各位同学大家好，我目前就职于某头部互联网电商大厂的产品运营部门。
今天我给大家分享一下头部互联网电商大厂的面试流程，我的一些日常工作内容，另外再给大家介绍一些相关工作案例。
01
头部互联网电商大厂的
面试流程是怎样的
首先让我们看到面试流程。
就我所在的公司为例，当我们投递简历后，首先HR会对你的简历做筛选，再HR这一关过了之后再投递给技术，接着技术或者业务会对你进行面试，技术这边觉得合适后，还会有Boss会面，主要考察你的逻辑或者表达各种能力。Boss面完之后，最后还有HRBP，可能跟你谈一些未来职业规划，具体福利等内容。
但对于大多数人而言，投简历给头部大厂时，简历筛选阶段可能就是一个非常大的问题。
其实大厂内部也是非常缺人的，但是在简历筛选部分大厂有自己的标准，要求比较高。所以说HR简历筛选和技术用人需求是有所矛盾的。
有一种解决办法就是，可以通过内推。如果在大厂有认识的人，可试着把你的简历发给他，可以让他直接发给技术或者业务，这样面试官直接对你进行面试。如果说技术认可的话，技术再把你的简历投递给HR，直接告诉HR说这个人我要了，HR再对你进行相应的录用。因此这种方式能够一定程度上解决第一阶段简历筛选的问题。
再聊聊我自己的情况，当时CDA佟老师直接把我的简历推给了现在我所在的公司。公司对我进行了技术相关的面试。他们会问的非常细，你简历上的每一条你写的技能，还有你的工作经历，只要和他业务相关都会问。而且会深挖，比如说当时我在简历上写到我会爬虫，除了问问一些爬虫相关知识以外，他还会问到你有没有了解一些反扒的东西。还有随机森林等机器学习相关的内容。另外还有我在简历上写到，我之前做过图片的文字识别，里面用到了OCR技术，那么面试官就会问你，OCR技术它的底层原理是什么，会类似这样深挖地去问你。
02
大厂的日常工作模式是怎么样的
关于日常工作的内容，首先是一些流程性的。比如说有早会，然后有周会，日报和周报这些也是每天要提交的。
在我初到公司的这几周，我学到更多的应该是一种流程。我的leader会让我梳理各种的工具包。首先是各种的sop，每个节点都梳理一个工具包。只看流程，每一个流程跑通，跑通之后就再无限的复制。每一个流程的节点都会让我梳理一些工具包。比如说下层业务的工具包，宣传物料的工具包，平台使用的工具包等等。
无论对内还是对外，都要根据所处的流程，按流程一步步走。基本上都是按这种流程式的工作。
03
大厂数据分析案例介绍
下面再给大家介绍一些数据分析的案例。
基于RFM模型的用户精细化管理
这在企业中会怎样应用呢？
用户画像包含了基本属性和高级属性，RFM模型就是它高级属性里面的一部分。
首先用画像的基本属性，像用户登录名、用户级别、性别、年龄、婚姻状况、学历、职业等这些指标都是可以轻易获得的。
此外一些深层需要挖掘的指标。比如说是否有小孩，小孩多大，小孩的性别，以及家庭是否有车，购买力怎么样。
还有RFM挖掘出来的一些信息，比如说用户属于RFM模型里面哪个分组，然后它的标准化得分是多少，是不是我们的价值用户，以及其忠诚度等信息，这些都是需要我们建立RFM模型这样的算法来把深层指标给挖掘出来的。
再给大家介绍一个用户画像和精准营销相关的案例。比如电商平台A和B培训机构合作推出课程，A平台要帮B机构做营销活动--短信营销。短信营销的话就需要B机构提供一些用户的基本属性，比如年龄、职业、学历、城市等等基本信息。然后再给A平台这边提供一些案例，比如说在A平台搜索过Python、MySQL、Excel、数据分析等关键词的一些场景，把这些场景交给A平台专门负责短信营销的部门，把这些指标交付过去，那边对把A平台的指标体系和B机构的指标体系做匹配。
接下来是RFM模型这些概述性的知识，大家应该都在课程中应该都学过了。
它的主要用途就是帮助卖家更好了解自己的客户，然后便于精准的指定营销活动提升转化率，还有帮助卖家分析进行的销售情况。
这里是我公司用画像体系的一部分，它的标签名称，一些算法和应用场景模型解释等等。
首先用户登录名的主要就是营销定位人群。
这个怎么解释呢？比如说刚才的短信营销，A平台这边从用户画像库里面提取出来的，每一个用户名对每一个人。然后主要是用来营销定位一个人群，然后用户级别主要用的是一些统计算法，然后主要用的场景就是可以定位人群，或者是进行行为划分。模型解释就是根据用户购物的评论和累积成长等，对用户进行一个等级划分，应该跟支付宝的会员级别应该是比较像的。
用户年龄、婚姻状况、学历、职业等都是通过一些算法，这些通过算法把它划分出来，还有一些具体的应用场景我们就不做细说了。
电商销量预估
销量预估一个典型的应用场景是企业进销存的一个库存管理。
对于电商公司来说，它要解决的一个非常大的痛点就是进销存，就是我要保证仓库的货物够我卖，同时我又不能过多的进货，因为仓储能力和资金是有限的。
另外还要面临一个问题，像一些大促活动比较，比如双11、618这些大促，我还要保证我这个时候的库存能满足需求，不能出现供不应求的情况。
如果说要做经销层管理的话，你就要用到销售预测。
销量预测它基本上有三种算法，统计算法、计学算法和深度学习算法。
统计算法的话，比如同年1月环比移动平均法。一年中有很多个月份，要预测某一个月份的销量，那么就根据就近原则，离这个月份更近的月，它的权重就更大，远一点权重就次之。
所以说就可以建立一个这样的权重之后，除以所有的权重总和，那么就可以得到较为近似的销量预测。
有一些数据它可能季节性波动比较大，然后我们还可以用到的就是比如一年同月同比移动平均法。就是不同年份的同一个月份，它的销量可以来消除季节性误差，还是根据就近原则，可能离今年更近的这些日期，它的一个权重就会更高。
其实就是机器学习算法的一个预测，比如下面这个表格。
有10个用户，已知他的搜索次数，有它的浏览次数，那么根据这些数据我就可以来预测他是否购买，可以用到一些算法，比如LightGBM、Prophet等算。
具体的建模流程，就首先采集数据，然后数据清洗数据预处理和特征工程。这些数据清洗、数据预处理和特征工程，它主要目标都是为了对数据集做一个清洗，清洗之后把模型指标给提取出来，列出来之后就开始进行模型开发，建完模之后进行模型调优，之后对我们的数据进行验证和迭代。
以上就是我本次的分享，希望对大家有所帮助。
