在数据分析/数据科学的面试中，一定会遇到的一类问题是，向面试官介绍一段你之前的数据项目，基于你的介绍，也会衍生出一系列的问题，这一类问题通常有两种方式，一种是大家非常熟知的STAR法则，描述背景信息、列出具体任务、说明后续行动、给出最终结果，有条不紊，框架清晰，这种方式非常适合讲一个完整的故事。但就是因为它太过有条不紊，反而不一定适用于描述任何一种项目经历。在真实的面试中，面试官更希望在尽可能短的时间内，听到你在这个项目中的产出，来确定是你是否匹配目标岗位；在实际的工作中，大家对于数据分析的要求，也是希望可以有insights和落地后的效果判断，过程反倒没那么重要。

 

基于此，我们梳理了一种新的方式来帮大家更好的回答这类问题——目标、结果、挑战和其他发现。

 

第一步永远都是交代清楚context和goal，context not control。想要别人和你同频，就一定要交代清楚为什么要做这个项目，尤其是在面试中，更要确保面试官和你对于这个项目的理解在同一水平上，慢慢地把对方代入到你的情境中。总的来说，你的答案的目标部分不应该超过两句话。尽管最初的一些上下文很重要，但是你要保持简短，这样你就可以快速地进入你的回答的部分，因为后面的内容更关键

 

在解释了项目的目标之后，我们可以进入最重要的部分: 结果影响。大家可以想象一下，在真实的工作中，当我们作为数据分析师或数据科学家，向别人同步我们的insights时，我们上来一定是先讲清楚我们发现的结论是什么，然后才是慢慢基于结论，展开我们的分析过程。这很像是麦肯锡推崇的金字塔原理，一句总结+若干bullet points。在面试中，我们同样要像未来的真实工作一样，去回答对方的问题，让对方看到我们的专业度。比如，你可以这样说：

在这个示例中，可以发现我们快速地解释了项目的目标，以及用量化的指标清楚地显示影响。这么快就说出结果会很容易引起面试官的兴趣，因为她/他会很想知道，你到底做了什么能带来这些效果

 

讲完这些，可以赶紧和面试官来一点儿互动，比如询问面试官是否希望你提供更多的背景信息或者深入了解项目的细节？让面试官选择你下一步的方向。这样保持面试官的参与度，可以让你的回答看起来更像是一次谈话而不是一份报告。

 

面试官可能会对你对项目的基本概述感到满意，但大多数时候他们想要更多的细节。当面试官要求你继续描述项目时，你可以进入回答框架的第三部分: 挑战。

我建议讨论项目的2到3个挑战。在选择要讨论的挑战时，目标是结合technical和non-technical的例子。technical是在项目中可能遇到的与数据科学相关的实际问题。比如:

non-technical包括一系列与数据分析/数据科学没有直接关系的问题，更有点儿像是行为面试中的一些问题，比如:

对项目中的挑战进行描述，最大的好处是可以提现你自己的能力。如果像STAR原则一样正常描述你的经历，更多只是在讲一个故事，但没有凸显出你的作用

 

其实从项目呈现的角度看，这一部分并没太大必要。但就像我一开始说，面试是一个双向“聊天”的过程，你完全可以讲一些项目中有意思的点来让整个谈话氛围变得更加轻松愉快。你可以分享:

这样的描述不仅表现出你对这个项目细节对掌握，更能让面试官相信，你是真的全身心投入到了这个项目，你对它是真的有兴趣，这无疑能给对方留下一个非常深刻的印象。但，切记这部分不要过长，它只是一个点缀，绝对不是回答的主体部分。