sélection, a créé une peur généralisée.
7. "Comment peut-on traiter les valeurs aberrantes?"
Il s'agit d'une question d'entretien courante pour les spécialistes des données, car elle révèle comment vous utilisez les données qui vous sont fournies, les méthodes que vous utilisez pour traiter ces données et si vous êtes prêt à consacrer du temps pour évaluer chaque élément de ces données.
Vous voudrez d’abord parler de ce qui constitue une valeur aberrante, en tant que nombres qui se situent bien en dehors du groupe de données d’un graphique, sous forme de 2 à 3 écarts types par rapport à la moyenne, etc. La prochaine étape pour faire face aux valeurs aberrantes consiste à évaluer pourquoi elles se sont produites.
Une petite quantité de valeurs aberrantes pouvant être attribuées à une simple erreur humaine ou machine est facilement éliminée. Veillez toutefois à noter que même une seule valeur aberrante peut constituer un point de données clé plutôt qu'un problème, car elle peut indiquer le succès d'une stratégie de marketing, d'un nouvel ingrédient médicamenteux ou d'une gamme de produits.
Ensuite, vous voudrez expliquer comment traiter un grand nombre de valeurs aberrantes, ce qui nécessite des solutions plus complexes. Par exemple, vous devrez peut-être modifier le modèle que vous utilisez, normaliser les données à la moyenne ou utiliser un algorithme de forêt aléatoire. Encore une fois, essayez d'utiliser un cas concret de votre expérience en tant que spécialiste des données pour expliquer la tactique correcte.
8. 'Pourquoi le nettoyage des données est-il important?'
La collecte et le nettoyage des données occupent une place prépondérante dans votre travail en tant que data informatic, prenant jusqu'à 80% de votre temps. Quel que soit le secteur dans lequel vous postulez, les questions de l'entrevue comporteront toujours une question sur les raisons pour lesquelles le nettoyage des données est important. Les intervieweurs vous poseront également des questions sur vos techniques et programmes de nettoyage préférés.
Vous devez souligner à quel point il est nécessaire de disposer de données fiables pour tirer les bonnes conclusions, mais il ne s'agit pas uniquement de chiffres. Expliquez comment le fait de commencer avec des données complètes, exactes, valides et uniformes a un impact direct sur leurs activités. Les avantages clés à discuter comprennent:
- amélioration de la prise de décision sur les objectifs de l'entreprise
- acquisition plus rapide des clients et recentrage sur les clients passés
- gain de temps et de ressources grâce à l'élimination des données inexactes ou dupliquées
- amélioration de la productivité
- amélioration du moral des équipes grâce à des résultats répétés, efficaces et précis
9. 'Quel est l'objectif des tests A / B?'
Les questions relatives aux tests A / B au cours de votre entretien pour un poste de spécialiste des données peuvent commencer par une référence plus générique à l'utilisation d'un modèle expérimental pour répondre à une seule question sur le comportement ou les préférences de l'utilisateur. Le but de tester une variable de conception de site Web, d’application ou de newsletter est tout simplement d’évaluer si un changement augmentera les taux d’intérêt, d’engagement et de conversion.
Une façon de vous distinguer lorsque vous répondez à ce type de questions d’entrevue est de discuter de la manière dont d’autres scientifiques pourraient tirer des conclusions erronées à partir des tests A / B. Les pièges possibles incluent:
- ne pas collecter suffisamment de données sur une période suffisamment longue
- tester trop de variables à la fois
- ne tient pas compte des facteurs externes pouvant affecter le trafic pendant la période de test
- ignorer les petits gains qui peuvent s'accumuler avec le temps et se combiner à d'autres changements positifs pour augmenter les revenus
- manque d'interprétations globales telles que gains ou pertes financiers nets par rapport aux taux de conversion
En plus de souligner ces problèmes, vous devrez indiquer comment les résoudre - ou, mieux encore, comment vous les avez déjà évités dans vos précédents projets de science des données.
10. "Vous avez 48 heures pour résoudre ce problème de codage."
Le défi du codage peut être un moyen initial de sélectionner des scientifiques de données potentiels ou une deuxième étape du processus d’entretien après le franchissement du premier obstacle avec un recruteur ou un responsable du recrutement. Il peut s’agir d’un test sur site qui dure de 30 minutes à 2 heures et qui consiste à coder sur un tableau blanc ou sur un clavier à la vue de l’intervieweur. Vous avez souvent le choix du langage, mais préparez-vous à coder en SQL ou en Python.
Certaines entreprises attribuent des tâches plus longues, avec des délais pouvant aller jusqu'à une semaine. Les défis du tableau blanc peuvent nécessiter l'écriture de requêtes SQL assez simples, mais des tests plus longs sont, bien sûr, plus complexes. Généralement, on vous donne des données et on vous demande de faire des prédictions spécifiques à l'aide de ces données, et vous devrez montrer votre travail. Par exemple, un sujet récent interviewé par un scientifique de données a reçu des données Airbnb et a été invité à prévoir les prix de l'immobilier en fonction des caractéristiques des logements.
Les intervieweurs voudront discuter de vos choix avec vous, des hypothèses que vous avez formulées, des fonctionnalités que vous avez choisies, du pourquoi vous avez utilisé certains algorithmes, et plus encore. Souvent, la réponse à laquelle vous arrivez est moins importante que votre processus, votre créativité, votre lisibilité du code et votre conception.
Cette entrevue peut être une expérience stressante pour les entrevues. Préparez-vous donc en créant et en complétant des défis pratiques avec vos amis ou collègues du secteur de la science des données. Vous pouvez également visiter des sites tels que Leetcode et SQLZOO pour des exercices de codage. Des entretiens simulés impliquant des problèmes d’algorithmique et de conception de systèmes sont disponibles gratuitement sur Interviewing.io.
Comme vous pouvez le constater, les questions d’entrevue pour les scientifiques de données peuvent être difficiles et le processus global peut être long et exténuant. L'un des conseils les plus importants pour les entretiens consiste à rester positif, même si vous estimez qu'une partie du processus d'entrevue s'est déroulée dans de mauvaises conditions. Nous sommes souvent plus durs avec nous-mêmes que les autres et vous pouvez toujours décrocher le poste même si toutes les réponses ne sont pas aussi parfaites que vous l'auriez souhaité.
Si vous manquez l'occasion, demandez des commentaires et utilisez-les pour améliorer votre expérience d'entrevue. Après tout, de nombreux scientifiques de données bien établis ont été rejetés de plusieurs postes et ont continué à réussir dans les emplois qui étaient finalement les mieux adaptés!
Quelles questions et difficultés de codage avez-vous rencontrées lorsque vous avez tenté de décrocher un poste dans le domaine de la science des données? Rejoignez la discussion dans les commentaires ci-dessous et aidez vos collègues spécialistes des données à se préparer pour leur prochaine interview!
