首页 题库 公司真题 专项练习 面试题库 在线编程 面试 面试经验 AI 模拟面试 简历 求职
学习 基础学习课 实战项目课 求职辅导课 专栏&文章 竞赛
我要招人
发布职位
发布职位、邀约牛人
更多企业解决方案
AI面试、笔试、校招、雇品
HR免费试用AI面试
最新面试提效必备
登录
/
注册
数据挖掘师 山东财经大学 数据分析师 发布于广东 关注 已关注 取消关注 @丁点大数据： 超详细大数据岗位详解 前沿介绍关于大数据面试岗位，经过近十多年的发展，对于大数据岗位的分工逐渐细化，从最开始的数据开发工程师，到拆分为离线开发和流计算开发，到拆分为基础组件开发、大数据运维、大数据产品等等一系列的细分岗位，这其中无疑是「大数据」的概念深入到各个行业领域，「数据」对于社会的发展和进步带来了实质性的作用，从大约2014年，2015年左右时间开始，移动互联网开始蓬勃发展，以数据为底座的各种移动应用百花齐发，面向C端群体的各种用户分析、行为预测、广告推荐以及基于算法+数据的内容推送平台都利用自身的数据采集技术，加上数据算法调度能力进行业务扩展。整个大数据历史背景，就不多加赘述了，本篇作为专栏的开篇内容，更多的是站在一个全局者的角度，来观测整个大数据领域对于数据岗位的细分，一方面本专栏作为一个大数据面试专栏，需要读者朋友对于数据岗位有一个清晰的认识，才能够去选择切合自身需求与发展的岗位，另一方面目前市面上我还没有见过能够将整个大数据岗位能够清晰明确的描述出来的内容，那么不妨从我的角度来输出一下，虽然不能保障100%的完全正确，正如同大家对于DBA岗位的认知都是不同的，对于架构师岗位的认知也是不同的，但是从我工作近15年的研发经历，以及近10年的大数据研发经历来说，我觉得能够涵盖绝大部分的真实性，至少从读者的角度不会把人带偏方向。「大数据面试通识」专栏是一个聚焦于大数据研发方向，但是大部分内容对于其他研发人员也很适用。本专栏内容并不是凭空想象或者臆造，而是经过作者十几年面试与被面试经验，以及辅助近30名同学面试辅导之后的总结，所沉淀出的一套可切实可实践的内容，本人也通过这一套方法成功拿到了字节跳动、阿里、百度、理想汽车等等一些企业的offer。专栏分为面试技巧、学习框架设定、面试前后准备、面试心态等几个核心分类组成。******************大数据岗位介绍为了让读者更直观、结构化的将内容有一个清晰的了解，我将大数据相关岗位进行了分类处理，基本上分为一下几类：大数据业务研发类大数据平台研发类数据科学方向大数据产品方向大数据售前&解决方案方向一：大数据研发类大数据研发类下面可以具体划分为大数据离线研发、流计算研发工程师、数据仓库研发工程师、大数据架构师。这里，离线研发和数仓研发对于很多人来说可能会有不明白的地方，直观来讲，离线研发主要做偏向于日志文件分析、数据爬取、数据清洗、从采集、分析、计算、调度都会涉及到，而数据仓库研发的话，更多是上层业务的数据建模、数据提取、数据模型建设等等，更多的是跟着具体某个业务的情况进行迭代。大数据离线研发工作职责：负责处理批处理任务，适用于大规模数据的批量处理和分析。管理和调度批处理作业，通常是通过定时任务或基于事件触发的方式。所需技术栈：Hadoop-HDFS、Hadoop-Yarn、Spark、Flink、Hive、Hudi、Iceberg。 其中Hudi、Iceberg数据湖场景是当下及未来的趋势入门难易度：入门较为复杂，需要掌握很多大数据周边组件，比如调度相关、数据采集相关，但核心需要掌握的是上面这几个。发展前景：常青树，基本上是随着大数据技术迭代而发展的，而且对于大数据技术掌握程度不需要太深厚，对于其它岗位横向发展路径比较宽并且，对于技术转型来说，更具有竞争力，一方面是大数据技术掌握足够宽泛，另一方面对于业务场景应用以及调优有一定经验，可以考虑做技术咨询、大数据相关售前、解决方案，如果对于某一个组件足够精通，可以加入背后具有商业化公司支撑的开源社区，做一名远程开发者。流计算研发工程师工作职责：基础技术栈：Hadoop-HDFS、Hadoop-Yarn、Spark、Flink、Kafka/Pulsar/RabbitMQ、HBase/Clickhouse入门难易度：入门难度高，相比离线研发来说，流计算对于服务保障要求更高一些，基本要求是7*24不间断运行的发展前景：常青树，对于流计算掌握比较好的话，基本上也能具备离线计算的能力，二者的底层基础组件基本也是相通的。数据仓库研发工程师工作职责：基础技术栈：Hive、Mysql、Spark、Flink、数仓建模入门难易度：入门较低，数据仓库相比其它大数据研发岗位来说，门槛相对低一些，但是市场需求量更高一些，天花板相对较低。发展前景：发展空间有限，如果随着经验增长没有更多其它技能傍身的话，那么就不太容易找到新的机会。职业后期大多会转型业务方向、数据运营方向、数据分析方向，或者对于技术有追求的会转向数据挖掘。大数据架构师工作职责：对大部分的大数据组件都能涉猎，能够根据不同的业务场景进行组件选型具备大数据组件调优能力，在组件遇到瓶颈问题或者集群异常时能够进行排障处理研究前沿大数据组件能力，持续赋能业务进行降本增效基础技术栈：离线/流计算方向组件基本都会掌握，如果是数仓架构师，那么对于数仓建模原理也会掌握，组件丰富度更高一些，能够根据不同的场景进行不同组件的选型入门难易度：无法入门，需要经过时间历练发展前景：天花板较高，上升可以转管理、下沉可以做研发，横向扩展可以做业务方向、技术解决方案、产品经理等，大部分架构师会转型管理或者产品方向，对某个行业领域足够熟悉的话，可能会转做售前或者解决方案架构师。二、大数据平台类大数据平台研发方向内部其实也包含了离线计算和流计算，所谓平台，其实本质上来说就是将原本需要一系列的脚本化的功能，抽象为一个可视化的功能，研发人员在实现一个计算作业的时候，不需要从零去构建作业代码，也不需要手动配置调度、数据采集等等，直接在平台上进行点击操作即可，这里最为典型的就是阿里云的DataWorks、腾讯的WeData以及数据中台部门所做的核心工作。但是，平台的离线计算和流计算的研发不同于大数据业务类的研发，他们更聚焦于代码的抽象和任务性能问题，比如离线计算中的算子（函数）会被抽象为平台的算子，可以通过拖拽的方式组合为一个具有业务逻辑的实现，这些保存后台其实就是一个DAG的关系，只不过在运行时候，离线计算Spark/Flink会解析这些算子关系，然后一一转义为可运行的程序。而业务类的离线计算，更多的是针对具体某个功能进行开发，是实打实的编写具体的业务逻辑实现。那么从这里可知道，平台类的离线和流计算研发对于代码水平、组件掌握程度会更高一些，并且对于常见的优化手段、资源分配策略、自动调优方式等等都要有所擅长，笔者有幸这两者都经历过，平台研发对大数据程序员的锻炼和成长会更大一些，它不会为了实现一个功能做实现，更多的还要考虑扩展性、稳定性、性能，并且业务逻辑各式各样，对于代码稳定性是一个大的考验。所以，大数据平台研发类里面的很多大数据角色，都是要求对具体某个组件有深入掌控能力的，并且有时候一个组件可能就需要一个团队来维护，比如离线计算可能是一个独立部门（3-5人），流计算研发（3-5人），数据采集（3-5人）数据调度（3-5人）等等，他们只负责这一两个组件的维护。大数据平台研发类可以具体为以下几个：大数据平台研发工作职责：核心工作是作为平台后端研发，为平台的前端系统提供API接口。对接底层各个数据组件的接口交互，将大数据组件功能进行可视化。对接产品需求，根据产品需求文档/PRD设计进行功能开发基础技术栈：SpringBoot、Java、Mysql、Redis入门难易度：简单发展前景：前景较好，在熟悉掌握Java编程之后，可以有机会接触到大数据相关组件，掌握更多的大数据组件对于自己职业发展来说会多一种可能性。并且作为平台研发入门相对简单离线计算研发 & 流计算研发工作职责：负责深入Spark/Flink的组件原理，能够将算子能力包装为系统能力。二次开发的能力，当组件本身不满足产品/客户的需求，能够进行二次开发。能够和社区结合，调研跟进组件未来规划，将其能力补充到产品能力中。基础技术栈：Java/Scala、Spark/Flink、Hadoop、Kafka/Pulsar入门难易度：较难发展前景：常青树，基本上对于某一个组件能够深入了解和掌握之后，就能够养活自己未来几年的职业发展，当然这里要认识到一点很重要，要学会掌握底层能力，如果底层能力掌握不够扎实，你也无法达到对组件本身深入了解的能力，如果达到了某一个组件深入了解之后，其实你也可以横向的掌握其它组件，这里大家要认识到一个概念就是底层知识是通用的，掌握底层技能之后，才能够一通百通。任务调度研发工作职责：负责大数据核心组件任务调度系统的研发。不断优化、改进任务调度系统的性能问题，能够承接更多的算子构建。根据产品&业务需求，完成相关功能的迭代开发。基础技术栈：掌握市面上常见开源任务调度系统架构设计，比如Oozie、Airflow、Dolphinscheduler等等熟悉大数据相关组件，比如Spark、Kafka、Flink、Hadoop等熟悉相关开发语言，比如Java、Scala、Python等。入门难易度：相对较难发展前景：常青树，任务调度系统是技术所有大数据作业所必须的一套系统，大部分的稍微有点规模的企业都会有一套任务调度系统，可能是自研的，也可能是利用开源系统构建的，这里其实对于整个任务调度以及复杂逻辑的抽象能力要求比较高一些，任务调度想象起来可能比较简单，但是实现细节相当复杂，它需要维护各种的中间复杂状态，以及各种工作流引擎的适配工作。我身边有不少一直在做任务调度方向的同事，至少持续了7，8年的时间，而且还在一直不断迭代系统，如果这里能够参与到开源能力建设的话，则是一个很大的加分项。数据采集研发工作职责：负责大数据核心组件数据采集系统的研发需要熟悉市面上大多数主流数据采集组件的原理和应用，对底层有比较清楚的认识能够根据产品&业务需求，完成相关功能的开发和迭代不断优化，改进数据采集系统的性能问题，能够承接更多样的数据采集方式基础技术栈：Hadoop、FlinkCDC、Spark、Kafka等入门难易度：入门易、深入难发展前景：普遍来说，一般般，主要在于数据采集系统大多数业务场景是不会有太多变化的，这是采集系统简单普通的地方，难点在于：1. 一些大汽车或者AI、车联网类似相关企业数据来说，数据的格式是多样的，这对于数据采集来说是一个难点。 2. 实时采集其实是一个比较有挑战性的事情，需要考虑到众多因素在里面，比如数据一致性问题、数据容错问题、资源占用问题等等 。3. 采集+ETL操作，很多数据中台类的产品其实都具备采集过程中对于数据做一些简单的清洗和转化，这样当入库时就是相对比较标准的数据，而且有些还要做一些FORMAT操作，这些对于采集也是具有挑战性的问题。如果你在目前是专职做数据采集工作的话，建议就多参与开源社区，争取成为某一个顶级项目的commiter。同理，和任务调度上面一样的话，掌握底层核心技能，才能横向做技术迁移。大数据运维工程师工作职责：负责大数据集群的日常运维保障、问题处理工作。负责大数据集群的硬件选型、组件配置、相关组件安装/部署工作。构建大数据整体的监控运维体系，能够做到预警、告警、日志采集、自动化处理等等基础技术栈：Hadoop、Spark、Flink等大多数大数据组件都要连接，另外加Prometheus、Grafana。入门难易度：较难，一般是由业务运维或者系统运维转过去的。发展前景：常青树，基本一个完善的团队是有研发、测试、运维来组成的，也有一些中小企业，可能研发负责了运维、测试工作，特别是对于大数据类的业务来说，有些小公司可能大数据团队就3-5人，包含了产品、运维、测试等等各个角色担当，另外一些大企业或者中大型规模的集群来说，是需要一个运维团队来支撑的，这里硬件故障、机器故障、内核故障、组件故障等等都需要专业人员去操作。运维相对是一个不太轻松的工作，出现问题要第一时间响应，哪怕是半夜两三点，很是苦逼，所以如果熬不住的话，就不太建议往这个方向发展，年纪大了扛不住。大数据基础架构工程师工作职责：负责核心组件的维护、调优、二次开发工作能够根据业务形态，给出比较合理的最佳实践应用。对于底层原理、操作系统、核心应用掌握的比较熟练。当组件遇到故障问题时，能够快速找到根因，并进行相关问题处理。基础技术栈：基本上有Spark、Flink、HDFS、Yarn方面的技术专家角色来担任，比如可能就一直负责Yarn一个组件或者HDFS一个组件。入门难易度：较难，需要对一个组件很深入了解，基本上会是开源社区commiter或者pmc的角色。发展前景：常青树，一些中大型企业比如京东、阿里、字节、小米，小红书等等都有专门负责某一个组件的专家团队，用来针对这个组件进行深入研究。有些做基础架构方向的人，可能近10年都在专攻一个方向，比如我所看到的很多在MQ方向就做了十几年，对Kafka、Pulsar、RabbitMQ等中间件都很熟悉。这种人一般都比较有工匠精神。大数据产品经理工作职责：负责产品功能设计，能够将客户需求转换为产品标准化功能。能够连接、协调不同职能部门的工作，解决产品形态问题。能够对外收集客户/业务需求，解答客户/业务问题，完善产品功能。调研竞品分析，规划产品未来迭代趋势。基础技术栈：需要对大数据组件有所了解，知道大体的原理。入门难易度：相对较简单。发展前景：常青树，大数据产品经理岗位在大数据平台里是一个比较重要的角色，有些比较大一些的平台，可能一个系统就有一两个产品经理来维护，比如离线计算、流计算可能就有一两个产品经理，调度系统可能也有对应的产品经理。产品经理大多数事从大数据研发转来的，对大数据技术有所了解，有一定的技术背景，并且有一定的沟通协作能力的人。大数据测试工程师工作职责：负责大数据平台的测试工作，根据产品需求整理出测试case。大数据作业的测试，对大数据组件进行压力测试，评估整体性能。设计和编写测试用例，进行功能测试、性能测试、安全测试等。管控产品线上预期，能够进行开发和维护自动化测试脚本。基础技术栈：熟悉大数据生态的核心组件，比如Hadoop、Spark、Flink、Kafka等熟悉常用的测试工具和框架，比如JUnit、JMeter等。入门难易度：相对容易发展前景：测试工程师也是伴随着研发岗位一起的，有些测试工程师也会转为研发工程师或者产品经理的角色，所以横向的职业发展空间是比较大的另外，也可以深入研究测试研发领域，这样就不仅仅限于做大数据方向，其他业务方面，哪怕底层基础架构方向也可以尝试去做的。三、数据科学方向工作职责：负责数据的收集、整合、清洗处理等操作使用统计学&数据工具，对数据进行探索、理解数据的特征辅助业务发展能够根据数据展示成果预测未来发展趋势和潜在机会或者潜在风险。基础技术栈：常用的编程语言：python、R、SQL语言对大数据组件Spark、Flink、Hadoop有一定了解统计学或者数学相关专业，能够理解各种统计学方法和模型熟悉统计学相关工具：Pandas、Numpy、Dask、Tableau等等。入门难易度：较难，一般都是博士或者研究生领域发展前景：比较广阔，在数据越来越重要的当下时代，数据科学家岗位是很多大企业中不可或缺的角色，一般数据科学家也有跨学科融合、业务整合的能力，并且大多数数据科学家是能够推动企业使用数据驱动决策的，并且针对数据诊断出的业务问题具有很大的参考性。四、大数据业务方向数据分析师工作职责：使用统计方法和数据分析工具，对数据进行可视化分析。能够结合数据模式、趋势、状态给出相关的业务分析报告。能够使用可视化工具比如Tableau、PowerBI进行可视化图表输出能力。能够根据数据分析结果，协助公司指定业务策略和营销计划。基础技术栈：编程工具：python、R、SQL、Excel可视化工具：Tableau、PowerBI、Pandas入门难易度：入门相对简单发展前景：常青树，发展前景比较广阔，数据分析师是距离业务比较近的，具备一定的数据思维，并且对业务也有一定的了解，能够给出日报、周报、月报等分析报告的结果，甚至说能够根据结果给到业务一些建议来支撑。很多COO的岗位都是从数据分析师岗位成长起来的。数据治理工程师工作职责：负责公司内部数据质量管理，包括数据标准制定、数据安全、数据规范等等参与设计数据架构的设计和优化，管理数据生命周期跨部门协调数据治理工作，确保各个部门的数据使用规范性基础技术栈：有些数据治理是偏向于业务的，可能只需要掌握基本SQL使用、Python使用，行业数据规范等即可。有些事偏向于技术的，比如整个业务数据清洗逻辑、数据格式规范等，需要对大数据组件有些大体了解。入门难易度：入门容易，深入较难，数据治理不是一个很容易做的工作，硬性技术门槛并不是很高，但是对于软性技能（沟通、协调）的能力要求会高一些，通俗来说，就是拿着一线工资干着总监的事情，需要给不同业务线出数据规范的要求，还要不断矫正数据质量，chuchu发展前景：五、大数据售前&解决方案方向工作职责：了解客户需求，与客户进行沟通、了解客户的业务需求痛点、项目背景、技术架构等。对客户现有的数据架构、业务流程有一定的了解，并整理和分析客户需求。能够根据客户需求制定解决方案，能够搭配客户场景进行技术选型，确保方案可行性。基础技术栈：对大数据基础框架能够熟练掌握，知道底层的核心原理是什么。对于常用的大数据组件知道其使用场景，比如Spark、Flink、HBase、Hive、Doris、StarRocks、Clickhouse、ES等等对大数据技术有一个全局观，不需要每个精通，但是需要根据业务场景制定合理的解决方案。入门难易度：相对较难，大多数都是大数据架构师岗位转型过去的，想要从事一线工作，能够距离业务更近一些，或者说为了切换到业务角色。相对来说，业务岗位会比技术岗位更容易出结果，更容易晋升，更容易成长起来。企业内部的高管，负责技术的可能只有CTO，但是其它CIO、COO、CEO等等各种C“X”O都是业务成长起来的。发展前景：比较广阔，能够接触到技术、业务、管理等各个维度的工作，对于有技术背景的人转型过去会更容易一些，向上可以晋升为CTO或者COO、CIO岗位，向下也可以兼容架构师岗位。「大数据面试通识」专栏是一个聚焦于大数据研发方向，但是大部分内容对于其他研发人员也很适用。本专栏内容并不是凭空想象或者臆造，而是经过作者十几年面试与被面试经验，以及辅助近30名同学面试辅导之后的总结，所沉淀出的一套可切实可实践的内容，本人也通过这一套方法成功拿到了字节跳动、阿里、百度、理想汽车等等一些企业的offer。专栏分为面试技巧、学习框架设定、面试前后准备、面试心态等几个核心分类组成。*********************本专栏适合谁？【适合所有技术人】专栏虽然是大数据面试通识，但是对于技术体系的研发都是通用的。【正在找工作或者准备找工作的读者】不妨参考一下里面的内容，应该会对你有所帮助【大数据转型人员】期望转型到大数据岗位，本专栏会给出相关说明【持续学习成长者】专栏里也包含了很多关于技术学习、个人成长的内容为什么要写？回顾了过去十几年职业生涯，面试了很多人，也总结了很多面试规则，也帮助了很多人成功拿到offer，而自己又希望写一些内容来总结，就这么个初衷。希望能在如今浮躁、偏消极的现状下，带给一些人积极正向的作用，哪怕能够影响一两个人。作者本人切实体会过毕业即失业，找工作长达半年之久，工作被裁等状态，希望能把这些种种转变为某种对他人有价值的经验输出。关于作者本人介绍目前在某大厂担任大数据研发负责人，从2014年开始从事大数据方向，前后做过大数据推荐引擎、大数据中台/平台、数据仓库，主导负责过多个从0到1的大数据项目，也深入研究过底层源码，解决大数据组件瓶颈问题。 目前聚焦在云原生和大数据方向有职业发展、个人成长、技术面试、技术咨询等方面问题，可以联系我********************* 点赞 10 评论 1 全部评论 推荐最新楼层 暂无评论，快来抢首评~
相关推荐
08-12 14:14 门头沟学院 Java oppo一面过啦！！ 没想到一面竟然过了，面试体验很好面试官问的很细，态度也很好 OPPO一面271人在聊 点赞 评论 收藏 分享 08-11 00:54 阿里云_运营_HR 阿里云体感 入职一个多月了，来分享一些landing的感受～整体说下：可以打85分，毕竟当时辞职就是想要走出舒适圈，的确也会有些不舒适，但基本上是因为阿里和网易风格有差别，需要一些时间适应我所在的产品线整体风格不卷，加班不严重，周末大家都安排自己的生活，可以安心放下手机，也让我彻底放下“不秒回羞耻症”阿里云团队规模太大，分工很细，人也很多，想搞清楚一件事情要对接好多好多人，要熟悉的流程也贼多，这个过程的确有些累，但我估计只要在大厂都会这样感觉这边做事情自由度更高，换句话说，老板只要结果，过程怎么做自己想办法去凡事凡人都爱讲价值。初次对接的其他部门的同事，也会直接问我，“你对业务的价值是什么”目前线上线下接... 阿里云工作强度 368人发布 点赞 评论 收藏 分享 不愿透露姓名的神秘牛友 06-21 11:33 和爸爸打了一个小时电话，彻底说开了 昨天是学校最后一场招聘会，鼠鼠去参加了，全场只有一个招聘java的岗位，上来先做一份笔试题，做完后他拿张纸对答案，然后开始问简历上的问题，深圳小厂，6-8k（题目如下），后面还有两轮面试。然后我就在招聘现场逛呀逛，看到有公司招聘电商运营，给的比上年的小厂还多，鼠鼠就去了解了下，然后hr跟鼠鼠要了份简历，虽然我的简历上面全是求职Java开发相关的内容，但是hr还是鼓励我说没关系，她帮我把简历给老板看看，下周一会给我通知。招聘会结束后鼠鼠想了一段时间，也和朋友聊了聊，发现我可能是不太适合这个方向，然后就跟爸爸说回家了给我发条微信，我有些话想跟他说说。晚上爸爸到家了，跟我发了条微信，我立马跑出图书馆跟他打起了电话，这个通话长达一个小时，主要是跟爸爸坦白说我不想找这行了，是你的儿子太没用了，想试试其他行业。然后爸爸也跟我说了很多，说他从来没有希望我毕业后就赚大钱的想法，找不到就回家去，回家了再慢慢找，实在找不到就跟他干（帮别人装修房子，个体户），他也知道工作不好找，让我不要那么焦虑，然后就是聊一些家常琐事。对于后面的求职者呢我有点建议想提一下，就是如果招实习的时间或者秋招开始，而你的简历又很差的情况下，不要说等做好项目填充完简历之后再投，那样就太晚了，建议先把熟悉的项目写上简历，然后边投边面边完善，求职是一个人进步的过程，本来就比别人慢，等到一切都准备好后再投岂不是黄花菜都凉了。时间够的话还是建议敲一遍代码，因为那样能让你加深一下对项目的理解，上面那些说法只是针对时间不够的情况。当然，这些建议可能没啥用，因为我只是一个loser，这些全是建立在我理想的情况下，有没有用还需其他人现身说法。上篇帖子没想到学校被人认了出来，为了不丢脸只能匿名处理了。 KPLACE：找研发类或技术类，主要还是要1.多投 2.多做准备，很多方面都要做准备 3.要有心理准备，投累了就休息一两天，再继续，要相信自己能找到 投递58到家等公司10个岗位 点赞 评论 收藏 分享 08-15 15:20 腾讯云智研发_后台开发(实习员工) 双非接到字节飞书（北京）秋招面试 有没有人接到字节飞书（北京）秋招的面试啊？秋招一上来就是字节，好紧张好想抓住机会，求求了，牛客已经看完了没有看到一个飞书秋招的面经另外附一张秋招简历 兑生：绩点挺高的啊同学，基础课很扎实吧，讲一下对微积分和线性代数的理解吧 点赞 评论 收藏 分享 08-10 17:16 合合信息_运营管理_HR 合合信息秋招——小而美厂 不知道现在大家找工作都看啥，头部大企业确实可以给更大的平台和保底空间，至少辞职了也有title,但是也可以看看发展中的小厂，想来上海的同学可以看看咱们，小赛道，但是发展很好，基本做到了行业top级别合合信息估计大家都没听过，我当年秋招之前也没听过，但公司的一个产品应该知名度还行，就是扫描全能王这个软件。公司成立挺久了，没记错的话是2006年，应该是最早一批搞大数据的企业。部门氛围很好，正式员工一般也不加班，早上9.30到公司都还没啥人，免费早晚餐，六点半晚餐，七点半应该就没人了。ld，mt都很好相处，弹性打卡，最晚十一点。正式员工直接不用打卡。不了解应届生工资，但如果是应届生进去的话，感觉真的... xxxxOxo：为什么挂我简历 合合信息公司福利 342人发布 点赞 评论 收藏 分享 评论 点赞成功，聊一聊 >点赞 收藏 分享 评论 提到的真题
返回内容
全站热榜 更多 1 ... 小红书java一面 5013 2 ... 该不该给领导买东西啊... 4147 3 ... 秋招准备投这些厂可以吗？ 3801 4 ... 百度提前批一面凉经！继续复习！ 3400 5 ... 大疆结构秋招一面 3333 6 ... 美团今天的ai coding笔试允许用ai吗 3300 7 ... 小红书-引擎架构- java实习-一&二面凉经 2765 8 ... 美团第二次笔试 算法题直接白卷投降 2761 9 ... 影石嵌入式面经 2731 10 ... 美团模型平台后端开发面经 2695 创作者周榜 更多 正在热议 更多 # 你上一次给父母打电话是什么时候 # 14335次浏览 130人参与# 扒一扒那些奇葩实习经历 # 71777次浏览 935人参与# 秋招笔面试记录 # 202729次浏览 3478人参与# 发工资后，你做的第一件事是什么 # 72763次浏览 252人参与# 在职场上，你最讨厌什么样的同事 # 28340次浏览 208人参与# 给26届的秋招建议 # 40428次浏览 1026人参与# 实习的内耗时刻 # 60941次浏览 649人参与# 我的秋招“寄”录 # 46753次浏览 611人参与# 秋招投递记录 # 28656次浏览 317人参与# 节后第一天上班，我的精神状态 # 14024次浏览 122人参与# 校招第一份工作你干了多久？ # 99380次浏览 439人参与# 安克创新求职进展汇总 # 40292次浏览 448人参与# 我的AI电子员工 # 13518次浏览 108人参与# 今年秋招哪家公司给的薪资最良心？ # 263108次浏览 1459人参与# 选offer应该考虑哪些因素 # 86626次浏览 768人参与# 如果校招重来我最想改变的是 # 280052次浏览 2909人参与# 你最近一次加班是什么时候？ # 80334次浏览 432人参与# 秋招，不懂就问 # 12719次浏览 135人参与# 应届生初入职场，求建议 # 240912次浏览 2720人参与# 工作上你捅过哪些篓子？ # 22348次浏览 140人参与
刷真题、补算法、看面经、得内推
扫一扫，把题目装进口袋
移动版
关于我们 加入我们 意见反馈
企业服务
校企合作 联系我们 免责声明 友情链接 资源导航
付费咨询
扫描二维码，进入QQ群
扫描二维码，关注牛客公众号
公司地址：北京市朝阳区北苑路北美国际商务中心K1座一层-北京牛客科技有限公司
联系方式：010-60728802 投诉举报电话：010-57596212（朝阳人力社保局）
牛客科技©2025 All rights reserved
admin@nowcoder.com 京ICP备14055008号-4 增值电信业务经营许可证 营业执照 人力资源服务许可证 京公网安备 11010502036488号