正在寫文章的此時此刻（2024 年 5 月）仍有大大小小的科技公司持續在裁員，尤其如果你也有在關注 LinkedIn 社群平台，經歷輝煌的專業人士莫名失業的哀號聲依然層出不窮。我也同樣活在裁員的恐慌與焦慮之中，因此，我從 2023 年的第三季陸續開始面試，到了 2024 年上半年稍微告個段落。
這篇文章是筆者近期面試資深資料科學家與數據分析師的經驗分享，以亞洲地區的大科技公司為主，總共投遞了 26 個職位的履歷、實際拿到 2 封錄取信。我將流水帳式地分享各公司面試的體驗、以及我學到的新經驗，文章最後也會簡短聊聊為什麼我身處很多人眼中的夢幻公司（Google）、還要花這麼多力氣找工作面試。
現在（2024 年）的資料科學與數據分析就業市場，在海內外都依然是冰天雪地、找工作困難重重，我希望透過這篇文章讓正在（或者即將）尋找資料科學家新職位的你，有更多的心理準備、面對這些挑戰。
目錄
求職背景與結果
開始面試的當時，筆者好豪正在台灣 Google 擔任資料科學家，負責產品分析，典型的工作內容包括 北極星指標設計、因果推論、數據導向的新功能開發、以及 資料視覺化與簡報 等等。我的資歷總結如下：
- 台大商管學院學士學歷，在校修過一些資工與機器學習課程
- 中研院擔任一年的研究助理，負責深度學習與推薦系統研究加上金融業產學合作專案
- 雷亞手機遊戲公司擔任資料科學家兩年半，主要工作是成功指標設計、Tableau 視覺化、A/B Test
- 會打 機器學習競賽，都是國內賽事、沒有 Kaggle 成績
- 在台灣 Google 負責 Pixel 手機相關軟體的產品分析，資歷大約兩年多
- 我的詳細專業背景，請參考我的 LinkedIn 與 Github
基於我的經歷，我這次決定挑戰的都是資深職缺（Senior、甚至 Staff）。
我投履歷與面試的時間是 2023 年 9 月～ 2024 年 4 月，都是資料科學與數據分析領域，有些職稱是 Data Scientist，但是我投的職缺重視的能力都是產品分析或因果推論與 A/B Test（而不是設計新的 LLM 那種機器學習演算法設計）。我總共投遞了 26 個職缺，這裡先列出投履歷後直接 Email 被拒絕或完全沒回音的公司：
- 台灣：Binance
- 新加坡：Meta (Facebook)、Dyson、Apple、Snap、klook、Grab、WeChat、Razer、HoYoverse（原神啟動 ʕ •ᴥ•ʔ）
- 新加坡拒絕率 100%
- 日本：Niantic、Disney、Johnsons and Johnsons
- 澳洲：Canva
以下是我有進入面試流程的職缺與結果：
| 公司 | 工作地點 | 職稱 | 投履歷管道 | 結果 |
|---|---|---|---|---|
| PayPay | 日本 | Product Science Engineer | 獵頭 | 最終面試後，拒絕 |
| SmartNews | 日本 | Data Scientist (Lead) | LinkedIn 上投履歷 | 五場面試後，拒絕 |
| Woven | 日本 | Senior Data Analyst | 內推 | 只跟 HR 面談，拒絕 |
| Coupang | 台灣 | Senior Manager, Data Analyst | 內推 | Offer |
| Yahoo | 台灣 | Business Analytics Manager | 內推 | 三次面試後，拒絕 |
| Coca-Cola Bottlers Japan | 日本 | Data Scientist/Engineer | 朋友引薦內部主管 | 三次面試後，拒絕 |
| Agoda | 泰國 | Associate Manager | 內推 | Offer |
| Rakuten | 日本 | Data Scientist | 內推 | 兩次面試後，拒絕 |
各公司面試經驗
我將在這個小節寫下我面試的見聞，主要目的只是幫助你大致了解該公司面試可能會有什麼內容，因此請容我在此流水帳地書寫，後半部文章我再寫心得總結。如果某些公司的面試經驗寫得很粗略，那就是它的 NDA 比較嚴格，我會怕 ˊ_>ˋ
PayPay
- 軟銀與日本雅虎合資的電子支付公司，也是快速擴張中、積極聘用外國人
- 此職缺是 Product Science Engineer，從 A/B 測試、資料探勘、到機器學習建模都會涉及，整體是更研究導向的職缺（同部門有其他機器學習工程師與資料工程師處理模型部署問題）
- 位於 Data Insights 部門，該部門的主軸可以參考 PayPay 官網這篇分享，面試官也是文中提及的人物
- 面試流程：回家作業 -> 技術面試 -> 技術+案例分析面試 -> 主管與 HR 面談
- 第一關：回家作業，給你 PayPay 可能會有的電子支付交易紀錄，請你給出數據洞見。主要考察三大面向：資料探勘與商業邏輯、寫程式能力+視覺化技巧、機器學習或時間序列預測模型
- 這關是線下審核，審核通過才會到下一關、見到第一位面試官
- 第二關：技術面試，我遇到的全都是非常典型且基礎的統計與機器學習問題，例如過擬合、正規化、丟硬幣機率、資料不平衡等等
- 有趣的是，這關的面試官問法非常「填空題」，好像一定要講出他需要的關鍵字才能過關
- 例如聊 P-value 與顯著水準的時候，我試著解釋偽陽性錯誤，他堅持再問我這稱為什麼錯誤，我講出「Type-I Error」，他才放我走、進入下一題
- 第三關：技術+案例分析面試，一題要求你用 Python 跑模擬來算擲骰子機率，一題 SQL 考資料表 JOIN，然後案例的大意是「如何設計推薦系統」
- 案例這題面試官完全沒給方向，丟給你情境（基本上就是介紹 PayPay 現在遇到的某個推薦系統問題），剩下全部自由發揮
- 第四關：跟主管全都是聊行為面試問題；跟 HR 聊職涯問題與個人特質
- 最後他們給我 “No Culture Fit” 拒絕了（對我來講就是不知道為什麼的拒絕）
- 從面試經驗，我主觀覺得他們想找十項全能的資料科學家 (ｰ ｰ;)
- 程式要寫得漂亮、A/B Test 要精通、機器學習預測要熟、要懂推薦系統領域知識
- 除了這些硬技能，對商業嗅覺的要求也極高
- 近期 PTT 也有另一位網友分享 PayPay 資料科學家面試經驗，值得參考
SmartNews
- 日本有名的新聞閱讀 APP，在美國也有團隊，遇到的面試官來自美國跟日本都有
- 我遇到的流程是：第一關 Codility 線上考試 -> 第二關技術面試 -> 第三關與三位面試官 Back-to-Back Interview -> 後面我被拒絕了所以不知道
- 第一關 Codility：一題 SQL、一題 Python 題實作類似 NumPy 會有的簡單計算、然後有一堆選擇題考統計與機器學習觀念（大多都是課本有的經典問題）
- 第二關技術面試：問了很多 A/B Test 與指標設計商業問題，我最有印象的是我們花不少時間在聊 CUPED 與 Bayes A/B Test，有點硬派
- 第三關之一：聊我履歷上的經歷、也深入探討其中他有興趣的技術細節；一題案例，在 APP 新增功能該怎麼驗證成效、以及潛在風險
- 第三關之二：聊很多行為面試問題，壓力處理、人際溝通等等；然後話鋒一轉又是一題案例分析，同樣是新功能驗證成效的題型
- 第三關之三：連續三題案例分析！包括用戶增長、市場大小衡量、數據導向的產品設計
- 雖然最後被拒絕，SmartNews 的 HR 跟每位面試官都態度和善、是很棒的面試體驗，被拒絕後寫信詢問，HR 還真的幫我向各面試官搜集回饋、給我建議，我十分感恩
Woven
- 這家我只有跟 HR 面談一次就沒下文了，所以就簡單介紹面談中我得知的該職缺訊息
- Woven 是 Toyota 的子事業體，這個資料分析缺主要是針對 Arene 車用作業系統的資料平台，2024 年初這個資料平台還沒正式上線
- 實際工作會是針對測試階段的平台設計：
- 平台距離期望目標還有多遠？如何設計成功指標並決定預期成長幅度？
- 上線初期該看什麼指標？
- 該資料團隊當時正在找視覺化專家，因為當時該團隊沒有 Dashboard、BI 工具或平台，所以對應徵者的 SQL 與 Python 要求會較高，候選人要有自己撈資料跟視覺化的能力
- 此職位不硬性要求日文，但有的話顯然更好，因為主要客戶就是 Toyota（ 很日本 (˚∀˚) ）
- HR 原本告訴我（但我完全沒經歷到的）面試流程包括：SQL + Python 技術面試、考察視覺化與簡報能力的 Take-home challenge、Culture fit interview
Coupang
- 可以理解為「韓國亞馬遜」的電商，在台灣是 Momo 跟 PChome 的競爭對手
- 此職缺屬於產品設計團隊（eCommerce Product），職等是 Staff（L6）
- 面試流程大約是：HR Screen -> SQL 技術面試 -> 好幾輪技術與商業分析面試 -> 主管面試 -> Offer
- 這是非常讓我驚艷的公司與團隊，我面試過程遇到超多神人，有知名遊戲平台超資深 PM、待過韓商巨頭的資深資料分析師、叫車平台總監級人物、世界前幾大 MBA 畢業加上超猛外商資歷的 PM 等等
- Coupang 不只是在台灣可以看到快遞箱子越來越多，實際上在台灣公司團隊的擴張也是超級快且大膽
- 上述的神人全都是把人挖到台灣本地來全力耕耘台灣營運！
- 現在（2024 年 5 月）還有看到台灣還在開資深的資料科學職缺
- 面試過程讓我感到這個團隊的數據導向風格不是說說而已，每位面試官（包括 PM）問的問題都是分析技術與商業價值討論兼備，例如：（請容我因為 NDA 忽略細節）
- 各種 A/B Test 的應用場景與潛在問題
- Coupang 現有的優惠券策略案例分析
- 辛普森悖論
- 面試也很重視人格特質，包括工作步調、壓力處理等等問題
- 最終 Offer 高於現職，不得不說從團隊成員、到工作內容與職涯發展，是讓我非常心動的 Offer，考慮個人職涯與生活綜合考量，才忍痛拒絕
- 吹捧歸吹捧，Blind 跟 Glassdoor 網站對這家的公司文化都有不少評論，推薦對這間公司有興趣的朋友參考參考
（還不知道台灣的資料科學家的薪水 Offer 如何？歡迎參考這一篇：資料科學家的薪水究竟多高？薪水資訊去哪裡找？）
Yahoo
- 應徵部門是 Global Consumer Analytics，主管是台大工管系的學姊
- 工作內容環繞在 A/B Test，包括規劃、驗證、結果分析與回顧、執行行動策略
- 面試問答非常重視如何行動、引導下一步方案，我使用的核心思考框架大多參考 LinkedIn 的方法論
- 合作的 Stakeholders 可能在美國
- 我遇到的「回家作業」面試是準備分享自己隨意選的專案經歷，面試官在分享中考察：
- 問題架構方法
- 簡報設計與摘要能力
- 商業影響力
- Hiring manager 強調，考察的能力不只是挖掘出數據洞見，更重要的是如何轉換成具體行動建議
- 這次面試中，我主觀感覺此團隊非常重視「問題解決能力」，關鍵字當然是麥肯錫、BCG 等等商業顧問技能，很白話的說就是「看到問題，馬上知道要用哪幾種框架來分析」的能力
Coca-Cola Bottlers Japan (CCBJI)
- CCBJI 跟可口可樂母公司是不同的，CCBJI 是主要負責生產銷售的事業體，有獨立的資料科學團隊
- CCBJI 會做的資料科學專案可以參考這個簡短 DEMO：人流與銷量預測模型+販賣機佈局策略
- 期望工作內容很全能：除了典型的機器學習建模與數據分析，期望還會涉及資料工程、前端軟體設計、MLOps
- 初期面試會有 TestGorilla 平台上的 90 分鐘線上測驗，包含 SQL、Python、機率、統計學與機器學習，每個測驗都是簡單到困難的題目平均分佈
- 我只在 TestGorilla 測過這一次，覺得它的題目不少、節奏偏快，容易寫不完，想題目過程不適合在同一題苦惱太久
- 我遇到的兩位面試官分別是資深的資料科學家+軟體工程師、以及機器學習博士+外商顧問經驗的主管，（不同於我對可口可樂的刻板印象）我覺得是超強的資料團隊
- 面試題目大部分是討論我的經歷，我會努力把自己的資歷連結到對方提過想做的專案類型。特別的是，主管還問了我的個人休閒嗜好
- 較為困難的是開放式的案例分析，大意是問如何衡量促銷與廣告的成效，我相信對方是針對我的 因果推論 經驗而出這個題目
Agoda
- 講到泰國的科技公司，大家都是最先想到這家吧？我在 2021 年已經面試過一次，上次經歷請參考 這篇
- 面試流程包括：線上數理邏輯測驗 -> 技術面試 -> 回家作業+案例分析面試 -> 部門主管最終面試
- 第一關線上測驗很容易寫不完！千萬要注意時間，我個人建議手邊準備好 Excel 或 Google Spreadsheet 加速計算
- 面試關卡考察的能力面向滿平均的：機率統計、商業思維、A/B 測試、案例分析等等都會問到。尤其機率統計，建議簡單複習一下網路上常見面試題（像是各種擲骰子問題）來幫自己暖身
- A/B Test 的面試題目很多，除了假設檢定這些統計學以外，經常問到 A/B Test 的指標是否能跟「行動」連結、以及可能測不到的潛在問題
- 回家作業+案例分析的環節，我在面試結尾有特別問對方回饋，對方提醒我優先級排序（為什麼要先採用我的提案、不考慮其他的？）、以及潛在風險（羅列出自己可能有想到但是還沒解決的問題），這些是面試重視的面向
- 發個牢騷，跟定價有關的面試問題都好難，我被電到「咪咪冒冒」，如果你剛好也面試到定價相關團隊的職缺、又有心想提前準備的話，建議你想想看：Agoda 的訂房或者各航空公司的機票，定價會怎麼隨著時間變化？
- 最終在定價團隊拿到 Senior Manager 的 Offer，能挑戰主管職、我理解到的工作內容也非常有趣，覺得榮幸且感恩，但薪水低於現職，忍痛拒絕
- 更多關於 Agoda 的公司文化，可以參考 資深分析師 Passion 的早期分享
Rakuten
- 第一關是線上程式能力測驗，我個人遇到的內容跟 Glassdoor 上找得到的一模一樣，如果你近期要面試這家，請務必嘗試搜尋歷史考題
- 第二關，跟兩位資料科學家聊我的經歷，他們很重視技術細節，所以聊了特別多 A/B Test 的實作問題、還有因果推論的方法與背後假設
- 然後我就被拒絕了 (˚∀˚)，即使我覺得我在第二關應該沒有搞砸什麼
我在這次旅程學到的
我的面試準備方式其實跟過往差不多，準備方法的細節請參考我以前分享過的 資料科學家 與 機器學習 面試心得。我近兩年的學習方法並沒有非常結構化，通常光是要在公司內部跟上前輩們的腳步就花了很多心力，跟以往最大的不同，大概只有平時會刻意撥出時間閱讀 大公司的技術部落格 來增廣見聞。
正因為學習方式沒有差太多，找工作期間學到的經驗都直接來自面試本身。這段時間的面試旅程，或許是以 Senior ～ Staff 職級為主的關係，我在面試中有些不同體悟，在此簡單整理分享。
「資深」職缺，給我更多機會展現個人特色
首先，制式的問題變少了，更多的是案例分析等開放式問題。像是「什麼是隨機森林」、「有什麼指標可以衡量用戶黏著度」等等制式資料科學必問問題，以前的我早就已經練到可以反射性回答了。而最近的面試，感覺「填空題」越來越少、「申論題」越來越多，問題都是「該怎麼設計 …」或「該如何解決 …」這樣短短一句，剩下的全讓我自由發揮。我也相信這種開放式問題能更全面理解面試者的問題架構能力，看看面試者會不會落入「見樹不見林」的黑洞，例如設計推薦系統時，只鑽研最新最複雜的演算法，卻沒有提到最佳化目標、系統成本、成效驗證等等議題，絕對會是 Red Flag。
專案經歷與影響力問題也顯然變得更多，而不是只重視技術能力。有好幾次面試，我都強烈感受到面試官真心在討論「我當時為什麼這麼做」、以及「如何從專案成果中學習」，而不只是追求我當時提出的解決方案是否高超獨特。
此外，也或許是工作經驗又多一點、在職場與生活中都認識了更多厲害的資料科學家，我現在在面試過程中更加勇敢地說自己「不懂」。現在已經理解，即使同樣是資料科學領域，沒有人真的能樣樣精通，我在公司親眼看過許多前輩在會議中大方地說自己哪些事做不到、而哪些事是他有能力並且會盡力幫忙的，我在現在的面試中也學會這樣坦然的態度。要是換作幾年前的我，只要稍微在面試中被問到我不熟悉的內容，立刻就會緊張到冷汗狂流、語無倫次。
釐清自己履歷上數字的真正意義
相信很多人都聽過，履歷中的經驗要盡量量化、以數字呈現。然而，在資料科學與機器學習領域，你呈現的數字是線下指標（Offline metric）還是線上指標（Online metric），有巨大的差別。千萬要搞清楚自己寫的數字代表什麼、它跟你負責的專案有什麼關聯性。
我目前版本的履歷上，提及用到某個分類模型預測客戶流失，我在履歷上寫出了 Precision xx% 與 Recall xx%，它們是線下指標。這幾次面試，很恰巧有三家公司的面試官都特別問我為什麼這個模型用 Precision 衡量？團隊是怎麼看待這個 Precision 數字的？
很顯然，面試官想知道的是，我是否了解線下與線上指標在實戰中的差異，這個指標數字究竟是我亂寫、還是它真的有發揮價值。所以，會針對它們問的問題通常包括：
- Precision 的定義是什麼？是用什麼資料集定義的？
- 模型上線後也是用 Precision 衡量嗎？線上與線下的 Precision 數值有不同嗎？為什麼？
- 如果模型上線後不適合用 Precision 衡量，我們該修改線下指標嗎？還是該用什麼其他的線上指標？
履歷上的經驗需要量化，但搞清楚自己寫的是線下還是線上指標、以及它們到底有沒有衡量出專案的影響力，比把數字寫漂亮更重要，不然，面試官隨便一問就被問倒、寫數字反而是反效果。
舊的經驗也算數！
我正在台灣 Google 任職，準備面試也當然幾乎都是整理了很多在現職的經歷與故事，隨時等著跟面試官分享。
令我驚訝的是，大多數面試官都會刻意留一段時間，讓我聊聊更久以前的工作經驗。在前幾場面試，我確實疏於回顧更早以前的工作經歷，即使過去的專案沒有比近期的更複雜或困難，若沒有複習一下，終究會忘記當時的脈絡與背景，面試過程還是會講的七零八落。
我學到，就算我急切地想分享最近期的專案經歷，好好複習與梳理更早以前（有寫在履歷上）的資歷，也是同等重要的。
已經身在很多人眼中的夢幻公司，為什麼我要找工作？
當我跟朋友分享我在找工作的近況，他們都會驚訝地問我這個問題，能在台灣 Google 工作是多少人夢寐以求的機會，為什麼還要找工作？
對，我熱愛 Google 這間公司的產品、還有尊重技術的文化，而會往外找新職缺，是出於我對現有工作機會的焦慮不安。
首先，2023 年以來連 Google 都在大幅裁員，這完全不是秘密，也在我眼前真實發生，每隔幾週進入辦公室，都可以看到又多了幾個「突然空下來」的辦公座位，那些消失的同仁，有可能負責厲害的產品服務、也有可能績效很好，依然躲不過裁員。這不禁讓我害怕：會不會下一個就是我？除此之外，裁員通常會伴隨著組織重整（Re-org），我去年就被重整到一個明顯不是把資料分析當作業務核心的部門，專案目標與影響力都很不明確，我的恐懼因此加深、讓我更偏激地自己嚇自己：把我重整到這裡該不會是為了方便下一次裁員？這是我開始看新職缺的關鍵契機。
不只是近期的裁員潮，在大公司緩慢的升遷步調也一直讓我懷疑自己，會不會等不到升遷？沒有升遷是不是代表自己能力沒有成長？我在浪費自己的生命嗎？我在公司內部努力創造影響力，但在真的讓我找到升遷機會以前，我很難踏實地感受到自己是否有成長。對我個人而言，其中一種檢驗自己實力的方式，就是走出門面試，透過面試中獲得的回饋、甚至能拿到 Offer，不代表我一定要跳槽，但它足以代表我對就業市場而言還有價值，讓我不害怕被現在公司裁員、能夠心安理得地在現職繼續努力與學習。
當然，格局再更大一點的想法，是透過面試來認識自己與世界，知道其他人在做什麼有趣的事情、以及自己是否有（在現職所不知道的）更大的發揮空間，沒走出門（面試）、怎麼有機會知道世界（其他潛在工作機會）的美好呢？更多關於這種「全局」思維，推薦你花幾分鐘看看以下這部訪談：
結語：我承認，其實大多取決於「風向」
新加坡的職缺完全沒機會面試，據傳跟政府對外國工作者的態度有關，申請 EP（工作簽）的標準一直在提高。
日本職缺仍不偏好外國求職者，這是前輩跟獵頭都提醒我的，上述日本公司的其中一間，我雖有面試，但主管最後也直白告訴我這項拒絕理由，讓我更確信這點。我也曾受前輩幫助、與多位日本獵頭交流，他們都無法順利幫我媒合職缺，因為資料科學家這項職能重視溝通能力、在日本非得要有流利日文口說能力才有機會求職，這是我沒有的（雖有 JLPT N1 但不太能真的順利聊天），光是這點就讓我失去嘗試八成以上日本資料科學職缺的機會；另個主因就是「人不在日本」，有位獵頭告訴我，隨便用打工度假之類的理由，人只要先過去日本，公司面試你的意願就會大大提升。
而我實際上有拿到錄取、或是面試到很後面關卡的幾家公司（Agoda、Coupang、PayPay），顯然都是基於各自理由正在當地積極擴張的公司。
無可否認，就業機會很大一部分取決於「風向」，不只是看實力、還要天時地利人和，在各科技公司都還在裁員或凍結徵才的 2023～2024 年尤其如此。我從剛畢業至今的求職經歷都讓我充分體認到：努力跟運氣同等重要。找到工作不該自滿、或許只是運氣好；只要有持續努力，找不到工作也不用太難過甚至自責、有時候真的只是大環境差。
因此，分享這些求職經驗文章，不是為了「傳授」怎麼準備才是對的，畢竟實力更堅強的求職者比比皆是，這些分享是為了幫大家更理解當下的就業市場，多一分認識、就能少一些恐慌，有更穩定健康的求職心理，才能長期在你熱愛的行業生存。如果你跟我一樣熱愛資料科學，我親身感受到就業市場的寒冷了，但我仍希望我們能一起長期、持續、不灰心地努力，這樣下次屬於你的運氣在就業市場飛來的時候，你也能順利接到它。
我詳細的面試準備方法，全都跟以前的作法相去不遠，歡迎參考我以前的分享：
熱愛資料科學的讀者，歡迎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！
