「Lyft数据科学家面经」新鲜出炉！

原创：MarTechApe

Lyft是一家总部位于旧金山的快速发展的拼车公司，是Uber的主要竞争对手。已经覆盖了美国的644个城市和加拿大的12个城市。

2012年，最初，Lyft是名为Zimride的长途拼车业务的一部分
2013年，Lyft在硅谷正式成立
2014年4月，覆盖60个美国城市，公司迅速发展
2017年1月，扩展到了300多个城市
如今，Lyft的用户已增长到2300万，到2020年，骑行记录达到10亿

Lyft每天会生成数百万个数据点，需要强大的数据科学和研究科学的支持。因此，数据科学和商业智能部门的任务是利用最先进的分析，机器学习和大数据（使用AWS S3 / AWS EC2）工具来提供商业模型和见解。

Lyft的数据科学岗位

Lyft的数据科学职能可以化为为三个团队：数据科学家，研究科学家和机器学习工程师。

数据科学家

数据科学家负责构建分析基础架构，创建模型以及设置用于自助服务分析的可视化仪表板。Lyft的数据科学家最初被称为数据分析师，后来更多地专注于分析，并与产品经理一起紧密合作以推动产品决策。

研究科学家

Lyft的研究科学家就相当于传统数据科学家的角色，并写代码来处理核心机器学习项目，例如估计的乘车时间和每次乘车的价格。他们的工作主要集中在与Lyft产品相关的自动化引擎上。

机器学习工程师

Lyft的机器学习工程师专注于构建基础结构，以承载研究科学家构建的复杂模型。

Lyft的数据科学家的职责会根据不同产品和功能团队而不同。所以，你是什么角色或者职责取决于你所在的团队和产品/功能。无论与你在哪个团队，或分配到哪个产品/功能，Lyft的数据科学家都将跨业务分析，建模，运用机器学习和深度学习的技术。

需要的技能

Lyft营造了一种“开放，包容和多样化的环境的文化，员工会因为他们给公司创造的价值被认可”。Lyft倾向于雇佣具有3年以上数据分析和可视化经验的优秀申请人。

Lyft招聘的其他基本要求：

统计学，经济学，应用数学，运筹学或工程学等定量领域的学士/理学士学位。优先考虑更高学位。
在数据科学或分析领域拥有3年以上的行业经验。
出色的数据分析，建模，Python和SQL语言（MySQL，PostgreSQL，SqlServer，Oracle）技能，能够对大型数据集编写结构化且高效的查询语言。
精通Tableau，Power BI或类似的数据可视化软件。
熟练使用ETL逻辑构建新数据表：构建，管理和修复整个企业数据模型。
精通Airflow等工作流管理工具。
出色的沟通能力，能够给相关方提出发现和建议。

数据科学职位的具体职能？

Lyft有专门的数据分析和商业智能部门，但是根据你所在的团队和产品，工作角色和职能可能会有所不同。根据团队的不同，职能可能包括：

利用机器学习来自动化管理增长杠杆的工具。
通过每周、每月和每季度的业务总结，跟踪并制作与核心业务相关的KPI报告。
分析整个市场中价格变化对市场影响。
与产品部门密切合作，以构建最有效的工具，系统和流程来大规模管理定价

在Lyft的数据科学团队包括：

地图、路线
自动驾驶汽车
市场
动态定价
增长团队
乘客体验
驾驶员体验
欺诈团队
机场体验

Lyft面试过程

Lyft的招聘过程与其他大科技公司相似。首先是与招聘经理或人力资源部进行初步电话筛选，然后进行 take-home challenge（通常需要24小时内递交）或技术筛选。成功完成Take-Home挑战和长达45分钟的技术面试（有时候是两次技术面试）之后，随后会进行五或六个一对一的现场面试，由于covid-19现在改为线上。

初筛

初步筛选是通过HR或招聘经理的电话进行的。这次面试主要是基于简历并是探索性的。重点是评估你的背景，尤其是过去的经验，角色，团队的活力，来决定你是否与职位匹配。

技术面

通过后的下一步是与数据科学家进行技术方面的电话面试。这次面试持续30到45分钟，面试问题涉及概率，统计，机器学习，业务案例研究，定义运营KPI，进行假设检验过程中的一些数学问题，以及你的技术/过去项目经验。

Take Home Challenge

完成初始筛选后，你将收到Lyft的Take Home Challenge，要求在24小时的时间内完成。Take Home Challenge中的问题是基于案例研究的问题（拼车数据集），并且包括技术和业务方面的问题。挑战中的问题通常跨越不同的主题，例如流失率测量，优化（使用机器学习），实验的设计，局限性和结论的综合报告。

现场面试

通过技术面后，下一个面试是现场面试。过程包括与数据科学家或团队经理进行的五到六次一对一的面试，每次大约持续45分钟。这将持续半天，其中涉及White Board Coding，与团队经理和数据科学家进行项目讨论，商业案例研究以及统计概念。

通常来说，现场面试需要做Take Home Challenge的演讲，把之前提交的Take Home Challenge的结果做一个展示。

提示：在这个阶段，你将围绕你的分析建立一个连贯的故事，同时回答有关你使用什么度量指标以及为什么选择它们的问题。

商业案例研究：问题主要是开放式的，围绕着真实的商业案例研究。建议重新学习与Lyft拼车相关的某些关于单位经济（Unit Economics）的指标。
与一个数据科学家探讨统计和概率：问题围绕假设检验，例如经典的“硬币投了y次获得x次正面”。考察你将熟悉的关键概念应用于真实的商业环境，它们的变体以及如何使用SQL进行数据操作。
SQL / Python面试：长达45分钟，需要你来white board coding SQL或R / Python的算法。
与产品经理探讨核心价值观/文化契合度。