原標《從加入Houzz以來 — 12個國家、五十多場資料科學、分析面試經驗總結》

文/Marcus 張為淳 

這篇文章總結我從日本搬回台灣、加入Houzz到裸辭去尋找人生意義，最後踏上新旅程的過程，雖然專注於求職及面試上，但也述說著我的心路歷程。

在2021年中，我在疫情之下從日本搬回台灣，結束了我第一段海外生活；當時的我，坐在飛機上看著經過的富士山，不免想著：自己好不容易得到出國的機會就這樣結束了，之後還會有這樣的機會嗎？

然而我很幸運，加入了美國矽谷新創體系下的Houzz，讓我的工作能力在前所未有的成長下，看見了許多不同的機會。

一開始，發現公司在美國的很多同事都是我最嚮往的那些公司出來的，包括LinkedIn、Spotify、Ebay、Netflix等科技公司，跟他們工作可以學到很多事情，更棒的是在合作後受到對方的肯定，甚至有些同事會介紹一些機會給我，甚至額外給我一些建議及資源。

隨後，當我開始有一些實績可以放進履歷及 LinkedIn後，也隨著科技業在2021/2022蓬勃發展，有愈來愈多公司找我面試，開啟了這一連串的旅程。

面試公司總表

上表是我這一路以來面試的公司列表；為了把時間點做一個區分，我把去年年底後離開Houzz後才面試的公司都用粗體，基本上沒粗體的公司是兩年期間聯絡我面談後進入面試的公司，而粗體的是我離職後主動積極應徵有面試的公司。

前期主要是透過LinkedIn檔案優化接收訊息、偶爾看到有興趣的職缺投遞為主，後期才有特地優化履歷、主動投遞；接下來來說說準備的過程及心得。

準備過程

探索方向

最一開始時，其實一直在尋找自己的定位。還在廣大的資料科學領域中釐清自己究竟要以什麼專業為主，也有考慮過是否要嘗試PM、Operation相關等更貼近商業的職位，但是最後很幸運的在面試一輪之後和工作中找到自己對實驗及因果推論等應用統計在決策上很有興趣及優勢，也發現了這樣的領域在海外就業很有市場，就以實驗及因果推論作為未來發展的領域。

成長規劃

在Houzz的期間，很感謝身邊的同事，不論是同為資料科學家的同事還是熟悉實驗的行銷或產品經理，都讓我漸漸培養起AB Testing的應用基本知識；不管是實驗設計、樣本數計算、指標定義、結果分析等，都漸漸在同事的指導及自我學習之下慢慢成形。

之中不免一直有著冒名頂替者症候群在發作，認為自己在一開始面試上Houzz完全是靠運氣，自己沒有足夠的能力做好這份工作，最後在掙扎已久後，理出「就算我不夠格，我了解怎麼補足就好了」的決心，在工作之外不斷閱讀文章及上課後，開始有越來越有概念，可以在開會時侃侃而談。

其中儘管在面試Booking.com時，面試考Analytics Case Questions時，我可以設計出實驗、定義指標、提出驗證方法及評估方法來回答，也得到面試官很好的反饋後獲得一個非常好的Offer，但我心裡知道自己底子不夠，可以在Houzz的工作環境下有更好的學習及成長，而拒絕了這個誘人的機會。

所以在拿到Offer卻決定留在Houzz後，開始訂出自己的成長規劃，列出在公司想做到的事及自己想進修的領域。

• 公司內 — 從零到一的自我發起的專案 (CTR Heatmap Tools Development)

基本上在過去Amazon及樂天，我也都有做過類似的專案，透過發現重複性高的工作程序後，提出解決方案來自動化；然而這次比較不同的是為了先實驗來證實團隊有這樣的需求，我先是做出了一個MVP (Minimum Viable Product)來讓大家試用，蒐集了許多正向的反饋後來獲得電商部門VP的支持；最後也在完成後獲得了許多部門主管的讚賞及使用。

這個專案後來也在面試時成為我時常拿出來使用的案例；只要面試官需要我分享我做過最驕傲或是影響力最大的專案，我都會用這個案子來分享。

• 自我學習

統計學的基礎觀念 — 從頭打起基礎，把我不熟悉的統計理論(Central Limit Theorem/Normal Approximation等)及不同實驗方法(T test/Z test/Anova/Chi-square等)全部複習並用公開資料來練習。

量化分析方法 — 從非軟體業而是社會學及經濟學的學術角度來了解量化分析及實驗帶來的結果及分析方法，進而引用到工作的場景中。

而也在Houzz找到了一起專研同領域的好夥伴，一起分享著資源及面試考題等，讓我在工作後期混亂無章的日子裡依舊有著不少進步及成長。

離開Houzz後

在有了明確的目標領域後，我也藉著裸辭後到澳洲度假，在那裡放鬆的日子讓我更清楚自己想要的生活模式。所以就在設立了「想找一個英語系的多元城市生活」和「持續專精在實驗及因果推論的工作」下，從澳洲回到台灣來專心求職。

投遞職缺方式

由於明確了想找海外工作的這個目標，我的求職平台完全集中到了LinkedIn上，搜尋的地區也就集中以EMEA (Europe, the Middle East and Africa)、北美、澳洲。

還在Houzz的期間，由於還不是很積極地看外部的機會，主要是LinkedIn上接到有興趣的職缺才會去面試，在職期間兩年收到三十間公司的邀約，面試了其中的二十間左右；這段時間主動投遞的職缺都是有興趣且有信心會有面試的，因此投遞的職缺數量不多。

而在離開Houzz後，再度回到我所熟悉的海投戰術，基本上有興趣和有機會的兩個條件下，符合其中一個我就會投；因此，半年左右投了不下一百個職缺。這段時間也因為求職市場沒那麼好的情況下，LinkedIn上收到的招募訊息變少以外，大多國外的職缺也不再提供簽證了。

自己比較少找內推，除了有興趣的公司本來就有熟識的朋友以外，其他的職缺都是靠自己海投為主，整個階段找下來的內推不超過五個，而內推後有面試的也只有兩個。

履歷優化 — 第一輪

我先是把履歷分為兩版，一版是BI Engineer & Analytics Engineer focus，內容專注在利用Dashboard和工具開發來優化實驗效率及結果分析效率；另外一種就是專注在應用不同實驗方法在商業上的應用。

把所有做過的案子都列出來，依照對於這兩類的職缺去分類之後排入兩版履歷之中；但其實在兩版之中，你還是需要平均分配一下各項技能的權重，確保兩版履歷中都有涵蓋需要的技能，且應用到相同技能的重複專案，我只會挑一個影響力大或是好講的案子放入履歷；舉例而言，我做過超過五十個AB Testing相關的專案，與其放兩、三個到我的履歷中，除非我應用的方法不同 (Ex: Frequentist vs Bayesian)，不然我只會挑其中一個放進履歷中。

基本上我找的職缺可以算是Data Analyst或是Data Scientist — Analytics，但市場上當然還有很多不同的名稱，包含Product Analyst、Insight Analyst等其他名稱；因此，我在搜尋時，關鍵字基本上是Analytics或是AB Testing來找職缺。而這類職缺要求的能力包含：實驗相關能力、Business Intelligence (Dashboard)、統計知識、數據分析、商業理解能力等；而工具技能則是SQL、Python或R、Tableau (BI 工具)等。

而在這些基本要求能力外，你會發現有一些加分項是你也可以加進履歷的；例如：機器學習模型開發、ETL Pipeline (Data Engineering)、模型部署 (Model Deployment)、大數據工具知識 (Hadoop/Spark)、雲端生態 (AWS/GCP)等。

因此，你能在一頁式履歷中有效率、好閱讀的情況下，涵蓋愈多技能、同時又展現專精的領域和影響力時，你的履歷就愈好。

求職中的AB Testing

這個方法是我一直以來求職時，驗證自己的履歷是否夠好的秘訣。

基本上我會把投遞的職缺分為 S、A、B、C 四個等級；C是面試可有可無的職缺，基本上石沈大海我也沒關係。B是我蠻有興趣，希望有面試，但是得失心不會太重的職缺。A則是我很想要，有面試則會積極準備的職缺。最後的S級則是夢幻型，我只想用最好的狀態應徵，拿到面試就會全力去準備的職缺。

在這樣的分類下，我會在履歷優化的過程中，先以 A/B/C 三類職缺來依照 1:2:3 的比例先投遞一輪。基本上以每個月為一輪，盡量投遞30~50個職缺後再來觀察有多少回覆。一輪結束後，看看這樣的回覆率是否滿意，跟以前求職的回覆率稍微比較後，再來調整履歷，進行下一輪的測試。

前後兩輪就可以比較回覆率來知道你優化履歷的方向是否正確。當然，你也可以真的去跑統計驗證來看看這樣的差距有沒有可信度，但因為樣本數低的情況下，我更依靠質化分析面，去體感面試官和人資對我的態度來了解我的履歷耀眼度。

這一階段的履歷優化後，基本上回覆率上是10%左右，屬於可接受的範圍。

履歷優化 — 第二輪

由於有些我覺得我蠻有把握的職缺，並沒有通過履歷篩選；雖然我不確定是否是因為需要簽證的關係，但我覺得可以再進行一次優化。

這次我先試著把我最想要的職缺全部挑出來，然後把他的要求及工作內容以關鍵字的方式全部記錄下來統計，基本上會發現儘管我是找實驗及因果推論相關的工作，但還是避不了會有一些額外的要求或是我覺得履歷裡沒有提到的關鍵字；例如：Bayesian、Modeling、Model Deployment、Define Metrics、明確用了什麼因果推論方法等。

所以我再一次重新分配了一下履歷的重點以及放入不同的專案，讓我的履歷可以強調我有Frequentist、Bayesian、其他因果推論等不同統計方法，訂定指標來設計報表、主動發起開發機器模型來優化產品功能等不同能力和經驗等，凸顯我從零到一、持續優化、不同場景應用不同實驗方法的各種能力。

而這一次在優化後，很快就發現回覆率明顯地上升到20%左右，也讓我就以這一版履歷開始了海投。

面試

基本上我面的這些公司都有一定的規模才會願意提供簽證及搬遷費，所以公司的面試流程也制式化，基本上流程是：
- 審履歷：是否符合他們尋找的能力及經驗
- 人資或主管面談 Screening：了解過去工作內容及為什麼選擇這份工作等
- 線上測驗 或 面試現場考程式：以我應徵的職位來說就是 SQL + Python
- Case Question、技術面試：主要測試你的分析、實驗設計能力
- Behavior Question：過去專案經歷及團隊合作、溝通能力等
- Cultural Fit：依照公司重視的核心價值來理解是否適合公司文化

面試第一輪檢討

離開Houzz前，由於市場狀況還沒有太糟，因此沒有感受到很嚴格且競爭的氛圍，所以先姑且不論。但在離職後，前期拿到的十幾間海外職缺面試，都在面試前三關就被刷掉，讓我自己有些挫折。

但也了解市場現在十分競爭，僧多粥少且還需要額外簽證及搬遷成本的我，勢必需要有更好的表現才可以進入到後半段的面試；所以我把面試問的題目都記錄下來，也分類為我覺得回答好的題目跟不好的題目來進行檢討。

面試優化

可能因為我面試的職位基本上都是要求工作經驗五年以上，面試的題目不再像以前一樣寬容、只要提出實驗方法、定義指標等等，面試官就會滿意；而是有更深一層的追問，讓我因此在一開始的面試被刷掉了不少次。

先從人資面談說起。自我介紹的部分，不能只是單純講你待過哪些公司、做過哪些工作等；我的做法是：
- 從我第一份工作開始簡述我從製作報表切入分析產業，開始提供一些優化的建議
- 轉職到日本做Data Scientist後，開始接觸不同的機器學習演算法及更廣的資料科學領域
- 最近期的Houzz則是和我申請的職位類型相似，主要和產品經理及工程師合作於指標定義、分析優化產品的機會、利用實驗及其他因果推論方法來驗證新產品功能是否有提升表現、解決問題等

這樣的自我介紹給了蠻多點讓面試官可以追問，例如：描述做過的其中一個實驗場景、使用過什麼樣的因果推論方法等。讓面試官可以快速看到你每份工作的成長以及符合這份工作的特質，因此熟讀職位的能力要求就會十分重要。

當然，在你說出上份工作和這份工作的內容相似時，就也很容易釣出一個問題：「那你為什麼對這份工作有興趣？」；當你已經預期了會被問到這個問題時，就比較好準備。我的作法通常會從不同產業、更大的Data組織、不同國家文化這三點來切入，表示我想有不同的學習、更多成長空間、多元文化帶來的刺激等，來凸顯我想有的成長。

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

線上測驗及程式考試的部分，我不會多講。基本上除了網路上都可以找到的SQL題目以外，分析類的Data Scientist題目可能會多考你：如何使用Python 或是 R 來寫一個計算ROC Curve的function 或是 給你一個資料如何按照指示來處理及計算不同的統計數值等。

以不到五年的工作經驗要求來說，題目難度練到Medium等級就可以了，但五年以上的職位，就開始要有Hard的等級。

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Case Question、技術面試的部分，基本上問題會給你一個場景，讓你設計出分析方法、實驗來解決商業上的需求；但對比以前，現在的面試官不會滿足於這樣教科書的回答，而是追問不同的困境，例如：樣本數不夠的時候該怎麼辦、如果不能跑AB Testing的話你會怎麼建議、由於不同的商業模式，實驗的樣本單位不能是使用者該怎麼辦等等。

這部分除了從我回答不好的題目庫來練習以外，擔任 Exponent 的面試教練真的幫了我很多。由於 Exponent 提供了很多面試題目給我，讓我選題目來錄製模擬面試影片；所以在準備的過程中，我特地挑選我自己面試會遇到但不熟悉的題目，並且為了錄影而準備的額外仔細，甚至會預想面試官會有哪些追問，來準備我的回答。

這種針對題目寫下回答並且預先猜測面試官追問的方式對於 Case Question十分有幫助；儘管聽起來是很一般的準備方式，但我很推薦大家可以上網多蒐集題目，挑選自己高機率會遇到的題目來用這個方法準備。

除此之外，建議也可以多閱讀 Tech Blog，尤其是那些可以解決你蒐集的面試問題的文章。我自己在記錄了我回答的那幾題問題後，我主要是尋找有公司分享他們針對這種問題的解決方法，之中包含但不限於：

• 解決樣本數不足、加速實驗速度：Bayesian Statistics or CUPED
• 無法以使用者為單位跑AB Testing：Geo Testing
• 不能使用AB Testing等實驗方法時：Difference in Difference

數據旅人-FB

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Behavior Questions 和 Cultural Fit的部分我並沒有額外準備，單純是靠著大量面試累積下來的經驗以及觀察面試官的反應來應對。唯一要說可以特別準備的部分的話，主要是公司的Career Page裡的資訊，公司是否重視分享資訊或是尊重多元文化溝通等，從公司列出來的 Core Values裡來了解，面試官想聽到你特別強調哪些合作或是心態的特質。

集中面試

這次我求職還有一個心得就是集中面試的類型及產業。

頻繁且持續的面試實驗相關的職位，讓我在短時間內經歷十幾場面試都專注在這個領域下，面試的題目就會開始重複，而你也更好持續的優化你回答這些問題的方法。光是樣本數不足該怎麼辦的這個問題，我這幾個月的面試就被問過不下五次。

而另外一點就是集中產業，我這次面試的很多公司都是做食物外送，包含 Uber、Foodpanda、Grab、Doordash、Bolt 和 Talabat（基本上好像只差Deliveroo了，所以我猜食物外送的需求跟市場持續成長中）。所以我在面試的途中，對這個產業的理解愈來愈多，也讓我後面的面試可以凸顯出我對這個產業的理解以及分析及實驗可能會遇到的問題。

所以也很推薦大家如果可以集中產業和工作類型來面試的話，會更加事半功倍。

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

面試的部分就先告一段落，如果想知道更多細節的話可以參考下列文章。

數據科學家/資料分析師 面試經驗分享 Data Scientist/ Data Analyst Interviews Experience

2021海內外數據科學、資料分析求職全攻略(壹) — 成績單、攻略、資源

如果是從零開始的人，也推薦我做的線上課程：

抉擇時

對我而言，這次的求職除了找工作以外，也算是找自己接下來一段人生的生活模式及環境。因此，我更多的是思考，工作、國家、環境、生活的各個面向是否都符合我的預期，這趟旅程是否會讓我感到興奮？

國家及城市

由於是找海外工作，基本上我需要考量目的地城市及國家的各個層面來做考量，這邊列出我自己主要考慮的幾個點：

經濟：這部分除了國家財政以外，我最在意的點莫過於所得稅及社會福利。歐洲許多國家的所得稅在不高的門檻後就開始了近乎50%的稅率，例如德國的年薪八萬和年薪十萬在扣完稅後，差距大概只有一萬，另外的一萬都拿去課稅了。而像是荷蘭對於外國人，前五年提供所得稅七折的政策，就會對我來說更加加分。

治安：由於台灣不管怎麼說都相對歐美安全，因此我會希望可以找相對治安好的地區，這樣不管是晚上一個人回家還是找租屋處時，都可以放心許多。

伴侶：如果有要帶伴侶一起出國的話，就必須也要考慮到對方的部分。我主要考慮的是生活、社交、工作等三個層面；這也是我沒有特別考慮日本的原因，我自己親身體驗過語言不通的情況下，生活有多困難，所以明確的就是瞄準了英語系國家來找工作。

公司及工作

雖然我愈來愈注重生活，但工作和公司對我來說還是十分重要，能找到一個我有興趣的產業、公司，工作內容也延續我的專業和熱情的話就再好不過了。

公司：基本上我對於公司最注重的除了產業是否有成長及我是否有興趣以外，就是員工的評價。基本上我都是用Glassdoor和Indeed上的評價交叉比對；近幾年竄起的Team Blind上由於是匿名的，也可以找到很多資訊，但由於在矽谷比較盛行，所以上面有的公司有限。

這些網站上都有明確的分類，讓你了解各項指標的評分，也可以讓你進一步依照職位類型來過濾大家的評價。

薪資：薪資的部分更可以直接利用Levels.fyi來找公司的薪水資料，上面也可以直接查到各個城市的薪資分布，讓你參考你的公司薪水在該城市的落點大概在哪。而我在面試歐美職缺時，人資大多會主動跟你分享這個職位的薪資預算大概落在什麼範圍，可以直接為你省掉很多功夫。

詳細的使用方法可以參考我之前在台灣資料科學社群的分享：

職涯成長：我自己這次比較偏向找公司數據部門比較大且健全的組織，原因就是因為我希望如果我真的要拼升遷的話，有空間讓我成長上去。我傾向直接搜尋我的面試官及團隊成員的LinkedIn來驗證；我最理想的就是看到下方截圖這樣持續有在升遷及擴展工作範圍的公司。

因此，這部分除了看上述網站員工評價以外，我更相信我在LinkedIn上看到的這些跡象。

Work Life Balance：由於出國工作很大的一部分就是為了旅遊跟體驗當地文化，如果都被工作淹沒的話，我就只是一個沒有感情的賺錢機器。因此，我很看重員工評價對於工作量的想法，面試時也會間接地去詢問每週工作時數或是休假天數等指標。這也是我把目標放在歐洲的原因，歐洲的年假一年都是二十多天起跳，人資和面試官也都蠻開放的表明公司的工作量不會太大，甚至有公司直接跟我說每週的工作時數大概三十個小時。

生活

而這次的海外求職，很大一部分還是因為我希望可以有不一樣的生活體驗；因此，我必須說目的地國家的生活、周遭旅遊等，對我就也跟工作同等重要。

生活開銷：這部分基本上來說是以Numbeo的城市比較來參考，這篇分享中也有提到實際作法；對我而言，我希望收入扣掉所得稅後，生活可以有比較多的餘裕。

當初搬到日本時，沒有考慮到太多這個層面；因此，實際生活下來，如果我平常開銷沒有特別節儉的話，基本上會沒有任何儲蓄。當然，我也做好出國工作當作旅遊，目的不在儲蓄；但我希望生活是可以有餘裕去享受娛樂及旅遊的。

日常娛樂：首先，我最先確認的莫過於城市中有沒有我近期最喜歡的攀岩場館。我希望可以延續下去這個嗜好，所以這算我的首要條件之一。除此之外，我希望城市周遭可以有愈多地方探索愈好；所以初期我最理想的地點是英國，倫敦周遭可以有很多小鎮讓我去探索。

居住品質：治安、租屋品質等是我最要求的，希望在城市走動不會有太多的擔憂，也希望住的房子可以是舒服、甚至是新房等。一部分可能是因為在墨爾本租屋時，大樓就有健身房、泳池及桑拿，讓我很喜歡，才會希望可以繼續住在這樣的大樓。

旅遊：一部分也考量到公司的遠端制度及休假數量多寡，但主要還是考量工作的城市周遭的旅遊目的地有哪些、交通的便利性及成本等。這也是我把目標放在歐洲的另一個原因，讓工作期間可以同時多探索歐洲的各國。

談判

簡而言之，不管在哪生活，錢都可以解決很多煩惱。不論你再喜歡一間公司或是一個城市，你都會有很高的機會覺得你的薪水要是再高一點就可以少些煩惱。因此，強烈建議不管一開始公司給的薪資如何，都嘗試談高一點。

最簡單的方法就是用其他offer去競價，我也多虧之前有面試到其他間公司，由於面試表現很好而拿到不錯的薪資，才可以拿來跟我喜歡的公司競價出更滿意的薪資。

除了薪資以外，如果你跟我一樣是要搬遷到新城市，機票、初期住宿、搬家費及物流等都是可以談的；所以也不要虧待了自己，嘗試去談到更好的補助及幫助。

總整理

默默地這篇文章就寫了不少東西，在這邊整理一下整體的策略及心得。

訂定目標

之前讀的一本書 Passion Paradox 說得很好，你可以找出目標後規劃出達成目標需要做到哪些事情，然後有沒有達成目標就不一定是你可以掌握的了。但對我而言，找出這個目標算是很重要的。

找出理想的職位後，就會需要考慮需要的能力和你的能力的差距；有哪些技能和工作經驗是需要去累積跟學習的，明確列出需要去做的事情後就差執行了。

而生活部分的話，我覺得盡量不要限縮在一個國家，要盡量保持開放的心態；我起初因為很喜歡澳洲，把目標侷限在澳洲後就會很受當地市場和經濟影響。澳洲在全球經濟之下影響很大，尤其是有在發簽證的公司像Canva，就暫停提供簽證了好一段時間。而當時我就會比較焦慮，擔心要等澳洲復甦不知道會等到什麼時候。但一轉換心態之後就覺得可以先去探索其他地區，過幾年澳洲復甦之後還可以再嘗試看看。

因此，找到喜歡的風格、文化、符合的工作類型及產業、足夠舒適過生活的水平就可以列出符合你的目標地區出來。

付諸努力的過程

這部分許多文章都會提到，但我自己主要想強調的莫過於：從結果倒推，盡量以測試的方式代替土法煉鋼。

與其卯起來學習、寫題目等，我會更建議每一段時間就去面試來感受自己的進步跟調整方向。科技業變化快速，很多時候業界的需求可能會一直調整，唯有一直面試才可以保持你的靈敏度及清楚業界現在常見的需求及面試題目等等。

整個過程也盡量多看多考慮，很多時候你並不看好的機會反而可能會是最適合你的，保持開放且彈性調整都會讓你少掉很多壓力和不必要的煩惱。

整個過程的心得

由於我去年底決定了裸辭，先以職涯空窗期的方式沈靜自己，而面試中不免俗會被問到這部分。歐美的公司面試的問法比較像是詢問我有沒有更清楚我想追求什麼，讓我去解釋我想追求的是怎麼樣的工作及生活。所以這個過程中也會更讓我釐清我對自己未來生活的想法及心態。

然而還是有亞洲公司是用質疑的方式來說如果我工作繁忙就需要休息的話，是不是不適合我所面試的職位。我覺得有考慮職涯空窗期的人看到這也不用急著擔心，讓我來跟你說說我的心態和想法。

當我被以質疑的方式問到，雖然我會感到有些冒犯，但也可以理解對方的擔憂。與其馬上退讓，我其實蠻直接的表示我的職涯中不是第一次忙碌跟有挫折，但如果我需要一些休息及思考的話，與其莽撞跳槽到下一間公司，真的釐清自己的想法才是更重要的。而這樣的講法也讓我順利地進到下一關。但是，我對於這樣的公司並沒有太好的印象。

我的心態並不覺得裸辭空窗期對我職涯產生了負擔，而是更開心我有著一顆試金石可以讓我快速驗證哪些公司適合我的價值觀，而哪些公司不適合。如果有十間公司會因為我的能力錄用我，之中又會有多少間認同我的價值觀呢？而我的空窗期直接幫我過濾掉了這些公司，幫我免於可能進入到不符合我價值觀的公司，可能甚至免了一段痛苦的日子。

因此，我十分希望大家如果很清楚自己做每件事的目的及價值，儘管他不符合社會規範及期待，就勇敢的去做吧！成功並沒有一定的模式，但失敗有，那就是放棄。

尾聲

最後也很高興的要跟大家分享，我在這次的求職中找到了自己的下一個目的地，也就是杜拜。求職中很意外的找到 Talabat 這間在中東的食物外送公司在招 Data Scientist，起初他們在一兩年前找過我面試，但當初並沒有多談；而是在這次求職時跟朋友聊到了杜拜沒有所得稅時，才想到有這間公司而去投遞了履歷，卻在面試時深深被對方吸引；不管是面試官的問題有深度或是公司數據部門的完善和食物外送有趣的商業模式等，讓我覺得：同樣有機會到歐洲，但會少掉一大半的薪水去繳稅，或許在杜拜體驗不一樣的生活，閒暇時再到歐洲旅遊會是更好的一個選擇。

而由於距離簽證下來到出國還有一段時間，想藉由我剛經歷完的這一波求職的還記憶猶新，多跟大家分享這些資訊。在這邊跟大家分享幾件我趁這段時間會做的事情。

線上講座

我打算開設三種主題的講座，分別是履歷撰寫及優化、AB Testing實驗解說、海外求職Q&A三個主題。想知道各個主題詳細會有哪些內容的話可以參考這個投影片。由於我會付出額外的心力和時間來準備內容，因此講座都是收費才可以參加的，但我盡量以平易近人的價格讓有興趣的大家可以不會太有負擔。

講座的部分一場90分鐘；人數最多三十人，來確保大家有問題我都盡量可以回答道，額滿的話會再加開場次。早鳥的話，一人1200台幣，後續報名的則是1500台幣。

欲報名及詳細課程內容，請參考投影片及報名連結，課程時間及付款方式將會在填寫報名表單後以Email方式寄出，再請大家留意信箱及垃圾信件夾。

一對一職涯諮詢

這部分是我一直都有在做的，會針對你個人的需求及狀況有更直接的建議以及服務，其中包含履歷健檢、職涯諮詢、模擬面試等，詳細可以參考我的 LinkedIn 服務業面。

由於我會事先了解你的狀況來去準備功課，職涯諮詢的價格會相對的高，一小時的諮詢是4000台幣，第二小時九折、第三小時八折、第四小時之後每小時3000台幣。

如果有明確目標，但希望可以有更清楚的建議及資源的話，歡迎透過 LinkedIn 服務業面的聯繫方式跟我預約。

線上課程

如果是剛踏入數據領域或是想要全面性的導覽的話，推薦可以從我過去一年錄製的這堂課程開始

課程從分析類的工作類型及場景到分析工具、分析方法及面試問題都包含，適合剛進入分析領域 或 工作1~3年的分析工作者。

結尾

雖然這應該不會是我最後一次求職，但讓我感覺到是一趟旅程的開始。不管我在杜拜住的是否適應，都希望可以愈來愈接近自己喜歡的生活方式。在這邊藉由跟你們分享我的心路歷程，希望可以有一些幫助。

在經歷了很多之後，我更加意識到：「雖然我們窮極人生一大段的日子就為了有一份好工作，但工作不是生活的一切，而是讓我們追求理想生活的一個手段。」；因此，希望即使你因為工作感到焦頭爛額，不要忘了自己是為了什麼在努力，大家共勉之。

接下來，也會持續分享各種心路歷程，歡迎大家追蹤新創立的粉絲專頁！

※本文由 Marcus 張為淳 授權勿任意轉載，原文《從加入Houzz以來 — 12個國家、五十多場資料科學、分析面試經驗總結》

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

[elementor-template id="118812"]

這篇文章 【學長姐帶路】經歷多場資料科學、分析面試經驗 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

原標《資料科學面試經驗（ Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐商業銀行）》

文／Z.E.Y.

壹、背景

⒈　國立清華大學－工學院學士班 　　

第一專長：化學工程學系 　　

第二專長：工業工程與工廠管理學系

⒉　國立成功大學－工業與資訊管理研究所

⒊　國立成功大學－統計學課程助教

貳、自學資源 ㄧ、數學相關知識

⒈　線上課程

①　高婌蓉教授－微積分

②　莊重教授－線性代數

③　鄭少為教授－機率論 、鄭少為教授－統計學、鄭少為教授－數理統計

⒉　教科書

①　S. L. Salas , G. J. Etgen , E. Hille - Calculus: One and Several Variables ②　S. H. Friedberg, A. J. Insel, L. E. Spence - Linear Algebra ③　K. Hoffman and R. Kunze - Linear Algebra ④　K. Hrbacek, T. Jech - Introduction to Set Theory, Revised and Expanded

二、資料科學相關知識

⒈　線上課程

①　林軒田教授－機器學習基石 、林軒田教授－機器學習技法

②　李宏毅教授－ Machine Learning (2016~2021)

⒉　教科書

①　P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar - Introduction to Data Mining

⒊　工具書

①　B. Lubanovic - Introducing Python

②　J. VanderPlas - Python Data Science Handbook

③　A. Géron - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

④　Beighley, Lynn - First Head SQL

⑤　洪維恩— C 語言教學手冊

⑥　程杰－大話資料結構 　　

參、準備方向

一、程式 　　

根據面試經驗，程式相關面試考題主要針對 Python 。因此，程式相關筆試題目大多為 Python 語法。程式設計方面，則是參考 LeetCode 考題，難度大概落在 Easy 、 Medium ，並且專注於非動態規劃問題。 　　

根據上述，我認為將 Python 作為主力程式語言以熟悉語法，並以 Top 100 Interview Questions 作為練習。如此一來，便可以應付大部分的面試問題。然而，對於比較偏重工程的公司，這樣的準備方式可能遠遠不足。因此，可能需要其他版友的心得分享了。

二、機器學習理論 　

關於機器學習理論，我將林軒田教授、李宏毅教授在課堂上教授的觀念，以及在研究所學到的資料探勘、機器學習所提到的概念精讀。包含模型的數學、統計學概念、概念間的關係等等。而在串接這些理論概念，所使用的數學工具，都可以在鄭少為教授統計學、莊重教授線性代數中學到。 　　

然而，我認為這些理論不需要太深入地研究。主要原因是所花費的時間成本過高。再者，實際在面試時，對於機器學習的概念講解得太深入，可能會面臨兩個問題：面試官可能不那麼在乎數學理論，僅以任務完成為優先；太過理論會讓面試官認為你對工程沒有興趣，甚至擔心是否只對理論感興趣，無法適應業界。因此，我認為對理論背後的數學，可以稍加研究即可，不需要完全記憶模型的推導過程、統計理論的支持等等。唯在推導過程中，使得推論成立的條件必需稍加注意。

三、數學 　　

在面試過程中，可以發現統計學的重要。甚至某些公司對於統計學的要求，不是理工科所開設的統計課程能夠支撐。因此，我認為如果想要將統計學運用在工作中，數理統計是基本要求，機率論則是理解統計學重要的理論，因此建議如果希望透徹了解模型背後的意義，機率論與統計學必須有一定的掌握。 　　線性代數在面試過程中，出現的頻率不高。比較重要的部分，我想是矩陣分解、逆矩陣相關概念。學習線性代數，我很推薦參考 K. Hoffman 與 R. Kunze 所著的教科書。研讀完這本書，能夠以較高的觀點理解這些理論。

最後，我推薦 K. Hrbacek 與 T. Jech 所著的集合論。這本書大大地改變了我對於數學理論的想法，也讓我更理解數學理論是怎麼被建立、發展的，對於學習理論有很大的幫助。 肆、面試經驗 　　碩士論文與集成演算法相關，因此面試官提問大多集中於集成演算法之上。

一、程式測驗

⒈　 Python ：

語法。 例如：類別、 map 函數、 zip 、迭代生成式、各個內建資料型別比較。

⒉　程式設計： LeetCode Easy 、 Medium 、 Hard 。 例如：迴圈與遞迴生成數列級數、排列、組合、快速找出連續數列中任意移除的一個數值、迴文判定、 N 個 Skip List 所構成串列找出同時出現 K 次的元素、串列中找出差值為給定數值之資料對、 N 皇后。

⒊　 SQL ： LeetCode Data Base Easy 。

二、數學測驗

⒋　數學：離散數學、線性代數、機率論、數理統計。 例如：基本矩陣乘法、重複組合、期望值與變異數之間關係、條件期望值、條件變異數、各色數理統計概念。 三、機器學習測驗

⒌　機器學習：資料探勘、機器學習、深度學習。 例如：集成學習基本模型與多樣性測度之間關係、多樣性測度監督集成學習之意義、狄氏先驗引入貝氏分類器之意義、介紹決策樹、隨機森林、 LSTM 及其所解決之問題、 XgBoost 與 LightGBM 之差異、 Dropout 意義、如何從無標記資料中萃取資訊、資料探勘關聯分析、如何驗證實驗結果中提升的顯著性、資料量與特徵數量之間的關係、 L1/L2 regularization 差異與選擇、何謂 Bert 、何謂反向傳播。

四、各公司面試經驗

⒈　 Taboola 　　

一開始會是由人資進行聊天，之後會與台灣研發中心的工程師進行基本能力的確認。之後，便進入測驗。測驗時間可以自行決定，拿到題目之後會有五天的時間進行作答。題目包含兩題統計、兩題演算法、一題推薦系統。統計問題包含第一題的期望值與變異數之間的關係、第二題的條件期望值與條件變異數。其中，第二題統計題會存在某些狀況，是在條件屬於某個數值時，沒有資料被搜集到，因此必須要想辦法解決此問題。另一個細節，則是如何使用統計方法進行資料的分群，這些資料的期望值為分段函數，因此必須使用統計檢定進行判定。第三題則為 N 個 Skip List 所構成的串列，找出同時 K 個同時出現的元素。第四題則為快取的設計。最後一題則為推薦系統的設計，在給定文章之下，預測推薦商品點擊率。完成作業後，便會約作業討論。面試官會在你講解完題目後，開始問更多細節問題，例如：推導變異數之間的關係等等。最後，則是介紹公司的主要工作，以及請你給予面試的回饋。 　　

雖然這間公司很強調數學，不過對於工程能力更要求。因此，我想此職缺比較適合電資學院畢業，又擅長統計的版友挑戰。主要工作為推薦系統架設、自然語言處理等等。工作分配方面，是依照個人能力分配。整體來說，是一個極具挑戰性的公司，很適合對自己有期許，又剛好對推薦系統有興趣的高手們挑戰。

時程：

Ｄ＋　０：面試邀約 Ｄ＋　１：人力資源部門面試 Ｄ＋　２：台灣研發部門面試 Ｄ＋　７：作業 Ｄ＋１４：作業面談邀約 Ｄ＋１６：美國研發部門作業面談 Ｄ＋１９：面試結果

⒉　台達研究院 　　

一開始是由工程師面試，自我介紹與碩士論文、專案報告等等。此部門是針對作業研究的研究院，非資料科學的研究院，所使用的人工智慧技術僅為強化學習。 　　

工作內容也是針對台達電子進行服務，偶爾接外部的研究題目。工作主要就是大家一起討論解方，並且實作概念。

時程：

Ｄ＋０：履歷投遞 Ｄ＋３：面試邀約 Ｄ＋５：面試 Ｄ＋６：面試結果

⒊　工業技術研究院／綠能與環境研究所 　　

一開始便進行自我介紹、碩士論文報告與專案報告，之後便會針對內容提問。包含如何驗證實驗結果、技術與模型的選擇依據。提問完後，便開始聊背景、學習歷程等等，並且聊到機器學習、統計學之間的概念。此部門主管是一個沈穩的長者，對於面試者，我想他們更期待找到一個具備學習能力的人。 　　

根據部門主管所提，本部門是接台電的計畫，進行一些預測、決策等任務。感覺工作內容相對比較單純，而進行專案時，也會是部門拉人進來一起解決問題，而非分組進行個別專案的開發。可以感受到此部門風氣相當好，在這裡工作我想壓力應該會相對低許多。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　５：面試邀約 Ｄ＋１１：面試 Ｄ＋１１：面試結果

⒋　群聯電子 　　

一開始會測驗 Python 語法、機器學習概念與 SQL 情境題。接著就是自我介紹、碩士論文報告與專案報告。會針對報告內容提問，也會滿仔細的確認每一個概念的正確性。接著是小主管面試，包含一些人格特質問題、壓力排解等等。最後則是大主管面試，包含對於這份職缺的熱誠等等。我認為本部門相當注重面試者的感受，也希望員工都可以有好的狀態。值得注意的是，面試題目都會以簡單的點切入，然後深入的問問題。並且，面試官都會在回答後，加上一句：「對於此問題還有什麼需要補充的嗎？」，我覺得這樣的測驗方式相當高端，因為對想法很多的面試者，可以在此補充。這樣相對沒有標準答案的問題，更容易檢測出面試者是否有把整個機器學習的知識架構建立好。

時程：

Ｄ＋　０：內薦 Ｄ＋１３：面試邀約 Ｄ＋２３：第一次面試 Ｄ＋２４：面試結果 Ｄ＋３１：第二次面試 Ｄ＋３９：面試結果 Ｄ＋４２：電子錄取通知書

⒌　仁寶電腦 　　

一開始也是自我介紹、碩士論文報告、專案報告。接著會針對內容提問，包含使用各項技術的原因、演算法中某項選擇設計的原因。接著，則是報告測驗題目。該題目為競賽題目，要在一週內完成，因此難度不低。並且，因為資料量不小，如何處理這樣大量資料的問題，是一個困難點。此測驗主要目的還是檢驗你對陌生資料的掌握，以及如何處理大量資料。 本職缺主要的工作是做異常偵測，另外還有自然語言處理、影像辨識的團隊。此部門就專注在解決公司問題，不像研究院有對內與對外兩種任務來源，對於想專心做好資料科學的版友，應該是一個選擇。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　５：面試邀約 Ｄ＋１３：面試

⒍　英業達 　　

此部門為數位長新成立部門，更加專注在資料上的處理。技術長認為資料有好的處理，才可以有好的結果。此部門為研究單位，也是針對內部的問題進行解決，但也會花部分時間進行研究。主要的工作內容，是每一個員工都主持一個計畫，然後再與數據長進行討論。數據長非常希望可以幫助到每一位員工，因此計畫部分只要能夠幫助到公司，基本上都不會阻攔。但是，因為每一個人都需要主持一個計畫，因此研究能力、實作能力、數學能力都十分要求。這也對應到此部門的面試方式，此部分留待後面說明。整體來說，此部門真的很推薦想要學到技術的人進來，當初與我面試的面試官就是數學背景出身，也有在大學教課。在他身上真的可以看到很多值得學習的技術，如果對於增強自己有期待，或許可以來看看。 　　

面試過程十分地長，包含與數據長聊天的一小時，總共會需要四個小時的時間進行面試。

①　數據長面談 　

數據長會與你留你過去的經歷，然後要你提出一兩個自己最自豪的經歷。我選擇我的碩士論文。在聊天過程中，數據長會當場為你的碩士論文提出建議，但卻不失尊重、禮貌。也很能體諒身為作者，對於自己作品的保護心態。整體來說，只要你對自己的作品有信心，而且也具有一定的價值，第一關面試應該會比較輕鬆、愉快。

②　程式測驗 　　

第二關是由工程師面試，工程師會當場貼 LeetCode 題目給你，題目難度從 Easy 到 Hard 各一題。這一關壓力相對提高，因爲要當場寫題目，並且確保通過所有測資，會相對比較慌張。但是，面試過程中，面試官不會剁剁逼人，而是會在你沒有想法時出聲引導。我建議可以在撰寫程式的過程中，也提出自己的想法，以激起面試官的回應，得到更多的資訊幫助解題。

③　機器學習概念討論 　　

第三關為機器學習概念的聊天，幾乎沒有考試。從何為機器學習、為何機器學習成功、機器學習成功的關鍵、機器學習與函數之間的關係與差異、決策樹、隨機森林、梯度提升決策樹、各個神經網路簡介與之間關係、卷積神經網路與特徵萃取之間關係。基本上都是在聊天，只是在過程中會帶你檢視一遍機器學習的整個大架構，是一個非常有趣、收穫良多的面試經驗。

④　統計概念討論 　　

此面試官十分強大，是數學背景出身的博士，也有在大學教課。面試官會針對統計學的概念進行提問，包含缺失值補植的選擇依據與所使用的統計學概念、離群值的判定、如何設計一個不必然輸出離群值的檢測法、移動平均與常態分配之間的關係、探討各個估計量、共軛先驗的概念、收斂的概念等等。面試前，可能需要把這些知識複習回來。由於我在做研究時，沒有用到太過深入的統計學知識，因此這些重要而基本的概念掌握度不高。或許對於統計系畢業的版友相對輕鬆，但是對於一般工科畢業的學生，可能會相對吃力。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　１：面試邀約 Ｄ＋　８：第一次面試 Ｄ＋１７：面試結果 Ｄ＋２４：第二次面試 Ｄ＋３２：面試結果

⒎　永豐商業銀行 　　

一開始會請你介紹背景、碩士論文。技術長會深入提問，並且對於所有用到的理論，都仔細提問。因此，簡報上最好只放上有把握的技術。接著，則是程式測驗。技術長會當場定義一個概念，並且請你當場實作。由於我提供的程式碼比較簡單，所以也無法有太大的鑑別度。 本職務有七成時間在進行工程相關的工作，僅有三成時間進行研究。如果，對於研究比較感興趣的話，推薦英業達 Data Scientist 職缺。工程相關的工作，就是在解決銀行所需的功能，並將其實作。研究方面，則是研究最新模型，並想辦法實作等等。印象中，技術長有提到會有 paper 報告、讀書心得報告的活動，如果對最新技術感興趣的版友，或許可以去看看。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　７：書面審核 Ｄ＋１０：面試邀約 Ｄ＋１９：面試

伍、附件 　　

由於非電資學院畢業，所以提供主動邀約、投遞有效的公司，讓同樣背景的版友參考。 一、主動邀約 ⒈　 A10 Networks - Software Engineers ⒉　 International Business Machines Corporation - Associate Application Consultant ⒊　 NTT Data Taiwan - InsurTech Data Engineer ⒋　 Taboola - Algorithm Engineer ⒌　 Teradyne - Field Application Engineer ⒍　台灣積體電路製造－ F14A 智慧製造工程師、 Fab PC Planner 、 Supervisor 、 Supply Chain Logistic Management Engineer ⒎　麟點科技－量化研究與交易員 (Fresh Grad) 二、主動投遞、邀約面試 ⒈　永豐商業銀行－儲備 AI 科學家 ⒉　仁寶電腦－資料科學家 ⒊　台達研究院－ Al Optimization/Operations Research Scientist ⒋　英業達－ Data Scientist ⒌　工業技術研究院綠能與環境研究所－人工智慧工程師 ⒍　群聯電子－資料科學工程師 三、錄取 ⒈　禾多移動多媒體－資料探勘工程師 ⒉　帝濶智慧科技－ Machine Learning Engineer ⒊　英業達－ Data Scientist ⒋　工業技術研究院綠能與環境研究所－人工智慧工程師 ⒌　群聯電子－資料科學工程師

本文由 DCARD 網友 授權轉載， 原文《資料科學面試經驗（ Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐商業銀行）》

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】Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐 資料科學工程師 面試經驗 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。