今天就之前看到的一个话题“如何看待2020校招数据分析岗位招聘爆炸难度”写一点想法。内容目录大概几个部分：

你看到的数据分析岗位

参加过2020校招的朋友说有神仙打架的感觉，数据分析、算法、产品岗位更是如此。数分难度系数可参见下图：

腾讯在投递岗位上算的上一家良心公司，在你投递岗位之前会给你每个岗位的投递录用比。前端、后端、测试开发等方向大概的投递录用比是40:1，其他难一点的大概在90:1，但数据分析岗位的投递录用比就像箱线图中的异常点（很友好的劝退）。听说腾讯这还算好的，某站录用比2000:1～。

我们再来看一下阿里的数据分析岗招聘要求：

从阿里和腾讯的数据分析岗招聘JD来看好像不是很难，工具技能上要求大概是SQL、EXECL等就够了，知识技能要求统计学、机器学习等。

实际呢？实际是技能要求确实不算高，但是架不住投的人多、岗位HC少呀，这样只能优中选优了，所以校招的结果就是，基本上入职大厂数分岗的都有一到两段大厂数据分析实习经历+211/985背景（这里说的是基本上哈）。就这一点看，社招难度相对来说小了很多。

再给大家看一段朋友和某中厂HR的对话，聊天背景大概是朋友很自信的说他可以（985+大厂实习背景），然后HR的回复：

我们该如何应对和准备？

关于投递时间：

首先千万不要相信秋招金9银10这句话，至少对于数据分析岗位来说，很多大厂几乎是提前批人就招满了，所以要在7月-8月之间走公司提前批、学霸批、各种领先计划去投递简历（这里指的是校招）。

关于简历项目：

能实习的最好实习，不能实习的准备几个数据挖掘比赛的开源方案写到简历项目，比如用户购买预测等等。（你熟悉了内容就是自己的了）。

关于技能点：

1、SQL脚本取数

SQL一定要写的非常熟练，最好是熟悉Hive-sql，可参见以下几篇文章：

解一下TMD几道热门数据分析面试题。

做了点SQL题。

2、统计学理论

统计学可分两部分学习，第一部分是描述性统计，分别要掌握以下知识点：

第二部分是推断性统计，你最少要知道中心极限定理、大数定律、置信区间、假设检验、t检验、f检验、卡方检验、ABtest等等。（面试考这一部分较多）可参考这篇文章：

AB test  | 数据分析师面试必知 ！

3、机器学习理论。

这部分你需要从几点准备，第一要理解每个算法的应用背景，优缺点（最重要的）。第二，熟悉常见的公式推倒（不需要每个都会）。大致要掌握的是逻辑回归、SVM、决策树、随机森林、Adboost、XGboost等集成学习、神经网络。（DNN、CNN、inception、ResNet、RNN、LSTM等深度学习算法在数据分析很少问，不需要准备那么多）

4、关于业务分析。

这部分可以从“人人都是产品经理”社区学习，你最少要知道Pv、Uv、DAU等各种指标，啥是海盗模型，RFM模型、某个指标下降/上升如何分析、用户行为分析等等。

测一下你掌握的如何？

这里简单附上几道面试题可测试下大家目前的掌握度。

sql：1、如何取连续7天登陆的用户？2、Having和where的区别？。3、数据倾斜如何处理。

hive：1、数据库和数据仓库的区别？2、外部表和内部表有什么不同？

统计学：1、解释下中心极限定理？2、参数统计和假设检验的区别。3、讲一下P值。

机器学习：1、RF和GBDT的区别？2、XGBOOST相比传统集成算法做了哪些改进？3、神经网络中激活函数作用是什么？

业务分析：1、销售额下降20%这么分析。2、如何评价渠道推广效果。3、用户行为路径分析中，用户走的路径杂乱如何解决？

你会得到什么样的回报？

关于数据分析校招薪资情况，这里参考一下大家的“爆料”情况，可见下图：

最后：

如果真的想入数据的坑，硬着头皮刚，即使面不上也没关系，喜欢一件事，努力去做就好，大不了晚点上车。

我想，当你在做相对来说兴趣多一点的工作，并且还能带来收入的时候，你一定不会为现在的坚持和努力后悔。