㈠ 資料庫設計之部門與職位問題
部門表結構如下：
bmbm 部門編碼
bmmc 部門名稱
bz 備注
職位表結構如下：
zwbm 職位編回碼
zwmc 職位名稱
szbm 所在部門編碼
bz 備注
當選擇答某一部門時，查詢出所有職位表中szbm( 所在部門編碼)與之相等的職位信息即可
㈡ 面試數據分析師的常見問題
面試數據分析師的常見問題。數據分析師指的是不同行業中，專門從事行業數據搜集、整理、分析，並依據數據做出行業研究、評估和預測的專業人員。那麼在應聘數據分析師這一職位的求職者會面臨哪些面試問題呢？
1、告訴我二個分析或者計算機科學相關項目？你是如何對其結果進行衡量的？
2、如何讓一個網路爬蟲速度更快、抽取更好的信息以及更好總結數據從而得到一干凈的資料庫？
3、什麼是：提升值、關鍵績效指標、強壯性、模型按合度、實驗設計、2/8原則？
4、什麼是：協同過濾、n-grams, map rece、餘弦距離？
5、點擊流數據應該是實時處理？為什麼？哪部分應該實時處理？
6、如何設計一個解決抄襲的方案？
7、如何檢驗一個個人支付賬戶都多個人使用？
8、什麼是概率合並(AKA模糊融合)？使用SQL處理還是其它語言方便？對於處理半結構化的數據你會選擇使用哪種語言？
9、你認為哪個更好：是好的數據還是好模型？同時你是如何定義「好」？存在所有情況下通用的模型嗎？有你沒有知道一些模型的定義並不是那麼好？
10、你最喜歡的編程語言是什麼？為什麼？
11、你是如何處理缺少數據的？你推薦使用什麼樣的處理技術？
12、什麼是大數據的詛咒？
13、對於你喜歡的統計軟體告訴你喜歡的與不喜歡的3個理由。
14、SAS, R, Python, Perl語言的區別是？
15、你喜歡TD資料庫的什麼特徵？
16、你參與過資料庫與數據模型的設計嗎？
17、你是否參與過儀表盤的設計及指標選擇？你對於商業智能和報表工具有什麼想法？
18、請舉例說明maprece是如何工作的？在什麼應用場景下工作的很好？雲的安全問題有哪些？
19、如何你打算發100萬的營銷活動郵件。你怎麼去優化發送？你怎麼優化反應率？能把這二個優化份開嗎？
20、如果有幾個客戶查詢ORACLE資料庫的效率很低。為什麼？你做什麼可以提高速度10倍以上，同時可以更好處理大數量輸出？
21、如何把非結構化的數據轉換成結構化的數據？這是否真的有必要做這樣的轉換？把數據存成平面文本文件是否比存成關系資料庫更好？
22、什麼是哈希表碰撞攻擊？怎麼避免？發生的頻率是多少？
23、如何判別maprece過程有好的負載均衡？什麼是負載均衡？
24、你處理過白名單嗎？主要的規則？(在欺詐或者爬行檢驗的情況下)
25、(在內存滿足的情況下)你認為是100個小的哈希表好還是一個大的哈希表，對於內在或者運行速度來說？對於資料庫分析的評價？
26、為什麼樸素貝葉斯差？你如何使用樸素貝葉斯來改進爬蟲檢驗演算法？
27、普通線性回歸模型的缺陷是什麼？你知道的其它回歸模型嗎？
28、什麼是星型模型？什麼是查詢表？
29、你可以使用excel建立邏輯回歸模型嗎？如何可以，說明一下建立過程？
30、在SQL, Perl, C++, Python等編程過程上，待為了提升速度優化過相關代碼或者演算法嗎？如何及提升多少？
31、使用5天完成90%的精度的解決方案還是花10天完成100%的精度的解決方案？取決於什麼內容？
32、定義：QA(質量保障)、六西格瑪、實驗設計。好的與壞的實驗設計能否舉個案例？
33、什麼是敏感性分析？擁有更低的敏感性(也就是說更好的強壯性)和低的預測能力還是正好相反好？你如何使用交叉驗證？你對於在數據集中插入雜訊數據從而來檢驗模型的敏感性的想法如何看？
34、你認為葉數小於50的決策樹是否比大的好？為什麼？
35、保險精算是否是統計學的一個分支？如果不是，為何如何？
36、給出一個不符合高斯分布與不符合對數正態分布的數據案例。給出一個分布非常混亂的數案例。
37、你如何建議一個非參數置信區間？
38、你如何證明你帶來的演算法改進是真的有效的與不做任何改變相比？你對A/B測試熟嗎？
39、為什麼說均方誤差不是一個衡量模型的好指標？你建議用哪個指標替代？
40、對於一下邏輯回歸、決策樹、神經網路。在過去15年中這些技術做了哪些大的改進？
41、除了主成分分析外你還使用其它數據降維技術嗎？你怎麼想逐步回歸？你熟悉的逐步回歸技術有哪些？什麼時候完整的數據要比降維的數據或者樣本好？
42、如何創建一個關鍵字分類？
43、你熟悉極值理論、蒙特卡羅邏輯或者其它數理統計方法以正確的評估一個稀疏事件的發生概率？
44、什麼是歸因分析？如何識別歸因與相關系數？舉例。
45、如何定義與衡量一個指標的預測能力？
46、如何為欺詐檢驗得分技術發現最好的規則集？你如何處理規則冗餘、規則發現和二者的本質問題？一個規則集的近似解決方案是否可行？如何尋找一個可行的近似方案？你如何決定這個解決方案足夠好從而可以停止尋找另一個更好的？
47、什麼是概念驗證？
48、什麼是僵屍網路？如何進行檢測？
49、你有使用過API介面的經驗嗎？什麼樣的API？是谷歌還是亞馬遜還是軟體即時服務？
50、什麼時候自己編號代碼比使用數據科學者開發好的軟體包更好？
51、可視化使用什麼工具？在作圖方面，你如何評價Tableau？R？SAS？在一個圖中有效展現五個維度？
52、是假陽性好還是假陰性好？
53、你主要與什麼樣的客戶共事：內部、外部、銷售部門/財務部門/市場部門/IT部門的人？有咨詢經驗嗎？與供應商打過交道，包括供應商選擇與測試。
54、你熟悉軟體生命周期嗎？及IT項目的生命周期，從收入需求到項目維護？
55、什麼是cron任務？
56、你是一個獨身的編碼人員？還是一個開發人員？或者是一個設計人員？
57、什麼讓一個圖形使人產生誤解、很難去讀懂或者解釋？一個有用的圖形的特徵？
58、你熟悉價格優化、價格彈性、存貨管理、競爭智能嗎？分別給案例。
59、Zillow』s演算法是如何工作的？
60、如何檢驗為了不好的目的還進行的虛假評論或者虛假的FB帳戶？
61、你如何創建一個新的匿名數字帳戶？
62、你有沒有想過自己創業？是什麼樣的想法？
63、你認為帳號與密碼輸入的登錄框會消失嗎？它將會被什麼替代？
64、你用過時間序列模型嗎？時滯的相關性？相關圖？光譜分析？信號處理與過濾技術？在什麼樣的場景下？
65、哪位數據科學有你最佩服？從哪開始？
66、你是怎麼開始對數據科學感興趣的？
67、你覺得下一個20年最好的5個預測方法是？
68、什麼是推薦引擎？它是如何工作的？
69、什麼是精密測試？如何及什麼時候模擬可以幫忙我們不使用精密測試？
70、你認為怎麼才能成為一個好的數據科學家？
71、你認為數據科學家是一個藝術家還是科學家？
72、你怎麼馬上就知道在一篇文章中(比如報紙)發表的統計數字是錯誤，或者是用作支撐作者的論點，而不是僅僅在羅列某個事物的信息？例如，對於每月官方定期在媒體公開發布的失業統計數據，你有什麼感想？怎樣可以讓這些數據更加准確？
73、給出一些在數據科學中「最佳實踐的案例」。
74、什麼是效率曲線？他們的缺陷是什麼，你如何克服這些缺陷？
75、你處理過的最大的數據量？你是如何處理他們的？處理的結果。
76、什麼是一個好的、快速的聚類演算法的的計算復雜度？什麼好的聚類演算法？你怎麼決定一個聚類的聚數？
77、你知道使用在統計或者計算科學中的「經驗法則」嗎？或者在商業分析中。
上述的這些問題在面試數據分析師的求職者中非常容易遇到的，有些的涉及到專業性的問題，因此在面試之前一定要做好充足的准備！
㈢ 大數據工作崗位有哪些 就業方向是什麼
大數據工作崗位主要圍繞數據價值化來展開，涉及到數據採集、數據整理、數據存儲、數據分析、數據安全、數據應用等諸多方面。大數據的就業前景很好，未來發展十分廣闊。
大數據工作1、大數據開發工程師
架構的開發、構建、測試和維護；負責公司大數據平台的開發和維護，負責大數據平台持續集成相關工具平台的架構設計和產品開發等。
大數據工作2、數據分析師
收集、處理和執行統計數據分析；應用工具提取、分析、呈現數據，實現數據的業務意義，需要業務理解和工具應用能力。
大數據工作3、數據挖掘工程師
數據建模、機器學習和演算法實現；商業智能、用戶體驗分析、用戶流失預測等；除了強大的跡則灶數學和統計能力，對演算法代碼實現也有很高的要求。
大數據工作4、數據架構師
需求分析、平台選擇、技術架構設計、應用設計與開發、測試與部署；先進的演算法設計和優化；需要具備數據相關的系統設計和優化、平台級開發和架構設計能力。
大數據工作5、資料庫開發
根據客戶需求設計、開發和實現資料庫系統，通過理想的介面連接資料庫和資料庫工具，優化資料庫系統的性能和效率等。
大數據工作6、資料庫管理
資料庫設計、數據遷移、資料庫性能管理、數據安全管理、故障排除、數據備份、數據恢復等。
大數據工作7、數據科學家
數據挖掘架構、模型標准、數據報告、數據分析方法；利用演算法和模型提高數據處理效率，挖掘數據價值，實現數據到知識的轉化。
大數據工作8、數據產品經理
結合數據和業務，做數據產品；平台線提供基礎平台和通用數據工具，業務線提供更貼近業務的分析框架和數據應用。
從近兩年大數據方向研究生的就業情況來看，姿扮大數據領域的崗位還是比較多的，尤其是大數據開發崗位，目前正逐漸從大數據平台開發向大數據應用開發領域覆蓋，這也是大數據開始全面落地應用的必然結果。
大數據開發工作崗位的數量明顯比較多，而且不僅需要研發型人才，也需要應用型人才，所以本科生的就業機會也比較多。
當前大數據技術正處在落地應用的初期，所以此時人才招聘會更傾向於研發型人才，而且擁有研究生學歷也更容易獲得大廠的工作機會，所以對於當前大數據相關專業的大學生來說，如果想獲得更強的崗位競爭力和更多的就業渠道，應該考慮讀一下研究生。
㈣ 關於資料庫方向就業的問題
前面四種：
資料庫應用開發 (application development)
除了基本的SQL方面的知識，還要對開發流程，軟體工程，各種框架和開發工具等等
資料庫應用開發這個方向上的機會最多，職位最多，薪水一般
數據建模專家 (data modeler)
除了基本的SQL方面的知識，非常熟悉資料庫原理，數據建模
負責將用戶對數據的需求轉化為資料庫物理設計和物理設計
這個方向上在大公司（金融，保險，研究，軟體開發商等）有專門職位，
在中小公司則可能由程序員承擔。
商業智能專家 (business intelligence - BI)
主要從商業應用，最終用戶的角度去從數據中獲得有用的信息，
涉及OLAP (online analytical processing)
需要使用SSRS, cognos, crystal report等報表工具，或者其他一些數據挖掘，統計方面的軟體工具
這個方面我不熟悉，不敢亂說（以免被拍磚，呵呵）
數據構架師 (Data Architect)
主要從全局上制定和控制關於資料庫在邏輯這一層的大方向，
也包括數據可用性，擴展性等長期性戰略，
協調資料庫的應用開發，建模，DBA之間的工作。
這個方向上在大公司（金融，保險，研究，軟體開發商等）有專門職位，
在中小公司或者沒有這個職位，或者由開發人員，DBA負責。
前面五種：
資料庫管理員 (database administrator - DBA)
資料庫的安裝，配置，調優，備份/恢復，監控，自動化等，
協助應用開發（有些職位還要求優化SQL，寫存儲過程和函數等）
這個方向上的職位相對少一些，但一般有點規模的公司還是會有這樣的職位
數據倉庫專家 (data warehouse - DW)
應付超大規模的數據，歷史數據的存儲，管理和使用，
和商業智能關系密切，很多時候BI和DW是放在一個大類裡面的，
但是我覺得DW更側重於硬體和物理層上的管理和優化。
存儲工程師 (storage engineer)
專門負責提供數據存儲方案，使用各種存儲技術滿足數據訪問和存儲需求，
和DBA的工作關系比較密切。
對高可用性有嚴格要求（比如通信，金融，數據中心等）的公司通常有這種職位，
這種職位也非常少。
性能優化工程師 (performance engineer)
專長資料庫的性能調試和優化，為用戶提供解決性能瓶頸方面的問題。
我知道至少IBM, 微軟和Oracle都有專門的資料庫性能實驗室(database performance lab）,
也有專門的性能優化工程師，負責為其資料庫產品和關鍵應用提供這方面的技術支持。
對資料庫性能有嚴格要求的公司（比如金融行業）可能會有這種職位。
因為針對性很強，甚至要求對多種資料庫非常熟悉，所以職位極少。
高級資料庫管理員 (senior DBA)
在DBA的基礎上，還涉及上面3種職位的部分工作，具體包括下面這些：
對應用系統的數據（布局，訪問模式，增長模式，存儲要求等）比較熟悉。
對性能優化非常熟悉，可以發現並優化從SQL到硬體I/O，網路等各個層面上的瓶頸
對於存儲技術相對熟悉，可能代替存儲工程師的一些工作，
對資料庫的高可用性技術非常熟悉（比如MSSQL的集群，ORACLE RAC/FailSafe, IBM的DPF, HADR等）
對大規模資料庫有效進行物理擴展（比如表分區）或者邏輯擴展（比如資料庫分區，聯合資料庫等）
熟悉各種數據復制技術，比如單向，雙向，點對點復制技術，以滿足應用要求。
災難數據恢復過程的建立，測試和執行
這種職位一般只在對資料庫要求非常高並且規模非常大（比如金融，電信，數據中心等）的公司需要，
而且這種公司一般有一個專門獨立負責資料庫的部門或組。
這種職位非常少。