Wie ich mich auf ein Information Science-Interview bei einem großen Technologieunternehmen vorbereitet habe

Bild vom Autor

# Einführung

Ich arbeite als Datenwissenschaftler bei einem ziemlich großen Technologieunternehmen. Wissen Sie, die Artwork von Unternehmen, die intestine bezahlt, versatile Arbeitszeiten hat und ein Büro, das eher wie ein trendiges Café als wie ein Firmenarbeitsplatz aussieht (wir haben Plüschsofas und Sitzsäcke). Mein Job bei dieser Firma ist a Produktdatenwissenschaftler.

Typischerweise stellen große Technologieunternehmen wie Google, Meta und Amazon Produktdatenwissenschaftler ein, um einen Umsatz in Millionenhöhe zu erzielen.

Tatsächlich stellen FAANG-Unternehmen in erster Linie Produktdatenwissenschaftler für ihre Kernteams ein, und diese Fachkräfte werden hoch entlohnt und verdienen oft mehr Geld als herkömmliche Datenwissenschaftler. Dies liegt daran, dass Produktdatenwissenschaftler eng mit Geschäftsteams zusammenarbeiten und Entscheidungen treffen, die sich täglich auf Millionen von Benutzern auswirken.

Ich glaube, dass im Zeitalter der KI Rollen in der Produktdatenwissenschaft sicherer sind als ein traditioneller Job in der Datenwissenschaft. Denn je näher Sie Einfluss auf wichtige Geschäftsentscheidungen haben, desto schwieriger ist es, Sie zu ersetzen. Während KI Vorhersagemodelle mit angemessener Genauigkeit erstellen kann, kann sie den VP of Product nicht davon überzeugen, eine Funktion zu deaktivieren, und sie kann einfach nicht tief genug ein Verständnis für ein bestimmtes Produkt erlangen, um Stakeholder zu beeinflussen.

Aber ich schweife ab.

Sie haben auf diesen Artikel geklickt, um zu erfahren, wie Sie Information-Science-Interviews bei großen Technologieunternehmen erfolgreich meistern, und ich werde Sie nicht länger warten lassen.

Folgendes erkläre ich Ihnen in diesem Artikel:

• Was ich als Produktdatenwissenschaftler mache.
• Wie ich mich auf diese Rolle als Product Information Science vorbereitet habe und was Product Information Science von anderen, traditionellen Information Science-Jobs unterscheidet.
• Mein 6-wöchiger Vorbereitungsplan, um dieses Information-Science-Interview zu meistern.
• Was Sie lernen sollten, wenn Sie Produktdatenwissenschaftler werden möchten (unabhängig davon, ob Sie bereits über Datenkenntnisse verfügen oder ein absoluter Anfänger sind).

# Was ich als Produktdatenwissenschaftler mache

In einfachen Worten: Ich verwende analytische Techniken, um Fragen zu beantworten wie:

• Sollten wir diese neue Funktion einführen, und lohnt sich die Investition?
• Wie viel Geld können wir möglicherweise mit dieser neuen Produkteinführung verdienen?
• Wie nutzen wir Daten, um Benutzer dazu zu bringen, sich stärker mit den von uns angebotenen Produkten und Dienstleistungen zu beschäftigen?
• Wie können wir die Leute dazu bringen, so viel Zeit wie möglich mit der App zu verbringen?

# Wie ich mich auf das Information Science-Interview vorbereitet habe

// 1. Beginnen Sie mit den Kernkompetenzen der Datenwissenschaft

Wie wir weiter oben in diesem Artikel erfahren haben, unterscheiden sich die Rollen in der Produktdatenwissenschaft von den traditionellen Rollen in der Datenwissenschaft. Bevor ich mich für diese Stelle beworben habe, hatte ich bereits zwei Jahre Berufserfahrung als Datenwissenschaftler im Prognosebereich bei einem anderen Unternehmen.

Das bedeutet, dass ich bereits über folgende Fähigkeiten verfügte:

• Programmierung: Ich battle mit Python vertraut und habe es für Net-Scraping, Datenanalyse und Visualisierung verwendet.
• Datenanalyse: Ich wusste, wie man EDA mit Instruments wie PowerBI durchführt und konnte mit Daten Geschichten erzählen.
• Maschinelles Lernen: Ich konnte Modelle für maschinelles Lernen erstellen, trainieren und evaluieren. Dazu gehören einfache Regressionsmodelle sowie fortgeschrittenere Themen wie Zeitreihenvorhersagen.

Wenn Sie diese Fähigkeiten noch nicht haben, empfehle ich Ihnen, sich den Movie anzusehen mein YouTube-Video darüber, wie man sich die grundlegenden Kenntnisse aneignet, die man braucht, um Datenwissenschaftler zu werden.

Die oben genannten Fähigkeiten können leicht durch Selbststudium erworben werden und der Erwerb dauert etwa 4 bis 6 Monate.

// 2. Zusätzliche Fähigkeiten für das Product Information Science-Interview

Produktdatenwissenschaft erfordert etwas andere Fähigkeiten als eine herkömmliche Rolle im Bereich Datenwissenschaft. Als Produktdatenwissenschaftler erstellen Sie nicht nur Vorhersagemodelle. Sie müssen das gesamte Produktökosystem verstehen und bei der Entscheidung helfen, welche Funktionen entwickelt werden sollen, welche intestine funktionieren und welche abgeschafft werden sollten.

Hier sind die zusätzlichen Fähigkeiten, die ich als Produktdatenwissenschaftler erlernen musste:

→ SQL
SQL ist die Hauptsprache eines Produktdatenwissenschaftlers. Die ganze Zeit über habe ich (als traditioneller Datenwissenschaftler) in Python-Notebooks gearbeitet und schreibe heute quick ausschließlich SQL-Abfragen.

Um SQL zu lernen, habe ich zwei Dinge getan. Zuerst habe ich genommen Dieser SQL-Kurs für Datenanalysen. Dann habe ich drei Wochen damit verbracht, SQL-Probleme zu lösen LeetCode Und HackerRank.

Diese Übung reichte aus, um mich durch den technischen Teil des Interviews zu bringen.

→ Statistiken zur Entscheidungsfindung
Ich kannte mich bereits mit Statistik aus und hatte mehrere Kurse dazu belegt. Aber als Produktdatenwissenschaftler musste ich diese Fähigkeit erlernen angewandte Statistik. Das bedeutet, dass ich eine Programmiersprache verwenden musste, um das Konfidenzintervall einer Funktion zu ermitteln.

Wenn eine Funktion (z. B. das Hinzufügen eines Pop-ups zum Bildschirm) mit einem bestimmten Konfidenzintervall zu mehr Interaktion führte, musste ich entscheiden, ob es sich lohnte, das Produkt auf den Markt zu bringen. Ich musste auch Konzepte verstehen, wie man die richtige Stichprobenpopulation für unser Experiment auswählt, um sicherzustellen, dass unsere Ergebnisse unvoreingenommen sind.

Wenn Ihnen diese Konzepte fremd vorkommen, würde ich Ihnen die Einnahme empfehlen diesen kostenlosen Kurs zur Inferenzstatistik von Udacity. Dies, zusammen mit Das kostenlose A/B-Testprogramm von Udacity von Google hat mir geholfen, die Statistiken und produktbezogenen Interviewfragen für diese Stelle zu beantworten.

→ Überbrückung der Lücke zwischen Mathematik und Wirtschaft
Ein großer Teil der Produktanalyse besteht im Wesentlichen darin, die Lücke zwischen Mathematik und Wirtschaft zu schließen. Sie legen eine Erfolgsmetrik für ein bestimmtes Produkt fest und bringen es auf den Markt, wenn das Produkt eine gute Leistung erbringt. Wenn Ihre Erfolgsmetrik beispielsweise die Click on-By means of-Charge (CTR) ist, könnten Sie etwas sagen wie:

„Eine Verbesserung der CTR um 2 % führt zu einem zusätzlichen Umsatz von 1,5 Mio. $ professional Jahr, daher sollten wir diese Funktion anbieten.“

Natürlich ist das obige Beispiel zu einfach, da Produktteams oft mehrere komplexe Metriken generieren, um verschiedene Elemente der Benutzerinteraktion zu erfassen.

Fragen im Zusammenhang mit der Metrikformulierung und geschäftlichen Anwendungsfällen waren während des Interviews am schwierigsten zu beantworten. Um mich darauf vorzubereiten, habe ich es durchgeblättert diesen Produktanalysekurs auf Coursera (obwohl ich es nicht abgeschlossen habe).

# Mein Information Science-Interviewprozess: Wichtige Erkenntnisse

Zusammenfassend hat mich mein Produktdatenwissenschaftsinterview auf die folgenden Fähigkeiten getestet:

• Zeitgesteuerte SQL-Herausforderungen.
• Versuchsdesign und Statistik: „Wie würden Sie die Stichprobenpopulation für dieses Experiment aufbauen und wie würden Sie über die Dauer des Experiments entscheiden?“
• Geschäfts- und Produktwissen: „Unsere aktuelle Metrik erfasst die Anzahl der Sitzungen, bei denen das gewünschte Ergebnis nicht auf der ersten Suchergebnisseite gefunden werden kann. Dabei wird jedoch nicht berücksichtigt, ob Benutzer eine Kaufabsicht hatten oder nur auf der Suche waren. Wie würden Sie diese Metrik verfeinern, um „echte Suchfehler“ zu erfassen?“

Die Ressourcen und Interviewfragen, die ich in diesem Artikel geteilt habe, haben mir geholfen, diese Rolle im Bereich Information Science zu ergattern. Nachdem ich mehrere Jahre als Datenwissenschaftler gearbeitet habe, habe ich gelernt, dass Produktdatenwissenschaftler im Wesentlichen Unternehmensstrategen sind, die wissen, wie man mit Daten arbeitet.

Da wir so eng mit Geschäftsteams zusammenarbeiten, um Entscheidungen zu treffen, die sich direkt auf das Endergebnis des Unternehmens auswirken, glaube ich, dass diese Rolle in einer Zeit, in der KI routinemäßige Modellierung und Analyse übernehmen kann, äußerst wertvoll ist. Wenn Sie darüber nachdenken, Datenwissenschaftler zu werden, oder wenn Sie bereits einer sind, empfehle ich Ihnen dringend, den Weg der Produktdatenwissenschaft in Betracht zu ziehen.

Ja, diese Rolle ist wettbewerbsfähiger, da diese Rollen hauptsächlich von größeren Technologieunternehmen und produktorientierten Organisationen angeboten werden. Wenn Sie jedoch Zeit und Mühe in die Vorbereitung auf eine solche Rolle investieren, stehen Sie im Mittelpunkt wichtiger Geschäftsentscheidungen, was natürlich zu einer höheren Vergütung und Karrieresicherheit führt.

Natassha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Natassha schreibt über alles, was mit Datenwissenschaft zu tun hat, eine wahre Meisterin aller Datenthemen. Sie können sich mit ihr verbinden LinkedIn oder schau sie dir an YouTube-Kanal.