2021 年,外商資料科學家求職經驗分享

by 好豪
Published: Last Updated on

2021 年對我而言是精彩的一年,我下定決心積極投履歷、尋找新工作,為了追求強度更高的挑戰,我幾乎只投外商職缺,從春季就開始行動、直到秋季終於落腳外商資料科學家的職位,是長達半年的旅程。

當然,我不是一開始面試就風雨無阻,相反地,我從幾次失敗經驗中不斷學習成長,最後才找到適合自己的職位。所以我寫下這篇求職經驗分享,希望跟我一樣略有工作經驗、想挑戰外商資料科學家職位的朋友們,可以少走一點彎路、為面試戰場做更有效率的準備。

雖然職稱都是資料科學家,我先非常概略地將職缺與工作內容分成兩種類型:

  • 數據分析或產品分析:主要能力需求是商業思維、溝通能力、以及統計學
  • 機器學習開發:更重視技術面向,包括演算法、建模、與軟體工程

這則筆記是我橫跨新加坡、泰國、還有台灣的外商資料科學家求職經驗分享,著重在數據分析產品分析相關職缺,而筆者機器學習開發的求職經驗未來將另外撰文分享。這篇文章將介紹我體認到面試最重視的三大面向、還有你非知道不可的面試題目,並且分享我的學習方法與資源。文章的最後,我也隨筆記下面試各公司的見聞,讓已經投履歷的朋友可以參考、有些心理準備。


聲明:基於 NDA,本文寫出的面試題都是提及關鍵考點,並沒有直接對應到任何公司的真實面試題

求職背景與結果

我是商管學院學士學歷,開始面試前,我在手機遊戲公司擔任資料科學家已有兩年半的時間,工作經驗以數據化營運策略、儀表板設計、以及 A/B Testing 為主。本業外的時間,會拿去打 機器學習競賽,都是國內賽事、沒有 Kaggle 成績。關於我的詳細專業背景,請參考我的 LinkedInGithub

以下是我 2021 年在數據分析領域求職的公司與結果,雖然有些職稱是 Data Scientist,但是以下表格都是實際內容更偏數據分析與產品分析的職缺:

公司工作地點職稱投履歷管道結果
Houzz台灣Business Intelligence Analyst內推無回應
Google台灣Product Analyst, Data Science官網直接投Offer
Shopee新加坡Senior Data Analyst – User Behaviour & Product Analytics內推Offer
LINE台灣Data Scientist官網直接投Offer
Agoda泰國Data Analyst內推主動放棄
Google台灣Program Manager, Business Intelligence官網直接投無回應
好豪的 2021 年資料科學家求職結果

面試經驗與建議

數據指標

數據分析最核心的能力,就是為商業策略找出適合的數據指標(Metric),這也是數據分析面試必定會出現的考點。指標是否「適合」,其實沒有標準答案,面試的重點在於如何說服對方:你是否知道自己選擇這個指標的優缺點?為什麼選擇使用此指標?

我認為數據指標的面試,最常會問的可分成三種類型:定義、性質、與變化。

指標定義

出現了商業問題,資料科學家需要定義出合適的指標來協助決策。通常會以情境題的方式出現:如果你是某產品的經營者,你覺得什麼數據最重要?

  • 假設 Amazon 要招攬廠商放在首頁、增加曝光,要用什麼數據來兜售這個策略給可能有興趣的廠商?
  • 假設你是 Netflix 老闆,想推出短影片觀看精華片段的功能,要用什麼指標來追蹤新功能的成效?
  • 假設你在 Uber 工作,你會在儀表板上看什麼指標?你覺得什麼指標最重要?

我們設計出的指標需要能夠與商業策略連結、並且指引出下一步該怎麼行動,我們可以用 產品價值(A-Ha Moment)來發想,例如上方的第二個例題,要提高 Netflix 的續訂率,我們定義看完完整一集影片是 A-Ha Moment、並且此影集完成率指標會提高續訂率,我們可依此檢驗提高短精華影片的點閱率是否也會提高影集完成率,如果可以,短影片的新功能就值得推出,這就是用數據引導行動的商業邏輯。

筆者喜歡用北極星指標的思考框架來發想這些指標定義,有興趣的讀者歡迎閱讀我寫過的筆記:北極星指標 — 把「賺錢」從口號化為行動的橋樑

指標性質

面試官會質疑某些數學性質造成該數據指標不夠好,你需要適當地說服對方你選擇該數據指標時做了什麼權衡(Trade-off)。

  • 儀表板監看 DAU 可能會有什麼問題?能用什麼指標改進?
  • 假設你是餐廳老闆,翻桌率是個好指標嗎?如果冷門時段翻桌率是零,會怎麼影響數據?
  • 平均數和中位數有什麼差異?什麼情境下平均數比中位數好用?
  • 想知道使用者喜歡影片的程度,至少觀看 30 秒的人數比例與平均觀看時間,哪個是更好的指標?

要回答這類指標性質的問題,我沒有很好的學習資源,我只能不負責任地說:來自於經驗累積。筆者自己從在學到工作,每次分享數據洞見、都一直都在面對來自各方對數據的質疑,非常習慣聽到「為什麼要看這個指標、不看另個指標?」這種意見;面試中被問到的指標性質,大多都在我的日常工作中也被其他人問過(或抨擊過?)。所以,我只能建議,專心工作、平常就好好練習如何應對對數據指標的指指點點。

指標變化

老闆盯著數據儀表板,發現某個數字突然變高或變低了,跑來問數據團隊該怎麼辦,這完全就是資料科學家每天都要面對的情境!

  • 某商品購買率這兩天突然變低了,你怎麼找出問題?
  • 每日指標必定會上上下下變化、究竟變化多大才值得我們額外花費心力調查?
  • 產品經理發現我們的社交軟體產品,這週的按讚人數快速下降,所以來向你求助,你會怎麼回應他?
  • 我們投放了新的廣告,APP 的新使用者明顯比以前多,我們可以立即增加預算在這項新廣告上嗎?

指標變化的題型重視解決問題的維度,你可以從數據變化的時間範圍、涉及的國家、客群類型等等角度切入,重點在於展現出自己是用很有條理的方式抽絲剝繭、找出核心問題。對於此類面試題,我個人喜歡採用的策略是:假設情境,舉例而言,我認為按讚人數的急劇下降可能來自新使用者的大量導入,在我的分析經驗裡,新使用者的平均沈浸程度相對較低,因此我會選擇從新舊使用者的客群結構開始調查。


以上筆者對數據指標問題提出三個面向,也只是概括分類、問題之間可能會有交集,但是整體而言,都是在檢驗面試者能否結合數據分析與商業思維,這些面試仰賴求職者自己的工作經驗,而如果需要有系統地補充這些知識,我認為 Hahow 上資深資料科學前輩 大鼻 開設的 《產品數據分析》 課程是最好的學習資源,除了方才提及的北極星指標,這門線上課程內容包含整個指標體系的建立,並且用個案教學如何從獲利模式發想數據策略與商業實驗,課程幾乎涵蓋了所有常遇見的數據指標問題,如果你想有效率地準備數據分析面試,這門課 十分值得學習。

要是面試在即、來不及上課補知識的讀者,Stellar Peers 的部落格 有很多範例題、以及分析模板示範,可以讓你自己練習模擬面試。


溝通能力

如果這段求職旅程重來,我會花更多心力準備溝通能力相關的面試問題。

資料科學家是需要長時間跟不同部門與不同領域專家合作的角色,技術專業與溝通能力同等重要,因此,資料科學面試的每分每秒也都在檢視你是否善於溝通合作。

筆者以下介紹四個面試常被考驗的溝通能力:履歷經歷、職場溝通、與面試官交流、以及寫程式的溝通。

講清楚自己的經歷

請精熟自己履歷裡所寫的每一句話。聽起來理所當然吧?畢竟經歷是自己的、履歷也是親手寫的。但是上了面試戰場,如果事先沒有思考、並整理好自己的經歷,還是有可能給出支支吾吾的回答、讓人懷疑你是不是對自己沒有信心

筆者常遇到的經歷相關問題包括:

  • 為什麼要做這個專案?目標是什麼?
  • 為什麼需要用這個統計模型?原本數據儀表板為什麼不足以幫助決策?
  • 這項專案用到的數據有什麼挑戰?
  • 這項專案用什麼形式呈現結果?造成了什麼改變?

回答資歷與專案經驗相關問題,許多人推崇使用 STAR 架構 來讓你以更清晰的邏輯來交代你的實力與貢獻:

  • Situation(情境):你在什麼樣的情況下、面臨什麼問題?
  • Task(任務):你面對這樣的情況,發想出什麼策略以及具體的解決任務?
  • Action(行動):你採取了什麼行動來解決問題?
  • Result(結果):你最終得到了什麼樣的成果?

此外,實際在使用 STAR 架構回答的時候,我個人會格外注意兩個要點:

  • Situation 講清楚問題的挑戰性,強調為什麼這項挑戰非我不可
  • Result 盡量用量化、有實際數字的方式來呈現戰績,並且說明的數字需反映出商業目標

經歷相關的面試,我是從 Dan Croitor 的 YouTube 頻道 學習的,他分享了很多大公司在乎的人格特質,你需要練習讓自己能成功透過敘述專案經驗、向面試官表達出自己具有他們想要的特質。

也與讀者分享我的失敗經歷,剛開始面試的時候,因為我自己很喜歡統計模型與機器學習,常常在分享專案經歷的時候,一個不小心就講太多模型架構或實驗流程,最後才發現面試官覺得這些資訊太過細節、而他們其實只在乎專案最後造成了什麼改變。因此提醒各位:不要只是一直講你會做超炫超複雜的模型,要講出你的模型提供的商業價值

舉例而言,我在面試中介紹 首次互動時機分析 專案時,我會強調數據提出什麼洞見、團隊如何參考此洞見設計新功能、以及此新功能貢獻的商業價值(KPI),至於我在分析過程所做的特徵工程、資料探勘、或視覺化,雖然我花了超多心力,也只是精簡成一、兩句話帶過。

職場專業溝通的經驗

專業溝通指的是向他人介紹自己的專業技術、以及說服對方自己產出的結果可信,專業溝通面試要考驗的是你能否順利與不同背景的人合作

  • 請介紹你被刁難過的經驗
  • 你有跟其他部門的人合作過嗎?遇到過什麼困難?
  • 你與其他分析師意見不合怎麼辦?又如果是跟你的老闆意見不合呢?
  • 會議中有人反對你的數據提案,你會怎麼做?
  • 你的老闆會看懂你的統計模型嗎?如果他不懂、你怎麼說服他採用你發掘的洞見?

我自己面對這類問題的小技巧,是事先整理多則故事、準備好在面試中分享。以上這些問題,要是只一味說著「我的能力一定能克服困難、順利溝通」,聽起來太過虛無縹緲,如果能用實戰經歷的故事來說明,會更有說服力,例如我會說:「在我履歷所寫的某某專案,主管起初確實反對我提出的洞見,因此我採取的行動是…」。

此外,我在面試經歷中學到:溝通的失敗經驗也很值得介紹。大家都知道人際溝通是非常困難的事情,要說自己能完美與人溝通也沒人會信,面試官是在職場工作的人、當然也是這麼認為的。某次面試中,面試官問我被刁難的經驗,我當下沒有想到自己被刁難後還成功扳回一城的經驗,就只好分享自己被刁難後、專案因此大大延宕的失敗經歷,但是我在回答中強調自己的反省,包括我認為問題點在哪、如果能重來一次我會怎麼做,面試官聽完立即就給我回饋:「雖然這不是成功克服被刁難的一場經歷,但是我聽得出來你確實學到了經驗」,這場面試並沒有單純因為我講的是失敗經驗而扣分、最終仍過關進到下一場面試。

與面試官的溝通

面對面的面試,你需要掌握面試官的一顰一笑、還有他心裡想要的答案可能是什麼,其實籠統地說就是人與人溝通的技巧,所以筆者在此三言兩語也說不完,這裡就分享兩個在我的經驗中、特別重要也容易忽略的面對面溝通要點。

首先,一定要釐清對方問的問題。不管是情境題、經歷問題、甚至是寫程式面試的過程,時常要注意釐清問題,要搞清楚對方究竟想知道的重點是什麼、還有他希望回答要多少細節。最忌諱的是面試者不在乎對方想不想聽,自顧自地一直講話,但是講很久之後才發現,回答內容不是面試官問的核心議題。

筆者好豪某次面試曾被問到使用線性模型要注意哪些假設,我一口氣回答出假設是什麼、如果違反會怎樣、還講了實務上哪些假設最常被違反,但是我自己不斷講了大概兩分鐘,才驚覺好像講太多、也不確定對方到底要多詳細的答案,於是我問了面試官:「我覺得違反假設後的解決方式也值得一提,你希望我繼續講這個嗎?」,他居然小小嘆口氣、面無表情地告訴我:「不用!我們繼續下一題」。毫不否認地,我當時嚇到冒了手汗,我從他的反應感覺得出來自己講了太久、對方已失去耐心,也還好當時終究有及時踩煞車、釐清對方到底想不想聽,不然想必會是更大的災難。

第二個要點:當對方想開口的時候,千萬不要搶先他說話,因為他已經沒在聽了。這是我從這個 模擬面試影片 學到的溝通要點,影片中的面試官扮黑臉,有時故意冷冷地不講話、有時還插話糾正面試者,影片後半段分析師前輩也說明了可以如何應對,建議讀者直接從影片中學習這項關於對話節奏的要點,實戰面試的時候,偶爾的確會遇到這樣有點冷酷的面試官喔。

如果你想進一步學習專業溝通的技巧,我個人非常喜歡這個 Udemy 的 Case Interview 教學課程,講者是資深的商業顧問,我很喜歡他掌握面試對話節奏的方式,講者會示範如何在適當的時機點提出問題釐清、以及階段性地總結自己的回答,他也示範如何在案例分析面試做好數據呈現溝通,我覺得是很實用的課程,即使不是準備面試,我也常常看這部影片複習、磨練專業溝通技能。

寫程式面試也在考溝通

或許有些讀者會覺得奇怪,明明是資料科學家,怎麼到現在沒有提到半點寫程式面試?那是因為,筆者主觀認為,比起精通程式語法或演算法,數據分析師更強調溝通!尤其數據分析面試大多數只考 SQL,比起 C++ 或 Java 等程式語言,語法已經是相對簡單,網路上也有太多 SQL 教學、本文就不多著墨。

在我的經驗中,應徵較 Senior 的分析職位,把 SQL 題目 100% 寫正確已是基本要求,要讓自己在眾多面試者中脫穎而出的得分點,就是溝通。寫程式面試的溝通,至少需要注意以下三件事:

  • 開始寫程式前釐清問題
  • 善用 Pseudo Code 呈現思考流程
  • 寫完程式後,分析現有結果

這些要點,筆者好豪在另一篇 Coding Interview 溝通技巧 文章中有詳細介紹,推薦給想在寫程式面試為自己加分的讀者繼續閱讀。


資料科學專業知識

應徵數據分析工作,具備統計知識是基本、A/B Testing 是超重要技能、因果推斷能幫助你再加分。

統計學

身為一個資料科學家,隨口就講點統計學也很符合邏輯 (˚∀˚)

資料分析工作在面試會考的統計學都不會太難,不會超出大學一年級統計課本的範圍,也沒有人會有閒問你數學證明,大多會問統計學的名詞解釋與應用。

光是 P-value 我就遇見過超多種變化題:

  • 請說明什麼是 P-value
  • 如果對方從來沒學過統計學,你會怎麼向他介紹 P-value
  • P-value 有什麼缺點
  • 你說 P-value 小於 5% 是常見的顯著水準判斷,那換成 1% 會怎麼樣

假設檢定與迴歸分析問題也是非常常見的:

  • 請解釋中央極限定理
  • 請介紹一個你使用假設檢定的情境
  • 什麼是型一與型二錯誤
  • 信賴區間的 95% 信心水準 是什麼意思
  • 線性迴歸背後有什麼假設?怎麼檢驗?違反了會怎樣?
  • 怎麼解釋羅吉斯迴歸的結果是好是壞?

提醒讀者,筆者好豪面試數據分析與產品分析的相關職位時,機器學習相關的統計學議題通常問得不多、頂多聊一些應用場景,所以即使機器學習跟人工智慧在現在的資料科學領域是又新潮又炫,如果你是找數據分析師工作、請不要花太多時間練習機器學習問題。(此為筆者主觀經驗,市場上當然也存在需要大量機器學習技能的數據分析職缺,請各位以自己看到的職缺要求為準)

要準備統計學的面試題目,如果你大學沒有修過統計學課程、或者已經忘光光了,推薦你以下兩個學習資源打好基礎:

而如果你有些統計學基礎,建議運用以下資源、適合幫你快速複習:

在此跟讀者分享,我覺得想在統計學面試題脫穎而出,講得出數學定義與解釋只是第一步,更重要的是要能用老嫗能解的方式說明Layman’s Terms)。資料科學家非常重視跨部門合作,你未來的溝通對象可能是產品經理、使用者體驗設計師、或者是 CEO,他們不見得有深厚的數學背景、但你依然需要說服他們!因此,在數據分析面試,「如何向非技術人員介紹你的分析技術」是重要的考點。

A/B Testing

只要是網路相關產業的資料科學工作,A/B Testing 已是必備的技能。雖然像是 Google Analytics 這樣的工具越來越流行且強大,讓執行 A/B Testing 變得很容易、按幾個按鈕就能做到,但實際上,商業實驗的作法有太多眉眉角角,如果沒有扎實的統計學知識,實驗結果就會導向錯誤結論、沒辦法真正提升產品的品質。

A/B Testing 基本款的面試考法,是直接請你說明 A/B Testing 的所有流程,筆者好豪認為,從這個開放式問題中,面試者回答的分析框架、詳細程度、以及考慮的維度,就可以看出面試者究竟多有料、對 A/B Testing 實驗熟不熟悉。

A/B Testing 的流程該怎麼回答?我以 這篇文章 作為範例:

  1. 釐清新功能細節以及商業目標
  2. 定義數據指標
  3. 建立假說
  4. 為假設檢定設定參數:顯著水準與檢定力、最小期望指標差異、指標變異數
  5. 計算 所需樣本數、並估計實驗所需時間
  6. 執行實驗
  7. 解釋結果

要是你看到以上的流程已經覺得一頭霧水,推薦你先用 這篇簡短的文章 搭配程式碼快速複習一下 A/B Testing 涉及的統計學知識。

隨著每個人的工作經驗不同,回答的實驗作法或重視的細節也略有差異,要是你的 A/B Testing 實戰資歷不夠多,請多方參考各個資料科學家的思考方式,例如,可以看看數據分析師 Passion 在她的粉絲專頁分享的 A/B Testing 實驗流程


A/B Testing 這個領域的水真的很深,如果你聽到某個人把它描述得很簡單,肯定是那個人實驗亂做 (゚∀゚ )。有些只找有經驗應徵者的 Senior 職缺,面試中還會問更進階的 A/B Testing 的實驗方法問題:

  • Z-Test、T-Test、Chi-Squared Test 什麼時候該用哪一個?
  • 多重檢定(Multiple Testing)是什麼?該怎麼解決?
  • 請介紹一個使用 A/B/C Test (Multivariate Test) 的場景
  • A/A Test 是什麼?為什麼需要做這個?
  • 新上線的功能,用戶會單純因為好奇試用新功能,這對 A/B Testing 結果解讀有什麼影響?
    • Novelty Effect 問題
  • 假設 Uber 想要測試給客人優惠券折扣是否會提升搭乘數,A/B Testing 怎麼設計?可能遇到什麼問題?
    • Two-Sided Markets / Competitive Markets / Cannibalization 問題
    • 提示:實驗組的搭乘數如果提升,控制組會單純因為司機都被實驗組搶走了、而搭乘數下降,兩組別差異大小會被錯誤解讀

這些進階 A/B Testing 的議題,我常會參考此領域重量級人物 Ron Kohavi 的論文,先推薦讀者一定要看他個人網站的 FAQ 頁面,準備面試超實用。如果你有更充裕的時間、想有架構地學習 A/B Testing,可以閱讀他寫的教科書《Trustworthy online controlled experiments》博客來BookDepository),累積實力對付 A/B Testing 進階問題。

我在準備面試期間也複習了 Bayesian A/B Testing 的 Udemy 課程,這門課比較頻率學派與貝氏統計在 A/B Testing 數學概念上的不同之處,也介紹了貝氏統計如何更好地處理 多重檢定問題(Multiple Testing),這門課 幫我突破少數特別刁鑽的 A/B Testing 統計學面試,因此也推薦給追求頂尖的讀者。

由於 A/B Testing 的中文學習資源很少,筆者好豪也不害臊地請讀者閱讀我興趣使然寫的 A/B Testing 教學 系列文章,都是基於我的面試經驗撰文的,所以我相信對讀者準備面試會有很大的幫助:

加分題:因果推論

我們都知道相關不代表因果,因果推論(Causal Inference)就是辨別出因果關係的科學方法。

推論因果關係常用的方法就是 A/B Testing,但是在實戰中,有很多 A/B Testing 無法進行實驗的情境,例如,新加坡蝦皮的 Eric 前輩在 他的工作分享文 提到,電商的雙十一是一年一度的大活動,公司不會接受犧牲鉅額業績來做商業實驗,這時還想推論某變數的影響力、就需要用到因果推論方法。

(還沒接觸過因果推論領域的讀者,歡迎繼續閱讀我撰寫的另一篇分享:《因果推論簡介:A/B Testing 行不通時怎麼辦?》

因果推論除了在上述 A/B Testing 不適用的場合、也屢見於電商與 MarTech 領域應用,我得強調,筆者在 2021 年的面試經驗中,會問起因果推論的公司還不多,只是我主動提出因果推論方法後,面試官都給我正向反饋,所以我自己把因果推論視為加分項目,有空多看、調劑身心即可。

如果讀者還沒接觸過因果推論的任何方法,筆者自己與面試官聊起 Uplift Modeling 的經驗都滿愉快的,推薦你從這項方法開始學習起:


求職流水帳

以下為有進入面試關卡的公司寫下超隨意流水帳,希望能讓大家很大致地了解各家公司聘用資料科學家的狀況。

LINE

  • 官網寫 Data Scientist,實際面試後,雖然職缺屬於 Engineering 部門,我認為工作內容更偏向本文所討論的數據分析與產品分析
  • 面試過程看起來是整個 Data Team 幾乎都來了,有四個人坐在我對面,覺得有壓迫感(汗顏)
  • 面試官們很重視經歷以及溝通能力問題
  • 假想數據的情境題也聊很久,有白板讓我當場畫出假想的資料視覺化圖表
  • 我曾看過 Engineering 部門其中一位資料科學家的 工作經驗分享文章,可以參考台灣 LINE 過去做的資料科學專案內容
  • 四月第一次面試,中間整整三個月完全無聲、我厚臉皮上 LinkedIn 問 HR 也沒有正面答覆,我都以為自己被無聲拒絕了。結果七月中突然有人聯絡我、問我要不要繼續面試,再面試兩關居然還真的錄取了
    • 單純碎碎念:啊所以我是備胎中的備胎嗎,中間發生什麼事好歹隨便發個罐頭信跟我交代一下吧
  • 喔,還有,我真的找不到台灣 LINE 官方的 HR 信箱,所以中間滿頭問號的過程,也實在不知道能到哪裡寄信問

Shopee

  • 在此感謝老朋友查理幫我內推
  • 有興趣挑戰新加坡 Senior Data Analyst 職位的讀者,請熟讀 Eric 前輩的經驗談:文章 1文章 2
  • 面試前瘋狂拜讀 Eric 前輩分享的文章,結果面試到的真的是他的團隊、也在面試中遇到他本人,他當面給我超多回饋,我學到很多、非常感謝他
  • 蝦皮的寫程式上機考題有考到 Python 的 pandas,尤其是日期相關操作,請務必熟悉
    • 除了看 pandas 官方文件,我最近在讀的 Pandas Cookbook 中文版 就有一個章節專門在教時間與日期,我覺得它整理的語法很實用、推薦一讀

Google

  • 二月投過一個 Business Intelligence 主管級的職缺,無意外地無回應;五月再投 Product Analyst 才有進到面試
  • 面試關卡總共有:
    • 1 個 Phone Screen (用基本題篩選掉奇怪的人)
    • 5 個 On-site Interview(這只是個名稱,疫情期間實際上是全視訊面試)
    • 1 個 Team Matching(與未來主管聊聊)
  • 面試數量超多超累,我每場都超緊繃
  • 本篇分享文強調的三個要點:數據指標、溝通能力、統計專業知識,就是 Product Analyst 面試瘋狂在問的,而且 Google 都是問到最難的那種等級…
  • 雖然職稱有 Data Science 關鍵字,但是我不負責任猜測,完全不知道機器學習也可以通過面試,因為過程被問到的機器學習演算法問題接近零
  • 面試流程 這篇文章 寫的跟我體驗到的大致符合
  • Google HR 又專業又親切,在被某些公司 HR 震懾後、再遇到 Google HR,幾乎是一種不可思議的感動心情
  • 我是官網直接投遞履歷,運氣好有被看到,公司內部還是存在內推機制,有志想投 Google 的朋友建議盡量找內推管道
  • 關於 Google 期望的分析師特質,可以參考這篇 內部資深統計學家的部落格文章

Agoda

  • 在此感謝 數據分析師 Passion 幫我內推
  • Agoda 數據分析師的工作描述請看 此粉絲專頁的分享
  • 面試第一關是線上數理邏輯測驗,例如給你表格以及一些數字,問什麼產品最賺錢。我個人建議開著 Excel 當計算機來面對這關,會順利很多
  • 技術面試是把指標變化與儀表板分析問到爆,我給了一個答案之後,他就馬上提出質疑、或者延伸問題
  • SQL 程式題是口述題目、完全沒有畫面 (・_・;)
  • 案例分析的情境題也同樣是被質問到爆(雖然他語氣很友善啦…)
  • 其中一個面試關卡是回家作業,給我一個表格資料,要應徵者分析、使用工具與方法都不限,但是主題不是很明確、或者說要應徵者自己發想。然後給定期限,下場面試請你向面試官報告分析結果
    • 我看了這個在心中瘋狂吐槽:當然是要先訂清楚商業目標或主題再開始分析啊,不寫清楚目標要怎麼分析?難道你們的資料探勘是像踩地雷一樣到處亂點逆?
    • 啊當然有可能這的確是個有鑑別度的面試方法、只是我缺乏想像力啦(先幫自己消毒以防得罪人)
    • 總之我看到這題之後,本來就不了解泰國了、其他公司的好多個面試又同時在轟炸,我就放棄繼續面試這家了 (˚∀˚)

結語

寫到最後才發現這篇文章寫得好長,總之是要跟讀者分享經驗,資料科學家百百種,如果你的目標是數據分析或者產品分析職缺,小心不要被酷炫的機器學習或人工智慧沖昏頭,請多費心準備數據指標溝通能力、以及統計學的專業知識,我希望這篇文章能幫助到要挑戰海內外資料科學家職位的朋友們。

對於換工作這個充滿掙扎又長達半年的旅程,我要感謝女朋友 Emily 一直支持我,雖然我盡力學著不要有得失心,面試不如預期順利的時候終究還是會有落寞或過度緊繃的情緒,謝謝她體諒我的非上班時間被面試塞滿、還有包容我陰晴不定的心情。

也感謝我的軍師 Ian,教我怎麼與 HR 溝通、以及整理自己的求職心態。


如果讀者還想看更多海外資料科學求職經驗,以下兩篇推薦你一讀:

除了數據分析的求職經驗,筆者 2021 年同時也挑戰機器學習開發職缺、順利拿到錄取,有興趣的讀者,請參考:好豪的機器學習面試經驗分享

此外,筆者在換工作以前,其實也想要進修、推甄過台灣的電腦科學研究所,但是全軍覆沒,若你同樣有幾年的資料分析經驗,想知道有沒有機會推甄研究所,可以參考我的 資工所推甄經驗分享

熱愛資料科學的讀者請繼續關注本部落格或追蹤 Facebook 粉絲專頁,未來我會寫更多面試與履歷撰寫等等心得文章。也可以點選下方按鈕,將本文分享給正在往資料科學家邁進的朋友!

推薦閱讀