第一题
你所在的行业，常用的数据分析指标有哪些？请简述。
我是做招聘软件的，这行虽然落后 😅，但其实也是有数据分析指标的——招聘指标。稍微列几个常用的指标，这些指标常常出现在管理系统的 Dashboard 页面上：
招聘周期：找到合适的雇佣候选人所用的时间
录用时间：从接触候选人到候选人接受工作之间的天数
工作一年流失率：顾名思义一年级生的离职比例
招聘质量：一般由每年绩效衡量，比较不同年景或不同渠道入职的员工素质
候选人满意度：跟踪招聘过程中设定的期望是否符合实际情况的一种度量手段
人均成本：招聘总投入
/招聘人数渠道成本：通过对不同渠道的广告投入
/通过成功申请的访问者人数，用于衡量每位员工的采购渠道成本招聘渠道有效比：通过衡量渠道中所有不同步骤的有效性，指定每个步骤的收益率
达到生产力时间：刚入职的员工几乎都是负产出的，通过一定培训后才能达到正产出；该指标用于衡量达到生产力的时间，或达到最佳生产力水平的时间，用于改善技能培训等事宜
第二题
Google 搜索引擎是如何对搜索结果进行排序的？（请用自己的语言描述 PageRank 算法。）
PageRank 算法，又称佩奇排名，是 Google 公司对其搜索引擎搜索结果中的网页进行排名的一种算法。
PageRank 算法通过输出概率分布来体现某人随机地点击某个链接的概率——PR 值。
算法定义有点抽象，我们通过一个简化版的示例来介绍一下如何计算 PR 值。假设总共只有四个网页 A、B、C、D，所有的页面只指向 A，那么 A 的 PR 值就是 B、C、D 的 PR 总和：
再比如 B 链接到 A 和 C；C 链接到 A；并且 D 链接到 A、B、C：
B 就会分出去半票 给 A 、C ；C 给 A 一票；D 给其他各页面三分之一票，结果PR(A)的值就是：
概括一下：算法会根据每个页面总出度L(x)——指向其他页面的总个数——平分该页面的 PR 值，并将其加到所指向的页面：
算法最后会添加一个系数 d 做修正：
- 给添加出度权重后的 PR 值再乘上该修正系数
d - 并保证每个页面的最小值为
(1-d) / N，N为集合中网页的数目
p.s. d是根据上网者使用浏览器书签的平均频率估算而得，大约为 0.85
我们得到：
同理，我们把该公式泛化到所有的页面，即：
写成矩阵形式：集合中所有页面的 PR 值可以由一个特殊的邻接矩阵的特征向量表示，这个特征向量 R 为：
PageRank 算法中，一个页面的 PR 值直接取决于指向它的的页面。如果在最初给每个网页一个随机且非零的 PR 值，通过上述公式经过多次迭代，这些页面的 PR 值会收敛某个定值，即最终结果。
