本文將以一個0 ~ 2年工作經驗的求職者角度來回顧過去一年 (2021) 在北美找Data Scientist Full Time的體驗。文內不會一一描述我面試過的公司和題目，而是希望透過歸納與總結，梳理出一些實用的知識/技巧，幫助讀者更有效率地找工作。文章共分三段：背景、投履歷、面試。 

原標《留學隨筆 — 北美數據科學New Grad求職心得》

文/Daniel

本文將以一個0 ~ 2年工作經驗的求職者角度來回顧過去一年 (2021) 在北美找Data Scientist Full Time的體驗。文內不會一一描述我面試過的公司和題目，而是希望透過歸納與總結，梳理出一些實用的知識/技巧，幫助讀者更有效率地找工作。文章共分三段：背景、投履歷、面試。 

背景

• 2021春Stat/CS碩士畢業
• 沒有正職工作經驗 (大學畢業後直達美國)
• 海投和內推一坨拉庫：第一輪面試50+、最後一輪面試10+ (Snapchat, Yelp, CVS, Apple, Microsoft, Quora, Duolingo, Booking.com,…etc)
• 主投Data Scientist — Product Analytics OR Machine Learning

投履歷

我個人認為對於畢業生找Data Scientist，拿到面試是整個求職環節中最難的一部分，猶記得當初拒絕信拿到手軟…。一開始還很沮喪懷疑自己不夠好，到最後根本麻木了，變得像是面無表情的機器人，坐在電腦前瀏覽LinkedIn，瘋狂按下Apply Now。

好吧，其實比起自己瘋狂海投，還有更好的方式：內推。但隨著面試經越來越豐富，我後來才了解到，其實內推又可細分不同種，強度各不同。在一一談各種內推之前，需要先了解到一個重要觀念：幾乎每個Data Scientist Full Time Job背後，都有一個Hiring Manager (HM)。請別把HM和HR搞混，但究竟什麼是HM? 可以這麼解釋：通常Data Scientist都是組招，不像軟體工程師New Grad很多是General Hire先招進去再選組。而HM通常就是那個組的老大，也很可能是進公司後的老闆。

順著這個邏輯，內推依強到弱分成：HM內推 (保證有面試) > 組員推 (確保HM看到，且等於擔保履歷不錯) > recruiter推 (確保HM看到) > 系統內推 (HM不一定看得到)。

舉例，我曾經海投了兩三次JP Morgan，每次都像大石子丟入池塘一沉不起; 不過有一次因緣際會認識一位JPM的HM，聊了一會對方馬上寄信約了面試…連系統申請都不需要。至於怎麼找到HM內推和組員推？可以上各大社群看看 (一畝三分地、一些微信群組、台美人求職社團、LinkedIn)。而recruiter推，就得靠平時在LinkedIn上累積一些recruiter好友。至於最弱的系統內推，我個人感覺拿到面試率和海投差不多…而且還需要花時間寫第三人稱介紹信，其實不如直接海投。

投履歷的事差不多就這樣，另外還有一點值得注意的是，不要猶豫勇敢投下去！不需要符合所有列出來的職缺條件才投，甚至年限也不需要。筆者收到的面試當中，有將近一半要求2+年工作經驗。

面試

前面提到我主要投遞的是Data Scientist — Product Analytics OR Machine Learning，兩者的考點高度重合，但有些微差異。不過在討論各考點之前，我想先簡單談談Data Scientist Job的兩個維度：產業、資深級別。

維度一, 產業：

我投的職缺橫跨不同產業 (金融、醫療、旅遊、零售、科技，等等)，總結而言，不論是哪個產業，modeling都在其中扮演重要角色，解決各自商業上的某些問題，另外筆者也觀察到，越來越多公司更關注measurement：怎麼設計實驗、做檢定、決策，甚至在搭建內部的實驗平台。所以建模、做實驗統計檢定可說是Data Scientist必備的技能。至於面試難度(深度)，依照我的經驗，可以這樣排序：中型科技公司/明星新創 (Snapchat, Quora, Confluent,…) > 大型科技公司 (Microsoft、Apple,…) > 傳產 (Homedepot、Banking、CVS,…)

維度二, 資深級別：

這部分我目前沒什麼話語權，可以等以後再分享更多！不過我在有了第一份正職工作後的半年，開始嘗試面試幾個senior缺。我觀察到，此時的面試問題不再那麼標準化和技術性 (e.g. 解釋某個機器學習模型、寫出某段SQL)，而是更圍繞在個人的經驗背景、解決過什麼domain問題、解決問題的能力。舉例而言，在面walmart marketing team時，被問到履歷上寫到的某個marketing模型，然後整場面試就從那邊展開，互相討論是在什麼情境下用那個模型以及細節。在面yelp Lead Data Scientist時60%討論個案，30%討論過去經驗，另外只有10%討論一些統計和程式。

回過頭來討論考點，其實不論職缺落在這兩個維度織成的二維圖上的哪個點上，我覺得以下技能是身為一名Data Scientist求職者需要把握的 (Product Analytics側重1,2,3,4; Machine Learning側重1,2,3,5)，至於leetcode演算法就先不提了，絕大多數都不太會考，我只遇過三次，都是medium以下的題目，且都是簡單的資料結構：array、string manipulation、stack。除了面新加坡蝦皮時遇到了一題graph、一題DP…

• 1, python
  我遇過最常考的依序是：pandas (apply, pivot_table, loc), numpy, sklearn,…
• 2, stat
  我遇過最常考的依序是：undergrad-level stats (p-value, H0, H1, probability), experiment and statistical testing, quasi-experiment (DID, ANCOVA), GLM
• 3, sql
  幾個常見考點：join, groupby, case when, with statement, window function (e.g. row_number, lag), date_related_funcs (e.g. datediff) ，把Hackerrank上的題目刷一遍就可以解決大概95%的面試題
• 4, product cases
  這部分我個人感覺很難準備，也很難速成。可能平時多看些大公司的medium (e.g. Pinterest, Airbnb, Netflix)去培養一些product sense。我覺得cases可以分成兩類，一類像是what data would you use to find the reason behind an increase & decrease of a certain metric？另一類像是某產品更動了某個feature，然後問你怎麼衡量這個更動好不好。通常這類的回答套路大概是先想metrics，然後再回答怎麼testing，不過發想metrics本身就不是件容易事，要考量到feature的更動會影響哪些stakeholders，且如何影響，此時就需要對該產品有一定的了解。比如說yelp在首頁把廣告版面從3個增多至4個，此時對廣告主可能是好的，因為廣告成本下降，但對yelp使用者可能是壞的，因為留存率下降。至於testing本身就取決於metric會符合哪些統計分佈，如果不符合特定分佈，那可以考慮bootstrap和non-parametric testing。最後值得一提的是，我覺得在練習/回答這類型的問題時，需要lay out a framework for thinking through problems，然後有組織地和面試官討論。
• 5, ML
  我遇過最常考的依序是：logistic regression, OLS (+L1, L2 regularization), tree-based models, xgboost, svm, 還有一些觀念 (e.g. bias-variance tradeoff, bagging vs. boosting, imbalanced data)。我推薦不用套件手刻一次經典算法，了解背後的最佳化怎麼運作，如此一來怎麼考都不會被考倒。另外如果職缺描述有提到production, deployment字眼，那面試中可能會被問到相關經驗：AWS, Docker, CI/CD。

文章來到尾聲，最後想說的是，面試有時真的很吃運氣。有一次面一個很對口的缺，但面試官在過程中一直拔耳機…跟我說開了一整天的會耳朵很痛，根本沒什麼在聽; 還有一次跟更資深的人競爭同個職位，即使我回答得好，但因為經驗相較不足，就被刷了; 又有一次面完得到正向回饋，但過了一週跟我說headcount沒了…

被拒絕乃面試常事，但不用過度懷疑自己，只要每一次都能學到一些東西，offer就不遠了。此部落格之後會陸續分享一些Data Science相關的知識，stay tuned ，Cheers ！

※本文由 Daniel 授權轉載, 原文:《留學隨筆 — 北美數據科學New Grad求職心得》 

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

這篇文章 【學長姊帶路】北美數據科學 New Grad 求職心得 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。