• 資料科學協會
2024 領航計畫已開放報名,請點擊後查看報名資訊
前往 Medium 閱讀好讀版

美國數據領域求職心得 / Networking之重要性

講者:宋沛璟 Peter Sung | Data Analyst @ Adobe

活動主辦單位:Taiwan Data Science Meetup 台灣資料科學社群

講者簡介

講者介紹:宋沛璟 (Peter),Peter擁有美國UT-Dallas Finance & Business Analytics雙碩士學位,先後在不同產業任職過,現職於Adobe Behance team 擔任Data Analyst,主要與產品經理共同討論產品KPI,並與工程師討論產品屬性以及Frontend Data需求。在Adobe前,任職於Uber — Strategy & Planning Team以及Micron — Technology Supply Chain Team。

投影片連結: Data Science Meetup

大綱

  1. Adobe 工作內容
  2. 為何從財務領域轉換跑道到資料領域?
  3. 如何準備面試、提高面試機會?
  4. 如何Networking?
  5. 如何應徵工作?

Adobe 工作內容

沛璟(Peter)目前在Adobe Behance擔任Data Analyst,Adobe Behance是Adobe Stock下的一個分支,提供平台給創作者展示他們的作品,幫助創作者得到更多曝光,如果使用者想設計產品,他們可以從Adobe Behance找到他們覺得適合的創作者來幫忙他們設計。

Peter主要工作大約區分成以下三塊:

  1. SQL(MySQL, Redshift, Mode Analytics):比重約佔50%,平常Ad-hoc分析、專案都會用到SQL。Mode是一個結合SQL跟Dashboarding的工具,可以直接拉資料並進行視覺化,不像Tableau, Power BI需要一次輸入所有資料,Mode Analytics可以把資料切成更小部分讓視覺化部分更簡單。
  2. Dashboarding(Mode Analytics):比重約佔30%。
  3. 與其他組員配合:比重約佔20%。主要合作的對象為:
  • 產品經理(Product Management):推出新產品時,和產品經理討論什麼樣的產品需要追蹤什麼KPI,或預估今年要達到什麼樣的指標才能算成功等。
  • 前端工程師(Frontend Engineer):假設我們想追蹤點擊率(Click Through Rate),需要和前端工程師討論應該要怎麼樣埋Tracking在網頁中,這樣才能追蹤使用者數量與點擊率。
  • 資料工程師(Data Engineer):在和前端工程師討論好怎麼樣埋Tracking後,就要和資料工程師討論如何儲存Raw Data,然後再把Raw Data透過Redshift或MySQL去轉換成資料分析可以使用的數據。

所需要的技能區分為以下兩大類:

  • Hard Skills:SQL(最重要,面試常考)、Dashboarding(Mode Analytics, Tableau, Power BI,面試中有機會展示這部分會加分)、Python(較少用到,通常是在做AB Testing會做到)、AB Testing。
  • Soft Skills:Collaboration(如何跟不同團隊合作)、Analytics Mindset(如何解讀數據)、Hypothesis Thinking(如何驗證指標、設定目標)、Business Acumen。

在Adobe之前,Peter也曾在Uber的Strategy & Planning Team擔任Business Analyst,他也分享了在Uber的日常工作:

  1. SQL(Presto、Hive):比重約佔40%。
  2. Dashboarding(Excel):比重約佔30%。
  3. 與其他組員配合:比重約佔30%,主要和行銷、資料科學家、S&P(Strategy & Planning)主管等合作。

所需技能:

  • Hard Skills:SQL、Excel、Marketing Analysis
  • Soft Skills:Collaboration、Analytics Mindset、Presentation、Industry Domain Knowledge。

為何從財務領域轉換跑道到資料領域?

原本Peter第一個碩士的主修為財務,但跟學長姐諮詢後,他發現財務相關的職缺(尤其銀行)在美國比較少會贊助外國人工作簽證,由於當初Peter來美國就是想在美國工作、深耕。當時又剛好發現很多不同公司、產業(半導體、軟體科技公司、銀行業等)都開出了和資料相關的職缺,發覺Business Analytics、Big Data、Artificial Intelligence可能是未來的趨勢,所以決定往資料領域發展。在資料領域眾多的職缺中選擇Data Analyst,Peter主要考量到自身寫程式以及建模型的能力,且未來職涯想朝商業端發展,所以最後選擇了Data Analyst,希望可以結合過去的背景跟資料分析能力來去做商業決策。

如何準備面試、提高面試機會?

Peter分享了以下四個重點如何準備面試、提高面試機會:

  1. Networking:Networking非常重要,Peter本身就是透過Networking拿到Uber和Adobe的面試機會,他也鼓勵大家多去LinkedIn上認識別人,有可能這些人未來就會是你的貴人。
  2. Being Prepared:隨時準備好等待機會,尤其是履歷,要經常更新履歷。也要有一個30秒到1分鐘的自我介紹。Technical Skills也很重要,尤其是SQL,有很多網站(StrataScratch, Leetcode, W3等)可以讓大家練習。另外在面試時,Peter也建議可以使用STAR(Situation, Task, Action, Result)將自己的經驗串連起來,尤其要強調你為公司帶來什麼效益。
  3. Interviews Are A Two-Way Street:面試是雙向的,不僅是要展示你可以勝任這個職位,同時你也要看這份職缺、公司適不適合自己,特別是在面試最後通常都會有一個環節讓你問問題,一定要準備問題給面試官,不要將這個機會浪費掉。
  4. Don’t Give Up:不管自己表現怎樣,面試還是會有失敗的時候,切記不要放棄,有可能另外一個機會很快就來。

如何Networking?

Peter主要透過LinkedIn以及Facebook來做Networking,兩個中最常用LinkedIn。LinkedIn可以分為三個階段,第一個是如果你還在台灣或者在準備出國唸書,可以透過LinkedIn去找學長姐;假設對某個學校或科系有興趣,那你就可以試著聯繫學長姐來了解這個科系怎麼樣、未來就業率、多少人最後留在美國、校友常去哪些公司等。第二個階段的話是如果你已經在學校,可以透過LinkedIn來找Internship(實習機會),美國很多公司會看過去有沒有在美國有工作經驗,有實習經驗是一個很大的助力,另外也可以請業界的人或學長姐來協助審核履歷。第三個就是畢業之後,你可以透過人脈的推薦去找到更好的工作、跳槽等。Facebook的話,像是台灣資料科學社群的臉書群組、學校台灣同學會等都有助於Networking。

如何應徵工作?

  1. 聯繫招募主管或未來同事:直接聯繫招募主管或未來同事比直接申請更有機會被看到,如果未來主管或同事覺得你的履歷不錯,會很快就進入面試階段。Peter建議到LinkedIn上找看看有沒有招募主管在發招募文章,或透過關鍵字搜尋看有沒有人的Hashtag有包含Hiring,也可以注意那些比較活躍的用戶轉發的任何招募文章。當你要傳訊息給招募主管時,要簡潔並傳達自己的長處。
  2. 聯繫或找尋推薦人:如果找不到招募主管的話,可以看看有沒有公司內部的人可以幫助你,雖然可能不是同組的,但是相對用推薦的申請職缺還是會比較有利。這個部分的話,Peter建議平常就要開始建立連結,不要等到你需要找工作時才開始認識人。
  3. 線上應徵職缺:最下下策就是自己從網路上申請,通常只有真的找不到人或者看到職缺剛發出來才會線上應徵職缺。

聯繫招募主管的模板範例(強調自己有什麼Hard/Soft Skills符合該工作職缺)

當別人接受你的交友邀請後,如果在Follow-up強調自己的長處、優點等

Q &A 問答精選

Q:請問可以分享Coffee Chat的開場跟結尾有什麼建議嗎?

A:Coffee Chat最重要的是一定帶著問題去問別人,不能漫無目的的聊。開頭可以先從自我介紹開始,準備一個可以破冰,讓別人可以快速了解你。結尾的部分就看你們聊的主題,並沒有一個太制式化的方式做結尾。

Q:Business Analyst和Data Analyst有什麼區別?

A:Peter覺得職稱僅供參考,主要還是要看Job Description,Data Analyst比較偏Tech,Business Analyst有些不會用到SQL,主要的工具可能還是使用Excel。

Q:如果是完全零經驗的人,想要跨領域轉職成為Data Analyst或Business Analyst,有什麼建議的方向嗎?

A:面試的話,SQL一定要先掌握好,不管是Data Analyst或Business Analyst面試都會考SQL,沒有直接寫SQL的話也會考SQL的概念,再來的簡單基本的程式(Python等)也要準備,接下來面試的部分盡量要凸顯出以前工作、做專案有關分析的經驗。

Q:請問Data Analytics相關職務在應徵時會要求Domain Knowledge嗎?聽說Domain Knowledge對於Data Analytics來說很重要,但Domain Knowledge不是馬上就能培養的,請問這方面該如何培養?

A:Peter覺得比起Domain Knowledge,對於數字的敏銳度更為重要,例如如何解讀資料、遇到怎麼樣的資料時,應該用什麼樣的圖表或分析去呈現等,通常公司也不太期待你剛進公司就對公司的Domain Knowledge十分了解。Peter也建議進入公司後可以多跟同事Coffee Chat,這樣可以讓你更快速了解公司以及Domain Knowledge。

Q:想請問Peter有財務背景 ,對於分析能力與平日工作上,有帶來什麼樣的優勢嗎?

A:Peter覺得在Business Sense、思考邏輯以及Excel的使用上有較多優勢,其他的部分Hard Skills(程式等)倒沒有太大幫助。

筆記手:Jason Wang
校稿:Peter Sung、Ting Yu

👉 歡迎加入台灣資料科學社群,有豐富的新知分享以及最新活動資訊喔!

社團法人
資料科學協會

立案證書字號

1090070264

Copyright 2020-2024 資料科學協會 All Rights Reserved.

本網站由 資料科學協會 維護