字节跳动数据科学一面面经

自我介绍

简历深挖：

完整地介绍项目：项目背景、遇到的问题、你是怎么解决的、最终效果怎么样、以及怎么去度量它的价值

然后是疯狂的拷打：质疑建模维度的实际应用价值，模型的提升大概有多大，XGB的优势RF也有为什么不选RF等等

A/B测试

1. 做A/B test时，如果发现结果不显著，可能是什么原因导致的？

2. 针对这些原因，有什么解决办法？或者如何提前避免、事后补救？

3. 如何判断结果不显著具体是哪一个原因导致的？

4. （针对样本量不足）样本量应该增大到多少？我们怎么去做一个估算？

5. 如果是分流不平均（抽样不均）的情况，应该怎么解决？

6. 如果在某个特征上发现非常不均匀，有什么好的处理办法吗？

7. 具体说一下“协变量调整”是怎么调整的吗？

8. 你觉得分层抽样能解决单一维度采样不均的问题吗？它不能解决的方面是哪些？

业务场景题

1. 我们想判断抖音视频流里的广告密度多大是合理的，你会怎么做？需要了解哪些数据来做这个判断？

2. 假设你需要的这些数据（用户停留时长、广告点击率等）都有了，你如何基于这些数据去分析，并判断应该提升还是降低广告密度？

3. 实验结果很可能是广告越多，收入越高，但用户体验越差。依据这个趋势，你怎么判断应该选择哪一个广告密度策略？这个平衡点怎么找？

4. 用户体验和商业收入之间的“价值”怎么做兑换？如何进一步确定这个量化关系？