分析3000份技术面试数据:这几大指标比你毕业于哪所学校更要紧

编译团队 | Aileen 任杰 吴蕾 唐浩新

作者 | Aline Lerner

导读

到底在一次技术面试中,什么因素最为重要?

本文作者 Aline Lerner从interviewing.io(关于面试的输入输出流)中导出了3000份技术面试数据进行分析,并发现了对面试影响最大的几大因素。并且,他还得到了一个鸡血满满的结论:在求职技术面试中,毕业后做什么比毕业于哪所学校更要紧。

相关背景:interviewing.io是一个平台,人们可以在上面匿名练习技术性面试,并在这个过程中找到工作 - 在练习中做得好的话,您能(匿名!)得到像Uber、Twitch、Lyft或其他大公司的技术面试。自从上线以来,这里积累了成千上万的真实面试和练习面试的表现数据。这些面试的数据能很好地帮助我们了解面试者背景中的何种信息对面试表现更为重要。

数据分析

在interviewing.io上,当面试者和受试者在平台上匹配好后,他们会在一个支持语音、文本聊天和白板的协作编程环境中见面,并直接进入技术问题讨论。平台上的面试问题一般属于后台软件工程人员会在手机屏幕上遇到的类型。面试方往往来源混杂,既有大型公司(如Google、Facebook和Uber)也有聚焦工程领域的初创公司(如Asana、Mattermark、KeepSafe等)。

在每次面试后,面试者从几个不同维度对受试者打分,其中包括技术能力。技术能力评分范围为1到4,其中1是“差”,4是“太棒了!”在我们的平台上,3分及以上的分数通常表明此人有晋级下一轮的实力。以下是我们的反馈表格①:

得出结果

为了进行本文的分析,我们交叉参照受试者在以下属性的平均技术得分(在上面的反馈表单中用红色圈出),以发现哪些因素最为重要。下面是完整的属性清单:

  • 曾就读于过顶尖的计算机科学学校
  • 曾在一家顶级公司工作过
  • 在Udacity / Coursera上学习过课程②
  • 创立过一个创业公司
  • 硕士学位
  • 多年相关经验

在所有上述属性中,只有3个指标从统计上看意义重大:顶尖学校,顶尖公司和Udacity / Coursera的课程。显然,正如Metallica(知名重金属摇滚乐队)曾经的一首歌《其他皆无所谓》所说的那样。在下面的图表中,您可以看到每个显著属性的效应大小(未达到显著标准的属性没有注明条形)。

在面试中,哪些因素更重要

正如在开始时所说,这些结果是相当令人意外的,我将在下文中尝试解释每个结果。

顶尖学校和顶尖公司

关于这个话题,我本来期望更重要的应该是顶尖公司而非顶尖的学校。看重“公司”是有道理的 – 选择至少已经成功通过一次面试考验的人,这些人在未来成功的几率应该更高。

而顶尖学校就有点讲不清楚了,这确实是影响最小的显著因素。为什么学校在这次数据迭代中很重要,但在查看简历阶段却没有显露出它的作用?我预料答案是受试者在单独的技术手机屏幕面试中的表现与实际现场表现的差异所致。通过正确的准备,技术电话面试是可以应付的。而顶尖学校常有严格的算法课程和基于技术手机屏幕的备考文化(要了解为什么这种文化重要,以及它如何为浸淫其中的人带来不公平的优势,请参见我关于为何需要重新思考技术面试的文章)。但能从一个关于算法的技术手机屏幕面试过关,是否就意味着你就是一个伟大的工程师,这完全是另外一码事,希望这作为今后帖子讨论的主题。

参加MOOC课程(特别是Udacity和Coursera,因为它们是interviewing.io的用户最为重视的课程)与它过去一样重要(而且明显比名校血统更重要)可能是这里最令人惊讶的发现,因此值得进行一些额外考察。

我特别好奇MOOC属性和顶尖学校属性之间的相互影响,所以把MOOC参与者划分为“曾就读过顶级学校的”和“没有就读过顶级学校的人”两类。当我这样做时,令人吃惊的结果浮现出来。对于就读过顶级学校的人,完成Udacity或Coursera课程看上去并不重要。然而,对于没有就读过顶尖学校的人来说,效果是巨大的,实际上足以主导面试结果。此外,曾就读过顶级学校的受试者表现,比那些未读过顶级学校但是参加过Udacity或Coursera课程的受试者表现差得多。

那么,这究竟意味着什么?当然(当你这时可能在考虑自己),相关性并不意味着因果关系。因此,我并不认为MOOCs是一粒魔药,而是感觉那些热衷于听在线课程的人(特别是那些对本科课程牢骚满腹而对MOOC课程如饥似渴的同学们)有受到过度驱动的倾向。但即使如此,我很难讲修完优秀的计算机科学在线课程不会帮助你成为更好的受试者,尤其是当你还没有接受过严格的算法类课程训练时。事实上,我们注意到在很多课程中人们把精力集中在算法方面,所以不出意外的是,为了准备好面试,补充这类在线课程可能是非常有用的。我们看到过的一些最受欢迎的课程如下:

Udacity网站: 计算机程序设计 https://www.udacity.com/course/design-of-computer-programs--cs212 算法介绍 https://www.udacity.com/course/intro-to-algorithms--cs215 可计算性,复杂性和算法 https://www.udacity.com/course/computability-complexity-algorithms--ud061 Coursera网站: 算法专业化 https://www.coursera.org/specializations/algorithms Scala中的函数编程原理 https://www.coursera.org/learn/progfun1 机器学习 https://www.coursera.org/learn/machine-learning 图论算法 https://www.coursera.org/learn/algorithms-on-graphs

创始人背景

在技术面试过程中,是否做过创始人并不重要。这不奇怪。造就一位杰出的创始人与造就一名优秀的工程师所需要的东西并不相同。如果你刚刚离开一个创业公司,希望重新回归个人贡献者的角色,你的面试技巧可能会有点生疏。确实,这对于已进入业内但有一段时间未参加过面试的人来说是个现实问题,正如你将在后文看到的那样。

硕士学位和多年的经验

此处没有意外。对于硕士学位无用论,我一直颇有微词,所以我不再重复讲这一点了。

同样,不必惊讶多年从业经验也不属于显著属性。相关背景是,我们的一般用户平均拥有大约5年经验,大多数在2年和10年之间。我想,大家都应该发现了这个秘密,毕业后工作时间有多长对你面试准备并无帮助。各位从下面的散点图可以看到面试表现与工作年限之间的关系,以及我试图用一条线来拟合这些散点(如你所见,R ^ 2并不合适,意味着这两者没有什么关系)

结束语

如果你对我有所了解,或者读过我写的一些文章,那么应该知道我过去是一直是非常不赞同用名校血统作为招聘依据的。考虑到这一点,我觉得自己必须承认,这次的结果是背离了我的立场的。但这也正说明了整个问题,不是吗?生活,获取数据,绘制图表,学习新知,绘制新图表,再调整。即使从这些新数据中,我也很高兴看到,无论个人背景如何,比名校血统更为重要的是人们采取的完善自我的行动(本案例中为利用MOOC扩展已有的知识)。

最重要的是,上述发现没有改变interviewing.io的核心使命。我们为应聘者和公司创造一种高效和任人唯才的方式,帮助他们找到彼此。只要你会编程,我们不在乎你是谁或来自哪里。在我们的理想世界中,所有诸如哪个标签更重要的讨论都将被省略,只有编码能力才能真正代表其本身。这就是我们正在打造的世界。

感谢Roman Rivilis帮助,他对这篇文章的数据进行了注释。

①我们做了个有趣的尝试,尝试发现受试者所采用的浏览器和操作系统的选择和面试表现之间关联,甚至暗暗期望Chrome用户能胜出。不过结果并非如此。受试者的表现与他们使用什么浏览器、什么操作系统都没有关系。

②我们从受试者的领英(LinkedIn)个人资料中获得了这些数据。

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2017-01-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

BigThink强推:AI的十本必读佳作

1750
来自专栏大数据挖掘DT机器学习

"我们做的微博数据挖掘"

作者:数控小V http://www.36dsj.com/archives/48650 新浪微博在2012年-2013年红得发紫,也是移动互联网快速成长的年...

4015
来自专栏数据科学与人工智能

【机器学习】机器学习人才发展全面指导手册(含学习路径和职业规划)

文 | 王俊宏 机器学习的学习路径 一、为什么是列出一堆可以探索的书,而不是要去寻找一条路 机器学习的研究和应用已经有很长的时间了。随着人类的发展,数据和计算能...

3068
来自专栏程序你好

人工神经网络手册:第1部分

我写过几篇关于人工神经网络的文章,但都是关于随机概念的随机文章。本系列文章将向您详细介绍人工神经网络及其相关概念。所有内容的参考资料和参考资料将在本系列的最后提...

985
来自专栏数据科学与人工智能

【数据科学】数据科学家与数据科学

仅仅在几年前,数据科学家还不是一个正式确定的职业,然而一眨眼的工夫,这个职业就已经被誉为“今后十年IT行业最重要的人才”了。 一、数据科学家的起源 "数据科...

2449
来自专栏大数据文摘

在大数据的世界中蓬勃发展

1525
来自专栏CDA数据分析师

果断收藏!机器学习人才发展全面指导手册(含学习路径和职业规划)

机器学习的学习路径 一、为什么是列出一堆可以探索的书,而不是要去寻找一条路 机器学习的研究和应用已经有很长的时间了。随着人类的发展,数据和计算能力都在不断的增加...

2046
来自专栏工科狗和生物喵

【我读《Big Data》】大数据时代的思维变革

正文之前 大数据是个很玄乎的东西,如果体系成熟,那么基本会波及到生活中的方方面面。只要能够获取数据,那么其他的过程基本只要算法模型得当,成本相当之低,但是如果能...

3796
来自专栏大数据文摘

2016年10个重要的可视化发展

1543
来自专栏钱塘大数据

【干货】如何写出一份让人过目不忘的数据分析报告?

导读:大数据时代,各类信息爆炸式增长,如何做出一份好的数据分析报告?一个平庸的标题很可能导致非常出彩的内容被人冷落;而光有吸引人眼球的标题还不够,还需要有吸引人...

3839

扫码关注云+社区

领取腾讯云代金券