㈠ 数据库设计之部门与职位问题
部门表结构如下：
bmbm 部门编码
bmmc 部门名称
bz 备注
职位表结构如下：
zwbm 职位编回码
zwmc 职位名称
szbm 所在部门编码
bz 备注
当选择答某一部门时，查询出所有职位表中szbm( 所在部门编码)与之相等的职位信息即可
㈡ 面试数据分析师的常见问题
面试数据分析师的常见问题。数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。那么在应聘数据分析师这一职位的求职者会面临哪些面试问题呢？
1、告诉我二个分析或者计算机科学相关项目？你是如何对其结果进行衡量的？
2、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？
3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则？
4、什么是：协同过滤、n-grams, map rece、余弦距离？
5、点击流数据应该是实时处理？为什么？哪部分应该实时处理？
6、如何设计一个解决抄袭的方案？
7、如何检验一个个人支付账户都多个人使用？
8、什么是概率合并(AKA模糊融合)？使用SQL处理还是其它语言方便？对于处理半结构化的数据你会选择使用哪种语言？
9、你认为哪个更好：是好的数据还是好模型？同时你是如何定义“好”？存在所有情况下通用的模型吗？有你没有知道一些模型的定义并不是那么好？
10、你最喜欢的编程语言是什么？为什么？
11、你是如何处理缺少数据的？你推荐使用什么样的处理技术？
12、什么是大数据的诅咒？
13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。
14、SAS, R, Python, Perl语言的区别是？
15、你喜欢TD数据库的什么特征？
16、你参与过数据库与数据模型的设计吗？
17、你是否参与过仪表盘的设计及指标选择？你对于商业智能和报表工具有什么想法？
18、请举例说明maprece是如何工作的？在什么应用场景下工作的很好？云的安全问题有哪些？
19、如何你打算发100万的营销活动邮件。你怎么去优化发送？你怎么优化反应率？能把这二个优化份开吗？
20、如果有几个客户查询ORACLE数据库的效率很低。为什么？你做什么可以提高速度10倍以上，同时可以更好处理大数量输出？
21、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？
22、什么是哈希表碰撞攻击？怎么避免？发生的频率是多少？
23、如何判别maprece过程有好的负载均衡？什么是负载均衡？
24、你处理过白名单吗？主要的规则？(在欺诈或者爬行检验的情况下)
25、(在内存满足的情况下)你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说？对于数据库分析的评价？
26、为什么朴素贝叶斯差？你如何使用朴素贝叶斯来改进爬虫检验算法？
27、普通线性回归模型的缺陷是什么？你知道的其它回归模型吗？
28、什么是星型模型？什么是查询表？
29、你可以使用excel建立逻辑回归模型吗？如何可以，说明一下建立过程？
30、在SQL, Perl, C++, Python等编程过程上，待为了提升速度优化过相关代码或者算法吗？如何及提升多少？
31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案？取决于什么内容？
32、定义：QA(质量保障)、六西格玛、实验设计。好的与坏的实验设计能否举个案例？
33、什么是敏感性分析？拥有更低的敏感性(也就是说更好的强壮性)和低的预测能力还是正好相反好？你如何使用交叉验证？你对于在数据集中插入噪声数据从而来检验模型的敏感性的想法如何看？
34、你认为叶数小于50的决策树是否比大的好？为什么？
35、保险精算是否是统计学的一个分支？如果不是，为何如何？
36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。
37、你如何建议一个非参数置信区间？
38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比？你对A/B测试熟吗？
39、为什么说均方误差不是一个衡量模型的好指标？你建议用哪个指标替代？
40、对于一下逻辑回归、决策树、神经网络。在过去15年中这些技术做了哪些大的改进？
41、除了主成分分析外你还使用其它数据降维技术吗？你怎么想逐步回归？你熟悉的逐步回归技术有哪些？什么时候完整的数据要比降维的数据或者样本好？
42、如何创建一个关键字分类？
43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率？
44、什么是归因分析？如何识别归因与相关系数？举例。
45、如何定义与衡量一个指标的预测能力？
46、如何为欺诈检验得分技术发现最好的规则集？你如何处理规则冗余、规则发现和二者的本质问题？一个规则集的近似解决方案是否可行？如何寻找一个可行的近似方案？你如何决定这个解决方案足够好从而可以停止寻找另一个更好的？
47、什么是概念验证？
48、什么是僵尸网络？如何进行检测？
49、你有使用过API接口的经验吗？什么样的API？是谷歌还是亚马逊还是软件即时服务？
50、什么时候自己编号代码比使用数据科学者开发好的软件包更好？
51、可视化使用什么工具？在作图方面，你如何评价Tableau？R？SAS？在一个图中有效展现五个维度？
52、是假阳性好还是假阴性好？
53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/IT部门的人？有咨询经验吗？与供应商打过交道，包括供应商选择与测试。
54、你熟悉软件生命周期吗？及IT项目的生命周期，从收入需求到项目维护？
55、什么是cron任务？
56、你是一个独身的编码人员？还是一个开发人员？或者是一个设计人员？
57、什么让一个图形使人产生误解、很难去读懂或者解释？一个有用的图形的特征？
58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗？分别给案例。
59、Zillow’s算法是如何工作的？
60、如何检验为了不好的目的还进行的虚假评论或者虚假的FB帐户？
61、你如何创建一个新的匿名数字帐户？
62、你有没有想过自己创业？是什么样的想法？
63、你认为帐号与密码输入的登录框会消失吗？它将会被什么替代？
64、你用过时间序列模型吗？时滞的相关性？相关图？光谱分析？信号处理与过滤技术？在什么样的场景下？
65、哪位数据科学有你最佩服？从哪开始？
66、你是怎么开始对数据科学感兴趣的？
67、你觉得下一个20年最好的5个预测方法是？
68、什么是推荐引擎？它是如何工作的？
69、什么是精密测试？如何及什么时候模拟可以帮忙我们不使用精密测试？
70、你认为怎么才能成为一个好的数据科学家？
71、你认为数据科学家是一个艺术家还是科学家？
72、你怎么马上就知道在一篇文章中(比如报纸)发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息？例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想？怎样可以让这些数据更加准确？
73、给出一些在数据科学中“最佳实践的案例”。
74、什么是效率曲线？他们的缺陷是什么，你如何克服这些缺陷？
75、你处理过的最大的数据量？你是如何处理他们的？处理的结果。
76、什么是一个好的、快速的聚类算法的的计算复杂度？什么好的聚类算法？你怎么决定一个聚类的聚数？
77、你知道使用在统计或者计算科学中的“经验法则”吗？或者在商业分析中。
上述的这些问题在面试数据分析师的求职者中非常容易遇到的，有些的涉及到专业性的问题，因此在面试之前一定要做好充足的准备！
㈢ 大数据工作岗位有哪些 就业方向是什么
大数据工作岗位主要围绕数据价值化来展开，涉及到数据采集、数据整理、数据存储、数据分析、数据安全、数据应用等诸多方面。大数据的就业前景很好，未来发展十分广阔。
大数据工作1、大数据开发工程师
架构的开发、构建、测试和维护；负责公司大数据平台的开发和维护，负责大数据平台持续集成相关工具平台的架构设计和产品开发等。
大数据工作2、数据分析师
收集、处理和执行统计数据分析；应用工具提取、分析、呈现数据，实现数据的业务意义，需要业务理解和工具应用能力。
大数据工作3、数据挖掘工程师
数据建模、机器学习和算法实现；商业智能、用户体验分析、用户流失预测等；除了强大的迹则灶数学和统计能力，对算法代码实现也有很高的要求。
大数据工作4、数据架构师
需求分析、平台选择、技术架构设计、应用设计与开发、测试与部署；先进的算法设计和优化；需要具备数据相关的系统设计和优化、平台级开发和架构设计能力。
大数据工作5、数据库开发
根据客户需求设计、开发和实现数据库系统，通过理想的接口连接数据库和数据库工具，优化数据库系统的性能和效率等。
大数据工作6、数据库管理
数据库设计、数据迁移、数据库性能管理、数据安全管理、故障排除、数据备份、数据恢复等。
大数据工作7、数据科学家
数据挖掘架构、模型标准、数据报告、数据分析方法；利用算法和模型提高数据处理效率，挖掘数据价值，实现数据到知识的转化。
大数据工作8、数据产品经理
结合数据和业务，做数据产品；平台线提供基础平台和通用数据工具，业务线提供更贴近业务的分析框架和数据应用。
从近两年大数据方向研究生的就业情况来看，姿扮大数据领域的岗位还是比较多的，尤其是大数据开发岗位，目前正逐渐从大数据平台开发向大数据应用开发领域覆盖，这也是大数据开始全面落地应用的必然结果。
大数据开发工作岗位的数量明显比较多，而且不仅需要研发型人才，也需要应用型人才，所以本科生的就业机会也比较多。
当前大数据技术正处在落地应用的初期，所以此时人才招聘会更倾向于研发型人才，而且拥有研究生学历也更容易获得大厂的工作机会，所以对于当前大数据相关专业的大学生来说，如果想获得更强的岗位竞争力和更多的就业渠道，应该考虑读一下研究生。
㈣ 关于数据库方向就业的问题
前面四种：
数据库应用开发 (application development)
除了基本的SQL方面的知识，还要对开发流程，软件工程，各种框架和开发工具等等
数据库应用开发这个方向上的机会最多，职位最多，薪水一般
数据建模专家 (data modeler)
除了基本的SQL方面的知识，非常熟悉数据库原理，数据建模
负责将用户对数据的需求转化为数据库物理设计和物理设计
这个方向上在大公司（金融，保险，研究，软件开发商等）有专门职位，
在中小公司则可能由程序员承担。
商业智能专家 (business intelligence - BI)
主要从商业应用，最终用户的角度去从数据中获得有用的信息，
涉及OLAP (online analytical processing)
需要使用SSRS, cognos, crystal report等报表工具，或者其他一些数据挖掘，统计方面的软件工具
这个方面我不熟悉，不敢乱说（以免被拍砖，呵呵）
数据构架师 (Data Architect)
主要从全局上制定和控制关于数据库在逻辑这一层的大方向，
也包括数据可用性，扩展性等长期性战略，
协调数据库的应用开发，建模，DBA之间的工作。
这个方向上在大公司（金融，保险，研究，软件开发商等）有专门职位，
在中小公司或者没有这个职位，或者由开发人员，DBA负责。
前面五种：
数据库管理员 (database administrator - DBA)
数据库的安装，配置，调优，备份/恢复，监控，自动化等，
协助应用开发（有些职位还要求优化SQL，写存储过程和函数等）
这个方向上的职位相对少一些，但一般有点规模的公司还是会有这样的职位
数据仓库专家 (data warehouse - DW)
应付超大规模的数据，历史数据的存储，管理和使用，
和商业智能关系密切，很多时候BI和DW是放在一个大类里面的，
但是我觉得DW更侧重于硬件和物理层上的管理和优化。
存储工程师 (storage engineer)
专门负责提供数据存储方案，使用各种存储技术满足数据访问和存储需求，
和DBA的工作关系比较密切。
对高可用性有严格要求（比如通信，金融，数据中心等）的公司通常有这种职位，
这种职位也非常少。
性能优化工程师 (performance engineer)
专长数据库的性能调试和优化，为用户提供解决性能瓶颈方面的问题。
我知道至少IBM, 微软和Oracle都有专门的数据库性能实验室(database performance lab）,
也有专门的性能优化工程师，负责为其数据库产品和关键应用提供这方面的技术支持。
对数据库性能有严格要求的公司（比如金融行业）可能会有这种职位。
因为针对性很强，甚至要求对多种数据库非常熟悉，所以职位极少。
高级数据库管理员 (senior DBA)
在DBA的基础上，还涉及上面3种职位的部分工作，具体包括下面这些：
对应用系统的数据（布局，访问模式，增长模式，存储要求等）比较熟悉。
对性能优化非常熟悉，可以发现并优化从SQL到硬件I/O，网络等各个层面上的瓶颈
对于存储技术相对熟悉，可能代替存储工程师的一些工作，
对数据库的高可用性技术非常熟悉（比如MSSQL的集群，ORACLE RAC/FailSafe, IBM的DPF, HADR等）
对大规模数据库有效进行物理扩展（比如表分区）或者逻辑扩展（比如数据库分区，联合数据库等）
熟悉各种数据复制技术，比如单向，双向，点对点复制技术，以满足应用要求。
灾难数据恢复过程的建立，测试和执行
这种职位一般只在对数据库要求非常高并且规模非常大（比如金融，电信，数据中心等）的公司需要，
而且这种公司一般有一个专门独立负责数据库的部门或组。
这种职位非常少。