2021 年，外商資料科學家求職經驗分享

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，著重在數據分析或產品分析相關職缺，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。

（筆者的面試旅程還有 2024 年更新版喔！歡迎參考這一篇）

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 LinkedIn 與 Github。

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：

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：

參考書：《資料科學家的實用統計學》
YouTube 頻道：JB Statistics

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：

TowardsDataScience 部落格: OVER 100 Data Scientist Interview Questions and Answers
參考書：《資料科學的統計實務》
YouTube 頻道：StatQuest with Josh Starmer

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：

釐清新功能細節以及商業目標
定義數據指標
建立假說
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
計算所需樣本數、並估計實驗所需時間
執行實驗
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：

CasualML：Uber 開發的 Uplift Modeling Python 套件
eXplainable AI 課本的 Uplift Modeling 章節
LINE 的 Uplift Modeling MarTech 應用案例

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

（延伸閱讀：資料科學家的薪水究竟多高？薪水資訊去哪裡找？）

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。

特此感謝我的軍師 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：

Bert Lee 的中國資料分析求職經歷，這篇文章也分享很多學習資源
Gene Su 的北美資料科學家求職心得，我過去有幸跟他合作過，是現任 McKinsey 分析師的強者！

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。資料科學以及數據分析求職的經歷，筆者在 2024 年還有更新版！請參考這一篇。

而如果你單純是好奇資料科學與機器學習工作在台灣能拿到多少薪水，我在這篇文章整理了幫助你了解薪資行情的資源、供你參考。

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 與 Threads 帳號，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！

Featured 找工作數據分析面試