(代po) How I passed 26 interviews & got 6 DA/DS offer from Disney+, Bytedance, SeaMoney, LINE TV, DiDi, Kuaishou Medium好读版(附有资源连结):https://bertmclee.medium.com/2021海内外数据科学-资料分析求职全攻略-壹-成绩单-攻略-资源-c36b0138b86b 在入职北京Disney+ Hotstar的第一个周末，我希望将过去几年的职涯摸索过程纪录下来。这一路走来的不甘心，也许暂时告一个段落了。希望透过这一系列的文章，给同样想走Data这条路的人一点帮助，就像我一直以来受到这个大社群帮助一样。 此篇是求职全攻略系列文中的精华，从上海黄浦江写到北京中关村，可谓倾尽全力、呕心沥血。 本文会从求职计画源起、求职成果、准备攻略@直写到资源汇总，希望能帮助到同样要经历海内外DA(Data Analyst)/DS(Data Scientist)求职的朋友。 Outline * 求职计画源起 * 2021 求职成绩单 * DA/DS求职要做哪些准备？ * 对於DS各个科目，我如何做前期准备？ * 前期准备之後，如何得到大量的面试？ * 开始大量面试後，如何准备？ * 其他求职相关Q&A * DA/DS求职准备相关资源分享 求职计画源起 2020年11月，我花了很多时间将一亩三分地和Medium上的DA/DS求职心得总结在Notion上，写成「DS找工葵花宝典」。我一直在跟我在数据之路的好兄弟Ryan说，依我过去在教会所受到的训练，我可以自修几个月考上台大，指考物理93，化学88，英文91.5，托福104，GRE 327...其实准备面试跟考试的道理应该是差不多的，让我全力准备几个月，依我的计画力跟执行力，没道理失败。其实原话是：「让我全力詹两个月，没理由输。」 *注：NBA球星LeBron James在生死战时，会开启[全力詹]模式，平常则是经常[滑水]、[散步]。 在那之後，我在DBS接到一个比较大的Project，一直到2021年4月中，我在DBS的工作都比较紧凑、充实，也比较没有花太多心思在求职上。 因此，确实参考「DS找工葵花宝典」拟定自己的「2021海外找工准备计画Pro Max」是从2021年四月底开始。 在此之前有一则重要的LinkedIn讯息让我对这个计画更有信心：2021年3月19号，在旧金山Twitter的Janet学姊介绍在新加坡Twitter的MLE (Machine Learning Engineer)机会给我，尽管最後五月面试没有上，但这让我知道：原来我离我的Dream Job也许并不是那麽远。 好，前面铺成了这麽久，差不多是时候上乾货了。 2021 求职成绩单 https://imgur.com/TzEGFbS.jpg 海投29个，内推19个，共投48个，被动受联系8个，总共接触了56个职缺，正式进入招聘流程的有15个。 总共做了1份简报、1个Take-home作业、3个OA (Online Assessment)、32场面试，通过26场，拿到6个Offer，3个北京、1个台北、2个新加坡。 https://imgur.com/LpeVPBh.jpg 6个Offer，1个BA、3个DA、2个DS。 那接下来的问题就是： How did I make it ? 我想分为几个部分，首先最大的题目是： DA/DS求职要做哪些准备？ DA/DS 求职准备清单 **: 热门必考 (1) Programming: - Python ** - Pandas ** - SQL ** - Bash, Shell (2) Foundation of Mathematics: - Statistics ** - Probabilities ** - Time Series (3) Machine Learning: - Machine Learning ** - Deep Learning - NLP - CV - RecSys - ML Design (4) Data Engineering & Big Data: - Airflow - Hadoop - Spark (5) Product & Case: - Product ** - Case ** - Estimation - A/B Testing ** (6) Take-Home Challenge: - DS Take-Home Challenge (7) Data Visualization - Tableau - Power BI - Python DataViz Packages (8) Behavioral Questions - BQ ** 为什麽会有这麽多要准备的科目？ 数据相关职缺在每间公司，每个部门的定位都不一样，同样职称是DS，做的事情可能大不相同，有的偏重分析、推论，有的偏重Modeling，有的偏重A/B Testing，有的可能一条龙从Data Engineering, ETL到Data Visualization、Dashboard都要做。因此面试的内容变化也比较多，可以从JD(职缺描述)和面试中了解到这个职缺注重哪些特点跟技能。 我需要准备这麽多技能吗？时间有限怎麽办？ 这个就是目标和策略的问题。如果有很明确、具体的求职方向，你当然能够将准备的范围限缩，针对重点科目做准备。但对我而言，我认为以长远来看这些都是累积的过程，我还不希望局限自己，不论未来要成为CDO数据长、Own一个Product or Business，多一些技能跟经验总是好的。因此我这次BA, DA, DS, MLE, NLP Engineer都有准备和面试。 考虑成功率的话，其实重点不在於要不要面试多种职缺，而是对於每种职缺的准备经验都要有所累积，最好是密集、大量的准备、大量的面试，practice makes perfect。面试状态对於面试表现的影响不亚於实力。 我还是不想准备的这麽杂怎麽办？ 你可以放弃做Data，去面Software Engineer吧，刷题就好了。 我开玩笑的。当然以一个Junior求职的状况，准备Software Engineer面试也许会比较单纯，在不考System Design的情况下，国际大厂通常就是以Leetcode形式的Coding题为主，但这完全不代表比较容易，在大CS时代之下，竞争也是非常激烈的，人人刷满300题、 500题，甚至破千的神人也不少。这是自己可以考虑的。 对於DS各个科目，我如何做前期准备？ 我直接分享我在2020年11月就写好，2021年4月开始执行的「2021找工To Do List」吧： SQL https://imgur.com/PYGlr4I.jpg Python https://imgur.com/H4iHwgO.jpg Product & Case https://imgur.com/1UAgKII.jpg Statistics & Probabilities & A/B Testing https://imgur.com/V0dfIx5.jpg Machine Learning https://imgur.com/8ALNWQp.jpg Take-Home Challenge https://imgur.com/es3S562.jpg Behavioral Questions, Tableau, Hadoop & Spark, Linux & Bashing, English https://imgur.com/4oDwWbm.jpg 并将这些To Do，安排到前期准备的6个Phase中： https://imgur.com/7R5Cy9C.jpg DS求职前期准备6个Phase，数字为预估准备天数，扣除作为预习的Phase 0和锦上添花的Phase V，总共应花51天。 前期准备我预估要花51天，就是将近两个月的时间，实际执行上，虽然还有不少调整跟不可控的意外变动，但误差不大。 这边可能有个问题是： 我应该准备到什麽程度，才开始面试？ 这个问题没有人说得准，很多人会说：「永远没有准备好的一天」，因此建议你一边投履历、面试，一边准备，毕竟面试结果很难说，说不定一下就上了。 我的想法是，对於那些难得、不容错过的机会，当然要试试看，比如说一年一度的校招申请截止日，你当然不能错过。但是除此以外，我会觉得清楚照着自己的步调跟计画走也很重要。你不会希望连基本的准备都没做好，然後面试表现不好、场面尴尬，这样相当伤士气跟信心，并且反而换来公司冷冻期半年或一年。 前期准备之後，如何得到大量的面试？ 简单总结这个题目： * 一份包装漂亮的履历。 * 找内推、Refer。 那延伸的问题是： 怎麽写好履历？ 这个题目我先分享我自己的经验： * 我在大四上的时候，听过一堂Mason免费办给学员的履历课，开始使用LaTex来编写履历。Mason现在有针对求职专门开课，看在Mason帮过我的份上帮他工商一下。 * 我在台大修过一门江介维老师教的「深造预备英文写作」，针对履历、Cover Letter、自传、SOP相关的书写都有帮助。 * 请别人帮你看履历。 * 最後就是参考其他人的履历。 更多细节就是付费内容了XD。 怎麽找人内推、Refer？ * 平时经营好自己的LinkedIn、Medium：新加坡Twitter的机会，就是台大学姊在LinkedIn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。 * 找学长姐、前辈、朋友们：我很幸运有认识在各国Facebook、Amazon、Google漱H，有些职缺可以跨国内推，有些有限制，可以请朋友看看。 * 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。 * 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。 * 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。 * 半路出家软体工程师在矽谷：这个部落格也可以参考。 开始大量面试後，如何准备？ Step 0: 熟悉自己的履历。 这个是最基本、最重要、面试中准备CP值最高、最常被问到的。有几个准备的层面： * 清楚自己做过什麽事，可以完整的用STAR框架介绍(通常Action, Result占比会高一些)。 * 知道如何在不说谎的前提下，隐恶扬善的包装。 * 思考可能会遇到的follow-up question，如何应答。 要多清楚自己的履历？以一个做模型的DS来说，基本上对於写在履历上的每一个模型都要很熟悉，举例来说我有用过BERT这个模型，那我至少要熟悉：①模型架构每一层的细节 ②模型预训练的方法 ③模型常用的下游场景和用法 ④我是怎麽用的；甚至包括：⑤模型训练的参数挑选 ⑥与其他相关模型的比较、选择 ⑦可能改进的方向。基本上这些都有机会被问到，这时候你就要把自己想成李宏毅or林轩田。 这里只是以做模型为例，对於其他项目、Project也是一样的道理。 Step 1: 清楚职缺内容、面试内容 详读JD，了解该职位重视哪些特质和技能，并勇敢而有礼貌的跟HR确认面试流程、内容、面试官资讯，尽管他们可能也无法透露太多，但是在面试前多一分资讯都是很宝贵的。 Step 2: 研究面试官背景 如果有面试官的姓名，我会到LinkedIn看看面试官的背景，说不定还能找到他的Medium、GitHub、Kaggle、Facebook、Twitter A难说面试聊天的时候会不会用上，但至少你知道你是跟什麽样背景的人说话，揣摩要用什麽角度来表达。 Step 3: 找面经、面试心得 中国在这个部分的资源相当丰富，一亩三分地、牛客网、看准网上的面试经验分享很多，Google关键字这些互联网大厂跟职缺的关键字通常都找得到不少。 新加坡的话比较难找，一亩三分地、PTT、Medium上有少部分的分享，Glassdoor上会更多，但是深度通常比较浅。 台湾的话，我有用面试趣、或着也是看PTT、Medium上有没有人分享。 我会先将相关的面经都搜集起来，再按照题型进行分类。 Step 4: 针对公司、部门业务做研究 至少对公司、所属产业状况、发展趋势有一定的了解。我看了不少「人人都是产品经理」的文章，有一些竞品分析、赛道分析、指标分析。特别记得包括快手跟抖音的短视频行业、滴滴旗下橙心优选的社区团购竞赛、Disney+, Line TV的流媒体产业、SeaMoney的FinTech事业。 这些对於面试中後阶段，Product跟Case的分析问题，指标拆解问题，都有很大的帮助。 有些人说这就是BA/DA面试的决胜点，也是没有行业经验的人难以跨进来的原因。不过我就是从银行业进到互联网产业的，所以我想不是没有机会，就是保持学习跟关注吧。 Step 5: 针对面经中的各种题型练习 如果有考演算法Coding的话，可以买Leetcode Preminum，刷该公司的题目，我印象中字节的面试中有一题是公司高频原题。然後面经里面的题目也可以刷一遍。 其他部分一样针对各个题型做练习、准备，找资料。我没有找人做Mock Interview，就是自己模拟，或是自己讲讲看题目，练习如何Structural的回答问题；或是模型推导，就自己把模型结构画出来，数学公式推导一次。 Step 6: 客制化自我介绍 通常面试还是会以自我介绍开头，所以为开场准备一个吸引人的自我介绍还是必要的。我有稍微在YouTube上看了一些教学，其中一个给大家参考，拟定自己的草稿。 接着在面试前，前面做了这麽多准备後，已经知己知彼了，知道自己的履历、知道对方的背景、重视的点、面试的模式，就可以以这些元素微调自我介绍的内容，将面试引导到你想走的方向。 其他求职相关Q&A 接下来还有几个求职相关问题，在此简单回答： 面试结束後，如何检讨？ 这个部分我就是面试完尽快将面试细节都记录下来，趁着记忆犹新的时候。我现在都是用Notion整理，会有一个Big Board，然後每间Company有自己的Page，里面又会有四个部分：①JD(Job Description) ②面经汇总 ③面试准备 ④面试纪录 https://imgur.com/ZGHDWos.jpg Job Application Big Board 除此以外，主要就是自己想想面试有哪些做得好和可以调整的。 真的需要花这麽多时间求职吗？ 我花了一个半月做前期准备，後面从开始积极投履历、走过四轮面试、拿到Offer又花了一个多月时间。中间比较多插曲、意料之外的事、纠结选择的过程让整体时间延长。值不值得，就看个人考量和规划吧。 DA/DS求职准备相关资源分享 SQL Mode SQL：在开始准备的时候，可以刷一遍Mode SQL复习SQL，或是第一次学也适用。 Leetcode — Database Problems：花个几天把高频50题刷完、整理笔记就差不多了。 A Collection of Data Science Take-Home Challenges — 6 SQL Problems：书里面附 赠的几个SQL题组也是不错的练习。 Python Leetcode-Algorithms Problems：这就不像SQL那麽好准备了。Coding需要准备的强度根据想面试的职位的要求而定，我自己花了不少时间，但是Medium还是没有到稳稳秒杀的程度，Hard就更头痛了。 Pandas：网上有很多Cheatsheet，搜一下就有了。想练习的话，最好的方式是自己做几个Project，从很raw的data开始清理；时间不够的话，可以拿几个DS Challenge练练手；还有一种方法就是用Pandas刷SQL题。 Product & Case Cracking the PM Interview：我只有大概翻了Estimation, Product, Case三章，可以作为初步的准备。 A Collection of Data Science Take-Home Challenges — 40 Product Questions：我有写一个系列文统整书里的内容，以一个DS角度来解Case，很值得参考，我是说书。 Stellar Peers：这个部落格有很多Product & Case相关的面试题目详解，相当值得参考，尤其对於准备英文面试有帮助。 Victor Cheng — Look Over My Shoulders：我有听一些这个Podcast，就是Victor Cheng带的Case Interview，插播他的解析。可以参考，但是跟DS面试的Case角度还是会有不同。 A/B Testing Udacity — A/B Testing：网路上大力推荐的课程，可以先简单过一遍。 A Summary of Udacity A/B Testing Course：这篇课程Summary写得不错(我不会承认其实我只看了Summary吧)。 A Collection of Data Science Take-Home Challenges — 40 Product Questions：一样还是这本书，里面有写到不少A/B Testing可能会遇到的问题跟解法。 Statistics 学校讲义：就，很，实用。 StatQuest with Josh Starmer：很多统计、机率、ML的英文影片解说。 Probabilities 40 Questions on Probability for data science：属於比较基本的机率问题，可以简单过一下，顺便把贝氏定理复习一下。 老实说，我有几次机率被问倒，有的涉及到微积分等稍微进阶的题目，所以其实应该要准备得更深入。 Machine Learning 林轩田 — 机器学习基石与技法：以前修课的时候都会说老师教得太数学理论，结果发现面试有时候还真的会考到。 李宏毅：李宏毅真的让ML变得比较可爱、听得下去。我主要针对我有用过的模型跟训练技巧去听。 Medium — Towards Data Science：根据自己想查的模型，常常能在上面看到不错的文章 介绍。 190 道机器学习面试题 & Data Science Interview Questions & Detailed Answers & 七月在线题库：像这种ML面试题我找了一堆，包括中文跟英文的，多到後来放弃ML之路。 Behavioral Questions 这种题目我就是自己看面经想解答，并没有太多参考其他的资料，我记得Cracking the PM Interview里面有一张是在讲BQ的，应该不错。 Big Data: Hadoop & Spark Udemy：有稍微看过上面的课程(Hadoop & Spark)。但因为之前工作没有实际经验，面试中也没什麽被问到。 结语 这篇应该算有诚意了吧。回到开头，我只是希望让Data Science这个社群更好(更卷?)，让求职数据相关岗位的人少走一些冤枉路，也纪录下我今年的努力和感谢，我确实是相当有恩典的人，Praise the One Above。 同时，我知道这只是我的一个小起点，Disney+ Hotstar里大部分都是美国名校硕博海龟、或是北大、清华...希望自己能在这个环境下快速成长，在数据之路走得更远。 ----- Sent from JPTT on my iPhone --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 122.11.212.83 (新加坡) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1636964273.A.A8F.html