在科技類和其他職位面試，也常常碰到會有案例分析題（case study 或 case interview）。面試要求一般不會像管顧業那麼高，那麼全面，更是藉由案例考驗你對具體職位的『即戰力』，因此根據職位有不同的側重點。
本篇我們討論資料分析師*（data analyst）崗位 case interview 的關注重點。以目錄的形式，整理這職位面試中實用的知識點、框架和參考資料，並且提供一些思路的範例給讀者參考。
*（『資料』類的職位，職稱變來變去，在不同公司各有各的定義眾所周知。此處討論的『資料分析師』可能包含『資料科學家 （data scientist）』： 聽起來比較偏技術，但是在很多公司這個職位還是相當重視基礎分析技巧和商業實務，所以也有可能會出現案例分析。除此之外，XXX analytic specialist，research scientist，decision scientist，technical PM 等等職稱在某些公司的實際業務也與資料分析師類似。）
資料分析師案例面試重點
回答 case interview 問題，首先需要花幾分鐘講述引言，可參考 淺談 case interview（1）引言：釐清問題、提出假說、溝通框架；而具體解題中，面試評分重點會在於：
- 是否懂資料、不落入資料分析偏誤
- 是否有行業基礎知識
- 大方向、概數思維（不要過於『學術』，糾結於小數字和細節）
- 對數字的敏銳，分析邏輯（可能會延伸直接進入『技術面試』）
資料分析師案例常見題型
資料分析師的案例比較特別，可以說是 all-over the palce，更與公司、團隊實際的問題有關，也會順便考驗技術方面的問題（直接進入 SQL，machine learning，甚至 coding interview）。以下我們列舉一些要特別注意的點，以及一些題型範例。
1. Data Driven problem solving：Metric 設計
很多資料分析師的案例題，其實就是讓你設計一個 data-driven solution 的架構（中間再穿插一些技術題），可以參考：什麼是 Data Driven? 這篇文章。除了技術之外，其中的 metrics（指標，類似 KPI，用來追蹤你所在意的事情）設計也是一個重點。設計 metrics 要注意不要只關注技術或學術≤上的 metrics（R2，AUC，P-value），更要考慮商業上的價值：通常跟錢有關，例如：營業額、利潤，也要考慮資料是否容易取得（是否 measurable）。
2. 技術-案例綜合分析
3. 注意常見謬誤
（以下列舉常見的偏誤，附上相關文章的連結，面試前值得在過一遍）
- Overfitting 與建模（modeling）的基礎概念
- Underfitting 與誤用線性關係
- Simpson’s paradox
- precision vs. recall
- 因果關係
- 實驗的基本概念、常見錯誤
- 認知偏誤（sample/survivorship bias、recency bias 等等）
問題範例（與答題思路參考）
底下我們列舉一些常見的資料分析案例題型，提供一些可以思考的方向作為答題思路。這些方向不一定是正確答案，僅作為腦力激當階段參考。實際題目通常會提供更多細節（與公司實際業務有關）和數字。
Q: 每個月我們有 5% 會員選擇不續訂，該如何留住會員？
- 5% 算不算高，跟什麼比？（跟歷史資料比，跟同行比，同比 vs. 環比，是否有季節性）
- 如何找出『不續訂』的原因
- 如何追蹤成果（不能只顧短期數字好看，把『取消』弄的很複雜，反而會激怒客戶）。
Q: 如何增加會員的消費額，增加客戶價值（customer lifetime value）？
- 怎麼計算 customer lifetime value (不可能真的算 lifetime，所以要有明確定義)
- 是否需要客戶分群，如何分群
Q: 要怎麼分配行銷（廣告）預算（電視、網路、傳單、facebook）？
- 行銷成效需要一些時間才能顯現出來（不會今天看廣告今天就去買），也許管道有關（網路通常較快且短效）
- 有些管道提供參考 metrics
- 直覺很有用（例如我可以假設老人喜歡的產品在電視打廣告效果更好），但是也要與資料並重，以直覺判斷時要搭配『測試假說』的計畫。
- 需要了解廣告行業的一些術語
Q: 怎麼決定要不要批准貸款?
- 可用機器學習或是簡單規則？各有什麼優缺點？
- 需要了解相關術語（e.g. “default"）
- 怎麼定義貸款的成功？有什麼數據可以用？
Q: 怎麼找出願意多花錢的客戶（target for upselling）？
- 兩種錯誤（False Positive vs. False Negative）的成本不同
- 怎麼設計 metrics，來確認獲得真正的 upsell 而不是在『挖東牆補西牆』（cannibalization）：例如表面上這個月多賣的營業額，其實只是預支可客戶接下來幾個月的預算。
參考：資料科學中『機器學習』該使用何種模型？（ML map）
英文履歷修改.外商模擬面試 - SeaTurtle Careers 
淺談 case interview（4）：資料分析與資料科學 有 “ 6 則迴響 ”