你应该加入FAANG还是创业公司当数据科学家?
选择加入哪种类型的公司是一个非常重要的决定。即使公司很有声望并且报酬丰厚,如果工作环境不合适,你最终也会感到疲惫不堪。
许多人在没有充分了解实际工作环境的情况下加入了创业公司或大型科技公司,往往会感到失望。在本文中,我将根据自己在从小型10人创业公司到Uber和Meta等大型科技巨头的工作经验,介绍关键差异。希望这能帮助你决定自己的职业发展方向。如果你想了解更多关于职场的相关内容,可以阅读以下这些文章:
早知道这些美国职场潜规则,我就提早一年升L5了
职场转型与进阶:多年非Data相关工作经验,如何转行数据科学家?
职场Guideline:13步分步解析一个 Data Science 项目从想法到实现的全过程
“数据全才”心酸职场求生指南
如果你想快速浏览文章,我会在每个部分的末尾添加一个简短的摘要(“TL;DR”=“Too long,didn’t read”)(这是我在Uber学到的)。
因素1:公司的声望
你想到的科技公司很可能是Google、Meta、Amazon、Apple或类似的大公司。
基于这些公司的声誉,大多数人认为在那里工作的人都非常优秀。尽管这不一定是真的,但这种所谓的“光环效应”可以帮助你。一旦你的简历上有了大型科技公司的“认可印章”,找到工作会容易得多。
许多公司认为:“如果那个人足够优秀,可以成为谷歌的数据科学家,那么对我们来说就足够优秀了。我相信谷歌已经尽职尽责了。”
从德国来到美国时,大多数招聘经理和招聘人员并不了解我以前工作的公司。一旦我在Uber找到工作,我收到了大量的工作邀请,包括以前拒绝我的公司。
你可能会觉得这不公平,但这就是当前的系统运作方式,你在选择工作公司时应该考虑这一点。
TL;DR:在职业早期为声望高的公司工作可以打开很多机会。
因素2:同事的聪明程度
人们常常认为FAANG公司只雇佣最聪明的人。
实际上并非如此。多年的经验告诉我,一旦公司达到一定规模,世界上的任何地方都会有技能和天赋的正态分布。尽管分布可能在X轴上稍有偏移,但仍然是正态分布。
许多知名公司起初非常挑剔,但随着公司的发展和招聘的增加,卓越水平开始回归平均水平。相反,一些小型创业公司可能拥有更精英的团队,因为他们可以仔细挑选每一个新员工。在面试过程中,你需要亲自判断人们的能力水平。
TL;DR:无论是大公司还是小公司,你都会遇到聪明的人;认为大科技公司比创业公司雇佣更高素质的员工是一个谬论。
因素3:你能赚多少钱
你能赚多少钱取决于很多因素,包括具体公司、你被提供的职位级别、你的谈判能力等。
主要需要记住的是,不仅要看你赚了多少钱,还要看你的报酬的波动性和流动性。这受你薪酬包的构成(工资vs.股权(非流动性私有公司股票vs.流动性上市公司股票))和公司阶段的影响。
高层次的思考方式如下:
- 早期阶段:小型创业公司会提供较低的基本工资,并试图通过承诺高股权回报来弥补。但押注于早期创业公司的股权回报就像玩轮盘赌。你可能会大获全胜,不必再工作,但你需要非常幸运;大多数创业公司失败,只有少数公司能成为独角兽。
- 大科技公司:大科技公司的报酬更可预测。基本工资较高,股权通常是流动性的(即你可以在其授予后立即出售)且波动性较小。这是一个很大的优势,因为在IPO前的公司,你可能需要等待多年才能使股权变现。
- 成长阶段:成长阶段的公司是一个有趣的折中方案;它们有更高的成功退出机会,但你的股权仍有很大的上升空间。如果你在职业生涯中加入2-3家顶级成长阶段的公司,很可能至少会有一次不错的财务回报。这些公司的薪酬可能非常具有竞争力;当我从Meta转到Rippling时,我的报酬实际上增加了。
TL;DR:不要只关注工资,选择适合你风险偏好和流动性需求的薪酬包。
因素4:你将承担多少风险
我们都想要工作保障。
我们可能不会在同一个工作岗位上待一辈子,但至少希望能够自己选择离开时间。
创业公司本质上比大公司风险更大。创始人是否胜任?你能否再筹集一轮融资?这些风险大多数是存在性的;换句话说,你加入的公司阶段越早,它在6-12个月后可能不再存在的可能性越大。\
在后期阶段的公司,这些风险中的一些已经被消除或至少减少了。
但你会增加另一个风险:裁员风险。创业公司只招聘对业务至关重要的职位,因为他们资金有限。如果你被雇佣,说明他们确实需要另一个数据科学家,并且有大量与你的工作直接相关的工作要做。
但在大公司,招聘通常不那么严格控制,因此你被雇佣到一个后来被认为“非必要”的角色的风险更高,你可能会成为大规模裁员的一部分。
TL;DR:公司阶段越早,你承担的风险越大。但即使是大公司也不再是“安全的”。
因素5:你将从事什么工作
在创业公司和大公司的工作截然不同。
一般的经验法则是,在早期阶段的公司,你的工作范围会更广。例如,如果你作为第一位数据雇员加入创业公司,你可能会同时扮演数据工程师、数据分析师和数据科学家的角色。你需要构建数据基础设施,使业务用户能够访问数据,定义指标,进行实验,构建仪表板等。
你的工作也可能涉及整个业务,因此你可能一天处理营销和销售数据,下一天处理客户支持数据。
在大公司,你的工作范围会更窄。例如,你可能大部分时间都在预测某一组指标。
这种权衡是广度与深度和规模的权衡:在创业公司,你的工作范围很广,但由于你被分散在多个任务上,你无法深入研究任何单个问题。在大公司,你的工作范围很窄,但你可以在某一特定领域发展深厚的专业知识;如果这种专业知识需求很高,专注于此可以是一条非常有利可图的道路。此外,你的工作会影响数百万甚至数十亿用户。
TL;DR:如果你想要多样性,加入创业公司。如果你想建立深厚的专业知识并在大规模上产生影响,加入大科技公司。成长阶段的公司是一个好的折中选择。
因素6:你将有哪些学习机会
当我在2018年加入UberEats时,我没有接受任何入职培训。相反,我被分配了一组问题并被要求开始解决。
如果你习惯于通过结构化的方式学习,例如在大学里通过讲座,这一开始可能会让人不安。你该怎么知道如何做这些事?从哪里开始?
但我的经验是,处理各种挑战性问题是了解业务运作和建立硬技能和软技能的最佳方式。例如,刚出校门时,我的SQL非常基础,但在UberEats的工作迫使我在几周内掌握了它。
主要的缺点是你不会学到很多最佳实践。最佳的数据基础设施是什么样的?最好的公司如何设计他们的指标?如何在保持严格性的同时以无摩擦的方式执行数千个实验?即使你最终想加入创业公司,看到“好”的样子也有帮助,这样你就知道自己在努力什么。
此外,大公司通常有正式的培训。在创业公司,你需要自己弄清楚一切,但在大科技公司,他们通常会提供资助的学习和发展机会。
TL;DR:在早期阶段的公司,你通过自己摸索来学习;在大公司,你通过正式培训和吸收最佳实践来学习。
因素7:你的职业发展机会
我们已经讨论过在声望高的公司工作如何在你寻找新工作时有所帮助。那么在公司内部的职业发展呢?
在早期阶段的公司,你的职业发展机会直接来自公司的发展。如果你作为早期数据雇员加入公司,并且你和公司都表现良好,那么你很可能会建立并领导一个数据团队。
大多数年轻的副总裁和C级高管是因为他们的职业生涯被加入“火箭船”公司加速了。
但大公司的一个很大的好处是:你通常有更广泛的职业选择。你想在不同的产品上工作吗?无需离开公司,只需换个团队。你想搬到不同的城市或国家吗?这也可能实现。
TL;DR:早期的高增长公司提供最大的职业发展机会(如果公司成功),但大公司提供更多灵活性。
因素8:你的压力程度
压力有很多种。重要的是找出你能承受哪些压力,哪些是你的底线。
在快速增长的早期阶段公司,主要的压力来源于:
- 变化的优先级:为了生存,创业公司需要适应。原计划不起作用?那就尝试其他东西。因此,你很少能计划超过几周。
- 快速的步伐:早期阶段的公司需要快速行动;毕竟他们需要在资金耗尽之前展示出足够的进展以获得下一轮融资。
- 广泛的工作范围:如前所述,早期阶段的公司每个人都做很多事情;很容易感到精力分散。大多数从事分析领域的人喜欢完美地做事,但在创业公司你很少有这样的机会。如果目前的情况够好,就继续下一个任务吧!
在大公司,压力来自其他因素:
- 复杂性:大公司带来了很多复杂性。经常是错综复杂的技术堆栈,大量的既定流程,内部工具等,你需要理解并学会利用。这可能让人感到不知所措。
- 政治斗争:在大公司,有时你会觉得花在与其他团队争论责任分工上的时间比实际工作时间还多。
TL;DR:不是所有的压力都是一样的。你需要弄清楚你能承受什么样的压力,并据此选择公司。
何时应该加入大公司还是创业公司?
这个问题没有一个通用答案。然而,我个人的意见是,如果可能的话,在职业生涯早期至少在一家知名的大科技公司工作一段时间会有帮助。
这样你会:
- 在简历上获得对未来找工作有帮助的“学历”
- 了解高性能的数据基础设施和大规模分析组织的运作方式
- 得到结构化的入职培训、指导和发展
这将为你提供一个坚实的基础,无论你是想留在大科技公司还是跳入创业公司的世界。
最后的想法
在小型创业公司、成长阶段的公司或FAANG科技公司工作并没有本质上的好坏之分。每个公司阶段都有其优缺点;你需要根据自己的价值观和适合的环境来决定。
感谢阅读!你还可以订阅我们的YouTube频道,观看大量大数据行业相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/。
原文作者:Torsten Walbaum
翻译作者:Dou
美工编辑:过儿
校对审稿:Jason
原文链接:https://towardsdatascience.com/should-you-join-faang-or-a-startup-as-a-data-scientist-030e3b8a7080