快收藏!长文总结Data Scientist求职全攻略
1 转行Data Scientist要考虑的问题
转行做data scientist总结一下主要是四个字– 扬长避短。
扬长是大家从自己的职业背景中发展出与data scientist有联系的地方,这点是我们的优势,要尽量把优势放大。data scientist这个行业里面其实本身包含了很多不同背景的人(economics等其他行业),另一方面也说明了data scientist 所需要的背景和面向的市场是很广阔的。无论你之前是学物理,化学,数学还是文科,只要你用心发觉都能找到和data science相关的地方,并且把这些联系在面试的时候放大。
补短主要是因为data scientist面向的行业非常广,所以很难有一个candidate解决所有覆盖的领域,具有所有的背景,这个时候就要明确的了解自己和行业的gap在哪里,如何通过各种各样的方式(参加seminar,读blog或者接受培训)很快补上经验的补足和知识点的漏洞。在补短方面,一点建议是,在entry-level或者是intermediate level的面试中,并不需要你有非常深刻和独到的见解。只有你能对这个领域的知识有很好的掌握,对这个方面的知识架构有一个不错的框架,这样就已经可以达到面试的要求了。
转行有很多的选择,一般建议同学们选择一个离自己比较近的方向会相对比较容易。比如学物理的同学可以考虑机器学习这一方面,因为大部分同学数学、统计的基础都很牢固,在算法工程师这类里选择是很不错的。对于文科商科的同学,business sense,沟通等方面是强项,可以在商业偏向产品或者市场营销的岗位上多考虑。避短方面可以根据自己不熟悉的模块补充学习,而且对于数据分析师职业的要求没有cs那么要求高,大家努力认真都可以短时间内学好的。
根据跟大量同学的交流发现,一些同学们在转行的时候往往忽略一个很重要的方面,就是只是单一的看到了数据分析师/科学家工作的待遇和前景,但缺乏对自我客观分析的过程。机会是留给有准备的人,但究竟这个职业适不适合个人的发展是要在转行之前考量的。
首先很重要的一点就是教育背景,也是首要出现在你的简历上决定你最后是否能拿到面试的一个因素。在ds申请人简历里面,教育背景可以做这样的分类。竞争力最强的就是核心专业的硕士 (master)和博士 (phd)申请人,他们属于很专业的一类人,离ds是最近的。往下看就是其他方向的phd同学(ee、生物、化学、物理等),因为现在很多岗位对于学历的要求非常高。再接着就是其他相关专业的master同学,比如统计、数学以及其他与ds相关的专业。其实在前两类这个相关专业和博士的两个分类的人数并不多,但涉及其他专业的硕士的人数还是较多的,整体竞争上还是比较激烈。所以在转行前一定要再三考虑自己的情况是否适合往ds方向转,一定要相近才会有优势。(友情提醒:为了数据科学的工作去专门申请phd本身并没有太大的必要,重点还是技能和实力。尤其近两年数据科学行业逐渐成熟,行业中大概一半的人都没有phd并且都是跨专业的背景。但对于本科生毕业直接从事数据科学的工作,可能难度和挑战会比较大。)
另外考虑的点在工作经验上,因为ds的岗位不仅仅是涉及在学校里面学习的知识。建议同学们能在课堂之外多参加的项目,实习,或者相关岗位上工作一年以上再转,成功的概率会更大一些。由于ds在面试的时候非常偏重实战,大家在转行之前一定要在技术能力方面做提前的准备。
2 Data Scientist 面试形式
大概四个方面考察:
1. Data manipulation 的技能: 考察面试人是否可以大规模的有效处理数据 (涉及sql等)
2. 统计方面的知识:考察方式包括小的应用题,怎样跟不了解统计的stakeholder解释你的分析
3. Coding test (常出现在大公司的面试中,easy-intermediate level的题),小公司或者不是做tech方面的公司考察这部分的情况比较少
4. Communicaiton:给面试者一个数据集分析,之后不仅需要报告结果,还会要求面试者做一个presentation展示,主要是为了考察面试者时候可以跟客户有效沟通
这里强调下:take home challenge和case interview 是数据科学家的面试相比较其他行业和岗位对于很独特的两个形式
Take home challenge 是在面试者 onsite interview 之前布置的一个任务,在规定的时间内做完提交。而 case interivew 主要是在面试时不提供数据,只有商业场景的问题。一道比较流行的例题是:facebook 有一个产品的 user engagement 在上两个星期有所下降,作为一个data scientist 你要怎么处理?这类题明显的特征就是没有数据,是有一个商业问题,主要考查你解决这个问题的思路。与同学们接触中,大家在 case interview 上面遇到的困难最多,因为不知道该怎样做一个整体的设计。建议大家在面试之前,应该尽可能的对面试的这个行业背景做最多地了解,在准备的时候除了多做题,也要多参与一些项目,了解整个流程设计,这是对此类问题的很好的锻炼。
除以上考察的硬核技能,公司在 soft skill 上也非常注重沟通技巧,形式大多是以 presentation 考察。数据分析的工作就是要让分析师找到一个好的模型,并需要有一个易于接受的表达方式让其他人了解,并且可以 win over 你的stakeholder,还说服他们你的基于数据的决定是正确的。在会议中不同的 stakeholders 都有自己的立场和偏好,分析师怎样展示结果怎样可以让大多数人都接受是相当关键的。一些公司还会注重考察Behavioral 的问题。例如会询问面试者,你是怎样应对和解决与同事或者上级的矛盾的?在工作项目遇到瓶颈的时候,你作为数据分析师怎样能协助团队走出困境?通过这些问题公司可以看出你是你的合作能力和技巧大概是怎样的,并且判断你是否可以融入公司的文化和环境。
3 Data Scientist 面试准备
第一,面试准备需要给自己设定一个时间线。比如一般一个电话面试是在一周后,现场面试是在电话面试的一两周后,在准备的时候大家就要规划好如何在短期的时间内有效准备。
第二,要仔细研究面试内容和范围。在面试之前需要做一些研究和分析,了解可能会考察的内容和面试官对于这个岗位面试者的偏好。面试者可以直接跟招聘官联系去了解面试官的背景和职位(很多公司愿意可以提供相关信息)。在工作职位详情上就列举了公司在此岗位的部门以及细化的要求。每一条所提到的技术要求和工作内容可能会涉及哪些技术点要详细的分析等。在面试之前,如果对此行业的了解较少,就需要对公司的背景和产品线着重分析非常必要。
第三,如果可以,去网上搜索了解前辈们的经验和分享。在获得了类似的面试内容和流程方面的信息,面试整体的的准备就会比较有方向。
最后就是要集中化训练弱项。在比较准确的了解面试内容形式之后,对自己有一个大概的评估,可以在准备的后两天着重的补足自己的弱项,大大提高面试成功率。
此外,面试者也需要对在面试前对自己的简历进行 review,因为面试官是因为看了你的简历,认为你符合这个岗位的一些要求才选中了你进行面试,所以在现场面试时也会教你简历上的一些内容提问。所以简历上的内容一定要在面试前系统的整理一下,在过往你的经历中有哪些可以向面试官展示的亮点.
4 Data Scientist 求职常见问题
• 不同行业的数据科学家具体工作有什么区别?
数据科学家的岗位本身涉及多个行业,电商、非营利组织、金融、health care 等。
IT 类大公司的数据科学家项目的多样性会更多,所以在一个公司内不同的部门,工作的内容是会非常不同的。甚至会因为各项部门合作在项目开发出来之后影响力更大。Amazon这个大公司会涉及电商、人工智能aws(Alexa)、硬件的Echo、Echo dot等。E-commerce就主要利用personalized 的数据帮助客户发掘自己想要的商品或更便宜的商品。在人工智能方面的数据工作可能更注重提高Alexa和人的交互。
在娱乐产业,往往一个Data Scientist 会支持整个公司甚至一个集团的产品见和数据部。数据科学家做的工作与市场有很直接的关系,更偏向市场和营销。现在娱乐产业对数据科学的应用更多是在 data reporting 和 marketing optimization,目标可能促进线上电影推荐,或者利用数据怎样可以实现电影销售的转化。
• 大公司 vs 小公司?
不管去大公司还是小公司,合适自己的还是最好的。很多刚毕业的同学一开始都想去大公司,但从实际和我们接触来的学员来看,真正能够一步进入大公司的难度蛮大的。结合之前的学术背景的讨论,学历是尽可能越高越好,但什么情况就最有利其实是几个因素的配比,也需要更多的考虑。在你技术是过关的前提下,学历、专业以及过往的工作经历的配比决定你能去到大公司还是小公司。很多同学成功进入大公司是在小公司有过一年都有两年的工作经历,然后往大公司跳槽成功率会更高一些。如果是你这三个配比因素有所欠缺,进入大公司的机会就少一些。
从实际的情况考虑,如果大家有非常坚持的目标,毕业之后想直接进入大公司,那在毕业之前的实习就非常重要。因为这些大厂的实习就是在前一年的秋招季为下一年全职岗位选拔,return offer 就是给了这些有过往实习的同学。如果没有大厂的实习,或者是全职的工作,经历进入大公司,确实会比较难一些。
在大公司,小公司工作的对比:
在大公司:
- 周围同事的能力和经验比较出色。在做比较复杂的工作时,能从同事那里得到比较好的参考和建议。
- 大公司中岗位的内容比较focus,集中专项负责某一类型的东西,并且有公司足够的资源支持和学习机会。比如公司Sponor员工参加某些会议或者同行业其他公司的 networking 活动。在这方面来说,大公司是有一些优势。在小公司中工作,也许数据科学家要身兼多职,比如可能工作需要负责 engineering 的工作。
- 大公司的福利待遇上也蛮不错,但整体情况下在众多员工中会有一种螺丝钉的感觉。你的工作只是局限在某个部门,或者是集中在你的项目中。在工作五到10年后上升到一个较大的团队,要开始为团队争取更多的预算和机会时,就更能体会到大公司的系统复杂性。
小公司:
- 对员工的要求可能更全方位,要求做的工作范围没有那么清晰,也许会横跨好几条产品线,担负不同的角色。好处是对于个人的成长可能更快,而且在做决定中比较有话语权。
- 从个人自身的角度分析,小公司是有一些灵活性,在个人前景上的空间也会大一些。
究竟是去大公司还是小公司,不应该成为纠结的问题。我们的目标是要找一个好的公司可以培养并帮助我们成长。每个人对好的定义可能不太一样,但要知道小公司有很好的发展前景,在小的独角兽公司发展三五年可能就会在财务方面得到极大的进展。大公司虽然听起来非常光鲜亮丽,刚开始也是小公司发展出来的。在大公司工作,如果不在发展前沿,或者是被分配到一个末端的部门,当大厂出现经济状况的时候,出现被裁员状况也是相当正常的(就像最近的COVID-19 危机,买过很多科技公司也进行大规模裁员)。
在新冠病毒全球范围内大流行的情况下,陆续有的公司裁员,停止招聘,撤回Offer甚至申请破产,对毕业季的学生来说想要找工作比以往时期更加困难。这场疫情,牵动着每个人的发展和命运。逆境中往往也隐藏着生机,远程面试,电子签约,线上办公,越来越多的公司都开始采取到云招聘的模式。对于一些在线教育,线上游戏,生鲜电商等领域,巨大的市场潜力也号召着更多毕业生的加入。相信疫情春天没有太遥远,希望也许会迟到但不会缺席!
原文作者:Paris Lu
翻译作者:N/A
美工编辑:过儿
校对审稿:Dongdong
原文链接:https://www.qsrmagazine.com/outside-insights/data-science-restaurants-best-practices-and-benefits