2024 美国地狱模式上岸DS/MLE经验分享(壹) — 求职总结和找工策略 Medium好读版：https://medium.com/@bertmclee/d9f4b0f1e558 上次写求职心得分享文是2021.11.13，时光匆匆，两年半的岁月过去，我不再是那个初到 北京中关村的小毛头，而是在耶鲁大学宿舍里敲键盘码字，准备下个月毕业的老小毛头了 。 https://bertmclee.medium.com/c36b0138b86b 2021年末发布了一篇在北京、新加坡、台北的DS求职经验分享文，浅浅体验了一把流量暴 涨。 前言 在过去的两年半，我经历了在北京Disney+ 一年八个月的职场洗礼，经历了Yale的统计硕 士训练，从亚洲市场到美国市场再次成功上岸，决定重新提笔分享这次我在DS求职上不一 样的心得、体验和成长。希望能帮助到2024年仍然想要投入Data就业市场的朋友，specif ically for： - Data工作经验：NG (new graduate)、转专业、Early career (1–3 years), Mid-leve l (4–6 years) - Data岗位方向：DA (Data Analyst), DS (Data Scientist), MLE (Machine Learning Engineer) 本次求职系列文Outline： - 2024美国求职经历总结和找工策略 - 2024美国求职背景介绍 - 2024美国求职Timeline & Results - 如何在2024艰难的就业市场中拿到面试？ - 个人心得和感谢 - 如何准备Product Case (& A/B Testing) Interview (Meta) - Meta DSA面试准备经验、框架、热门考题和参考回答分享 - 如何准备ML Knowledge、Statistics、ML Design、ML Coding Interview - 汇总过去准备过和面试上实际遇到的问题 (Expedia, AppLovin, Warner Bros、Walm art...) - 汇总相关准备资源 - 如何准备SQL、Python Coding Interview - 汇总过去准备过和面试上实际遇到的问题 (Meta, Warner Bros, Expedia, Shopify, CVS...) - 汇总相关溯备资源 - 也许、也许还会写一写： - 美中台星英DS机会、求职、就业发展比较 - DA, DS, MLE机会、求职、就业发展比较 过去两年半世界变化了很多，全球疫情、经济、科技都有剧烈变动，Data相关工作的就业 市场在世界各地经历了很大的起伏 — 整体来说， 供给大量的提升，需求则是上上下下 下下，科技大厂如Meta、Amazon、Google等都经历了疫情後的疯狂扩招和惨烈裁员。就以 2024年到目前为止来说，Tesla昨天(4/15)宣布裁员超过10%；Google在二月裁员了超过一 千人，包括我的一个强者朋友也受影响；Amazon、Microsoft、eBay、PayPal、Snap、Exp edia等也都是今年裁员影响比较大的公司。每天打开一亩三分地、小红书都是：「2023、 24 NG (new graduate)该何去何从」、「投了一千封简历只收到3个OA (online assessme nt)、1个面试、0 offer」、「找工焦虑、心态有点崩了」...。这个情况似乎在全球都差 不多，如今在美国、加拿大、英国、中国的毕业生都是相当艰难，跟科技业大扩招时代， 人手好几个大厂offer的景况实在相差甚远。什麽时候会再次好转？窝不知道。对我来说 ，我不敢期待未来会好转，也许现在就是未来十年内的最佳时机了，我能做的就是NCAA女 篮UConn球星Paige说的：“I did all I could so God can do all I can’t.” 我尽我 渺小的所能，剩下大部分只能交托给上帝。 https://i.imgur.com/TQrzoce.jpeg 2020二月至2024年四月SDE(软体工程师)岗位数量趋势图 2024美国求职Timeline & Results 在2023年六月底辞去Disney+的工作，离开北京後，我在八月中来到耶鲁。Yale的Statist ics & Data Science Department有两种Master： - Master of Science in Statistics & Data Science — 这是一个为期一年半(2023.8 –2024.12)，三个学期的Program。 - Master of Arts in Statistics — 这是一个为期一年(2023.8–2024.5)，两个学期 的Program。 这两个Program互相转换非常容易，但是除了我以外所有同学都是选择读1.5年的M.S. Pro gram，如此一来可以先找2024 Summer Intern而不用马上找Full time position，时间比 较充裕。 一开始我也是M.S.，第一学期整个还在思考人生，入学前完全没有准备找DS的工作，在想 说是不是该转换赛道去做Sports Science，後来发觉转换的难度有点高、不是很顺利。再 後来功课开始多起来，一时感觉自己数学还是太差读得有点痛苦，觉得自己不适合做DS/M L，在思考自己是不是该去当PM，但是也没有做PM的能力，甚至连去当医生的想法都开始 冒出来。总之第一学期，就是随便海投了可能几十个DS Intern/Full Time岗，几乎也没 什麽面试就胡乱地过去了。 到了一月也不知道哪来的灵感，决定从M.S. Program转到M.A.提前在五月毕业，也就是距 离毕业突然缩短到剩下四个月，并且要全力找Full Time岗，当时看美国的求职市场一片 凄惨，想着也许找不到工作就准备回国或去其他国家了。 从1/9开始海投，投了几天都没回应就开始追剧摆烂了(繁花不错的、花少还好)，一度觉 得Data市场已经彻底关门，连耶鲁学生都没人要。不过後来就陆续开始收到面试，以下是 本次求职过程的完整流量转换图和详细的求职、面试时间线： https://i.imgur.com/LriRvsp.jpeg 美国求职完整Sankey https://i.imgur.com/iG0UBFF.jpeg 美国求职Timeline (共13家公司进入技术面试流程) 总共投了大概有250–300家公司，300–350个岗位，接到18通HR Call，跟13家公司进行 了Technical Interview，6次走到终面/VO (virtual onsite)，最终拿下三个offer，分 别是： - AppLovin — Machine Learning Engineer Intern (80–100% conversion opportuni ty after summer) - Expedia — Machine Learning Scientist II - Warner Bros. Discovery — Data Scientist II 按照面试涉及的内容来分类的话一共经历： - General HR Call: 18 - SQL coding: 7 (Kafene, Expedia, Meta*2, CVS, Shopify, Warner Bros) - Python coding: 10 (①Leetcode: Expedia, AppLovin铫Pandas: Home Depot(Offlin e), CVS铯PyTorch Modeling: Walmart鉹ML Implementation: Expedia銗OOP: Shopif y铪General Coding: DataVisor*2, Warner Bros) - Product Case: 2 (Meta*2) - Statistics: 4 (Expedia, Meta, DataVisor, CVS) - ML Knowledge: 7 (Expedia*2, AppLovin*2, CVS, Warner Bros*2) - ML Design: 5 (Expedia*2, AppLovin*2, Warner Bros) - BQ (Behavioral Questions): 7 (Expedia, Meta, Home Depot, AppLovin, DataViso r, Shopify, Warner Bros) - Experience, Projects: Probably all, more or less. - Take-Home Project: 1 (DataVisor) 我计画在这个DS求职系列文中针对以上几个面试项目，逐一分享我的准备经验、资源和面 试真题，有兴趣了解的朋友可以持续关注。 如何在2024艰难的就业市场中拿到面试？ 首先，我必须说现在以一个国际生的身份在美国想拿到面试真的很难，我完全没有信心跟 你说读完这段分享你就可以有超过10%的拿面率，或着在一个月内可以拿到超过10个面试 ，但是如果有任何人因为参考了我的方法多拿了两三个面试，那我就觉得足够了，也许这 两三个面试就能改变一个人的人生轨迹，in a good or bad way lol。 首先简单描述我的背景：我是台大工科系毕业，算是工程转专业到数据，毕业後在台北的 DBS Bank做DA十个月，在北京的Disney+做DS一年八个月，因此我这次找工作的身份就是 将近三年非美国工作经验(actually 2.5yrs)的Early Career Data Scientist，同时因为 重新读书，也可以算是NG (new graduate)。 我这次主要找的岗位还是DS和少部分的MLE、ML Scientist，从要求0–2 YoE的NG岗到要 求2–5 YoE的Early Career, Mid-level DS岗都有投，主要以後者为主。NG岗开的不多， 每个applicant随便都上千人，我一个面试都没拿到...，所以我的经验也许不能完全适用 於没有工作经验的NG， 但是希望还是能提供一些思路。 以下是我在2021年写关於如何拿到大量面试： 前期准备之後，如何得到大量的面试？ 简单总结这个题目： 1. 一份包装漂亮的履历。 2. 找内推、Refer。 怎麽写好履历？ (---这段对大部分读者比较没有参考价值，略过---) 怎麽找人内推、Refer？ 1. 平时经营好自己的LinkedIn、Medium：新加坡Twitter的机会，就是台大学姊在Linked In关注到我，主动帮我内推的。另外像是Binance, Garena, McKinsey, 新加坡SeaMoney 的机会都是HR或Hunter在LinkedIn主动介绍给我的。 2. 找学长姐、前辈、朋友们：我很幸运有认识在各国Facebook、Amazon、Google...的人 ，有些职缺可以跨国内推，有些有限制，可以请朋友看看。 3. 关注Facebook、Medium、PTT、LinkedIn等社群：很多朋友有分享工作或面试经验并协 助内推，比如说新加坡TikTok的Junlin前辈、新加坡Shopee、SEA、泰国Agoda也都有一些 朋友经常分享。 4. 一亩三分地：我有很多内推是在上面找的，包含Disney+、快手、蚂蚁金服、小红书、 拼多多...，都是在上面请人内推的。包含亚太、美国的机会都有，当然美国的前提是要 有 签证。 5. LinkedIn Cold Message：新加坡Ninja Van、GBD、台北Line TV就是我在LinkedIn上 发Cold Message得到内推的，但整体来说，成功率不是很高。 6. 半路出家软体工程师在矽谷：这个部落格也可以参考。 2024年，来到美国回头再看这段分享，还是相当relevant的。在谈如何拿面试之前，首先 我觉得有个想法给大家参考： 在现在这麽艰难的求职市场，其实更容易对自己妥协，更容易觉得反正我已经把简历写好 了，反正我今天已经投了十封、二十封简历，就这样吧，但是其实大部分时间都是在做无 效的努力，真的要一直动脑子想如果有不知道几万人每天在跟你竞争，每天都在做一样的 事，你能比别人多做一点什麽，或着做什麽跟别人不一样的事，可以怎麽做优化，不然你 凭什麽赢。 这次再聊如何拿面试，依旧按照两个部分来聊： 如何写好履历？ 这个题目还是挺大的，很难用几段话涵盖，我就分享一些点，很多都是老生常谈： - 排版：要做到吹毛求疵、让读者觉得很舒服、一目了然，将重点放在读者容易注意到 的地方，毕竟Recruiter可能只会花几十秒看你的简历。 - 文法、Typo：确保语句顺畅、没有文法错误、Typo，ChatGPT是你的朋友。 - 内容：What you did, how you did it, what is the outcome. Couple of things t o keep in mind: 1. Highlight & Quantify your impact. 2. Think of your strength s that can help you stand out in thousands of resumes. What makes your resume different? Why recruiter should choose your resume over others? You are not ju st writing a “good resume” that “clearly outline what you have done”, but why your experience makes you an excellent candidate for the company. - 长度：上一次求职的时候，我的英文resume是1.5页的长度，但是经过了将近两年的工 作经验，我最後反而把简历浓缩到1 page — 经过一次一次的修改，会发现有些比较重复 、比较久以前做的，或着根本不是那麽重要、对简历没什麽提升的东西其实不用放。 - ATS(application tracking system)：尽量加上投递岗位的关键字(可能是某些Techni cal Skills, Models, Business Applications)，公司通常都会先用ATS自动筛过一遍， 如果扫不到关键字就直接拒掉了，可以找一找ATS Resume Checker，网上应该不少，像Ya le Career Service网站就有可以自动给履历打分的系统可以用用看。 - 熟悉JD：其实很像上面第五点，区别在於第五点加入关键字是为了通过电脑筛选，这 点是为了真的提升简历内容。我建议可以先去找至少十篇你很想投的岗位的JD (job desc ription)，尽量将岗位细腻的分类(比如Marketing DS, Product DS, Forecasting DS, F raud Detection DS, Ads MLE, Business DS, BA, BIE, DA)，然後争对每个分类的岗位 划重点、找关键字，整理出高频关键字，然後将你的履历尽可能的match那一个类型的岗 位JD。比如我投到後来，简历看多了以後，发现以DS来说，有的岗位特别想看到Causal I nference, A/B Testing, User Segmentation, Personalization, Recommendation syst em, Marketing, Finance, Cross-functional collaboration, Fraud Detection, Forec asting, Pricing, Risk, Ads, Ranking等等，你如果没有的话，在投该岗位时可能就会 有很大的劣势；相对的如果你能把你的经历包装出这些关键字的话，就有优势。也许可以 参考一下一个小红书博主[能量果汁工作室]写的一些JD精读：https://www.xiaohongshu. com/user/profile/62cee92d000000000200355a - 针对职能客制化简历模板：因为我一开始DA, BA, BIE, DE, DS, MLE都有在投，显然 这里每一个职能都有些不同，最好能够针对每种职能都有一个版本的简历，甚至有发现到 现在光是DS都分得很细了，也许有空也可以准备不同的版本。 - 针对公司岗位客制化：对於我特别想要把握住的机会，我会在针对职能客制化的履历 模板基础上，再针对该岗位让ChatGPT帮我Customize简历中的Summary Section (in LaTe x)，Prompt如下： I found a job posting and need a standout summary in my resume, tailored to th e specific job requirements. I'll provide 3 examples, the job description (JD) and my resume to ensure the message (in 3 lines, similar to the length of the examples) accurately reflects my real skills and experience, highlighting my 3 years in data science and relevant achievements. It's important the summary is attention-grabbing, considering the high volume of applications hiring mana gers receive, and showcases my suitability for the role without embellishing. Examples: \begin{rSection}{Summary} \noindent Versatile Data Scientist with 3 YOE at Disney+, DBS and ongoing MSDS at Yale, excelling in Python, SQL, and BI tools. Proven track record in data- driven product development, analytics, and cross-functional collaboration. Rea dy to leverage advanced analytics and machine learning skills to innovate in M eta's dynamic product ecosystem. \end{rSection} \begin{rSection}{Summary} \noindent Data Scientist with 3 years of experience, adept in developing scala ble data pipelines and analytics solutions, transitioning to Data Engineering. Proficient in Python, SQL, and big data tools like AWS, PySpark. Proven capab ilities in data processing and optimization, with significant achievements at Disney+. \end{rSection} \begin{rSection}{Summary} \noindent Yale MSDS candidate with 3 years at Disney+ and DBS Bank, specializi ng in ML/DL/NLP. Proficient in Python, SQL, and big data tools. My experience in user segmentation, coupled with skills in fraud detection and risk analysis , is well-suited for Stripe's data science roles. Eager to contribute my exper tise and drive strategic insights. \end{rSection} [The JD here] 在写好履历後，如何拿到面试？ 先说说这次我有遇到真人的公司都是怎麽遇到的吧： 1. Kafene DE: 小红书上刷到HM (Hiring Manger)发说要招DE，於是就联络上了。 2. Rize Education - Full stack DS: HR主动email reach out。 3. Expedia - ML Scientist III, Paid App: 官网海投+LinkedIn cold message该岗位 在招聘的recruiter (看到她发Post)。 4. Stripe - DS: 看到HM在LinkedIn发Post後找朋友内推。 5. Meta - DS, Product: LinkedIn找校友内推。 6. The Home Depot - DS, Marketing: LinkedIn看到HM & Recruiter发Post，cold mess age HM & Recruiter，LinkedIn找朋友内推。 7. Rippling - Sr. DS, Marketing: 官网海投。 8. AppLovin - MLE Summer Intern: 小红书看到说这家在招人，LinkedIn找朋友内推。 9. CVS - Sr. DS, Patient Engagement: LinkedIn找校友内推。 10. CVS - Sr. DS, Product Platform: LinkedIn找校友内推。 11. CVS - Sr. DS, CMX: LinkedIn找校友内推。 12. 2K Sports: LinkedIn Easy Apply. 13. AvalonBay - DS: 小红书上看到说有在招人，官网海投。 14. Walmart - Sr. DS: 朋友内推。 15. The Trade Desk - DS II, Forecasting: LinkedIn看到Recruiter的Post，Cold mes sage recruiter。 16. DataVisor - DS, Fraud Detection: LinkedIn Easy Apply. 17. Shopify - Sr. Product DS: 忘了在哪看到说在招人，找不到人内推，官网海投。 18. Warner Brothers Discovery - Sr. DS: HR LinkedIn reach out. 19. Capital One - Principal DS, US Card: HR LinkedIn reach out. 总结拿到的面试按照方法分类如下： - 内推：8 (Stripe, Meta, Home Depot, AppLovin, CVS*3, Walmart)/33 = 拿面率24. 2% - 海投：①官网海投：4 (Expedia, Rippling, AvalonBay, Shopify) ②LinkedIn Easy Apply：2 (DataVisor, 2k Sports)，6/275= 拿面率2.2% - HR主动Reach out: 3 (Rize Education, Warner Bros, Capital One) - 直接联系到Recruiter or HM：2 (Kafene, The Trade Desk) 我觉得关於怎麽投履历，一样可以分成两个部分来说： ①如何找到有效岗位： 首先是关於平台的使用选择，一般美国求职比较热门的平台就是LinkedIn, Indeed, Hand shake, Glassdoor吧，听说Indeed, Handshake会有比较多小公司的岗位，因为LinkedIn Post Job似乎比较贵。不过因为Indeed介面太丑我就没用，然後因为我已经深耕LinkedIn 许久，比较用心的经营LinkedIn Profile，也累积了上千connection，因次我觉得用Link edIn对我来说优势比较大，因次都是以LinkedIn为主，但是使用上也是有许多讲究。 我个人认为岗位投递优先顺序是： - Recruiter or HM在LinkedIn Newsfeed上Post说他们要招人，那应该就是真的在积极 招人。有一些人会在LinkedIn上整理每周他们在LinkedIn Newsfeed看到的招聘Post (not job board)，可以follow他们。 - 一亩三分地组内直招、积极提供内推的文。 - 小红书上有人每天整理当日new opening，投最新的。 - LinkedIn系统推荐岗位、小红书、一亩三分地看到什麽公司就去官网查查有没有适合 的岗位可以投。 - LinkedIn Job Board，Filter Today/This Week，Applicant under 100 is better， reposting with 100+ applicants are usually not really hiring people (green car d purposes)。但是通常Job Board的排序很不好，常常会有一些合适的岗被排到很後面很 难被发现，前面的岗大家都投过了，所以最好是自己找想投的公司去官网Check。 - LinkedIn Easy Apply还是有机会的，我拿到两个easy apply的面试都是post了挺久了 但是applicant不太多，估计都是job board排在很後面的岗，没人发现。 至於Sponsor的问题，以下是个人做法仅供参考：我到後来一律不管，在填需不需要spons or的时候我就说不用（我也确实想说或许OPT用完就走了），反正先遇到真人(recruiter) 再说，遇到这麽多recruiter也几乎没有一个说不sponsor H1B的，可能我遇到的基本都是 规模比较大的公司。 ②如何有效地让履历被Recruiter/HM看到： - 直接联系Recruiter/HM。主要分成两种方法：①LinkedIn cold message recruiter/H M。我花了许多时间尝试这个方法，具体就是在recruiter/HM post opening on newsfeed 後马上send connect invitation with notes，我还有一些Prompt让ChatGPT帮我customi ze invitation notes，但是後来发现效率偏低，估计这个方法已经被印度兄弟玩烂了，r ecruiter/HM在LinkedIn一发文就会收到数百、数千个connect invitation，但是并不是 说完全没用了，有时间还是可以冲。② 请找工夥伴分享Recruiter联系方式。找一些同领 域的找工搭子，互相分享recruiter/HM的联系方式，这招我没有试过不知道效果怎麽样。 - 内推。怎麽找内推我在2021年的文里就说过了，我的管道基本还是一样。 - 快速海投。尽量想办法能够成为前100个applicant，用一些插件比如Simplify可以提 高海投速度。 以下补充两点： 关於Coffee Chat & Networking：首先我个人是没有什麽透过Coffee Chat拿refer，主要 是我认真开始找工的时间偏晚，希望能将战线缩短，快速上岸，因此没有花那麽多时间在 Coffee Chat，如果几个管道都没有人帮我refer就自己投了。除了LinkedIn cold messag e以外我基本也没什麽特别networking，Networking Event、Career Fair我都没参加，ei ther是忘了或是太懒/忙了，好像也没听系上的同学靠这些上岸的，但对於商学院的同学 应该就很重要了。如果时间足够，我觉得networking、coffee chat还是很好的，不仅是 为了一个refer，包括对业界的认识、长期职涯发展上的人脉、短期对面试上的帮助都是 很好的。 如何在找内推与快速海投之间做取舍与平衡：这感觉是一个概率问题，如果我今天直接海 投，拿面率可能是2%；如果我花两天时间找到人帮我内推，拿面率是8%，而我能在两天之 内能找到人帮我内推的机率是25%，如果过两天再海投拿面率是0.5％，差不多是这种感觉 。具体的机率因人而异，所以只能自己实验一下、感受一下才知道怎麽取舍比较好，我的 情况是透过内推的话拿面率会提高非常多，所以对於比较想去的岗位还是先以找内推为主 ，实在找不到才海投。 个人心得和感谢 从去年八月来到美国至今245天，也就是八个月吧，说实在挺短的，都还没怎麽来得及体 验美国留学生活，英语还是一样破而不自信，餐厅点菜仍然很多菜名都看不懂，除了面试 中用到的英语已经比较顺畅，其他部分实在还是有很大的进步空间。美国文化、历史仍然 非常生疏，也许只有地理因为实际走过一些地方而进步一点点。值得庆幸的是我暂时争取 到了继续留在美国学习和成长的机会，心里是相当期待的，也知道得付出更多的努力在各 方面持续提升。 这次求职的过程中，自己也是经历了数次小崩溃的过程。单以面试的表现和结果来说，除 了Meta没有上这点比较失望，Stripe、The Trade Desk被挂觉得有一点不知道为什麽，CV S一个组被挂觉得你凭啥（於是也Decline了CVS另一个组的面试报仇 ，不过仔细想想 还是有很多可能被挂的原因的、不足的部分），还有几个HR Call过来说你Start Date太 晚、你YoE太短...以外，其实个人觉得都是比较顺利或是可以接受的。但是持续约三个月 全力找工、0娱乐、minimal运动&社交、疯狂投履历、LinkedIn Networking、18通HR Cal l、33个技术面试，一度手上有超过十个ongoing的面试要准备，时不时还是会感到恐慌和 疲惫。 很感谢在这段过程中支持、鼓励我的人，感谢每一个为我的祷告，感谢跟我一起Mock Int erview、分享面经、面试资源的小夥伴们，感谢每一个愿意帮我refer的朋友，也很感谢 在面试过程中遇到的很多面试官，整体面试下来大部分的面试体验还是相当良好、友善的 ，无论是什麽样的面试官。最後感谢神的奇妙带领，从台大到北京，从迪士尼到耶鲁，如 今又要从纽黑文到下一个目的地，在每一个地方，祂总是厚待我、总是看顾我、总是给我 超乎所求所想的。 “But to him that is able to do far exceedingly above all which we ask or thin k, according to the power which works in us” — Ephesians 3:20 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 108.6.102.48 (美国) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1717196039.A.7C2.html 太难了QQ 是的，其实应该还是算需要Sponsor的 原来，学习了感谢！ ※ 编辑: Emmanuel (108.6.102.48 美国), 06/02/2024 17:08:50 ※ 编辑: Emmanuel (108.6.102.48 美国), 06/03/2024 03:37:21