[TWDS 線上版聚] 資料科學家的轉職經驗分享

[2022/02/19] Taiwan Data Science Meetup — 張珮菁 Paige Chang

講者介紹

Paige目前在基金管理公司Vanguard擔任資料科學家，利用機器學習與實驗設計為公司數位化轉型，並提升客戶滿意度。

分享主題

Paige分享如何從自身生醫研究之背景跨領域找工作，循序漸進轉職成爲資料科學家，也分享了履歷修改、 人脈找尋及面試準備的歷程，讓期待跨領域轉職成為資料科學家的人有跡可循。

內容大綱

1. 轉職資料科學的契機
2. 找工作前期
3. 面試應答
4. 面試後反思
5. Q&A

1. 轉職資料科學的契機

在博士研究結束後，Paige因為對於至藥廠工作無興趣，希望轉換到能讓自己發揮數據理解力的資料科學領域，然而因學術研究期間缺乏實習或工作經驗，在轉職過程中遇到了許多挑戰，希望透過分享轉職歷程，讓有心跨入資料科學領域的人能走得更加順遂。

2. 找工作前期

自我定位 — 了解就業市場，規劃自我定位

依據個人具備的能力或興趣，鎖定最相關的職缺，例如：喜歡做模型可以Data Scientist，ML Engineer等職位作為目標。

提升自我實力

可透過線上課程自學熟悉以下內容：

1. 程式(Data Structure, Algorithms)、資料庫(SQL, Pandas)

1. [演算法] https://runestone.academy/ns/books/published/pythonds/index.html>

2. [SQL] SQLZOO

2. 機器學習、深度學習(Neural Network)

1. Machine learning and deep Learning series by Andrew Eg on Coursera

2. Bloomberg’s Foundations of Machine Learning

3. 數學/統計(機率、A/B test)

1. https://www.probabilitycourse.com>

2. StatQuest with Josh Starmer

也很建議實際做專案(如: Kaggle competition)演練分析過程，甚至可以將做得不錯的放入履歷表。

修改履歷

建議從以下關鍵項目重新檢視自己的履歷：

1. 主管想要看到的特質或能力
2. 掌握職缺關鍵字

根據job description改寫履歷被看見的機會比較高，也可參考Linkedin上

相似背景的人如何描述個人經驗。

3. 展現軟實力

由過去經驗傳達個人特質，公司重視的特質不盡相同，可從幾個方向思考： 溝通技巧、志工經驗、其他個人之與眾不同的經驗。

4. 個人經驗整理：PAR模板

不受限於產業，每份經驗皆可依此模板條列3–5個bullet point

1. 目的(Purpose)

2. 行動(Action)

3. 結果(Result)：量化方式呈現結果

拓展人脈

1. 赴美求職人脈管道(增加進入大公司面試的機會)

1. 線上社群：台灣資料科學社群、台美人求學求職合作社

2. 線上podcast：矽谷輕鬆談(Apple Podcast)

3. 線上網站：NEX WORK

2. Informational interview

投履歷前，先與公司內部的人聊，了解個人興趣與能力是否與該公司相符。(可參考這本書：The 2-hour Job Search)

3. 面試應答

流程

1. 人資→面試官→OA(Online Assessment)/ 回家作業→On-site(3–7關)→Offer
2. 參與求職平台Insight Data Science計畫，從中發現在面試中須精進的地方

問題取向

1. 第一印象 （1–2分鐘簡單自我介紹）：重視說話的邏輯性，並藉此追問問題
2. 專案作品 （3–5分鐘呈現邏輯可行之作品）
3. 專業技術 ：須熟悉專案及履歷上的模型與方法
4. 動機 ：展現想要這份工作的理由，可著重為什麼想進入新的領域，而非為何需要離開過去所熟悉的背景。

OA/回家作業

企業出題給予應徵者做分析時，在意的不在於程式使用了高難度的演算法，也不該拿到data就直接開始做分析，應先定義清楚問題的前提，讓後續的分析更有說服力，因此累積business sense很重要，並非技術做得好就會受到青睞，可透過readme檔讓人更容易理解你的想法。

4. 面試後反思

若順利取得offer，了解個人能力所對應之待遇，爭取個人的薪酬(bonus或其他福利)很重要。

若未能順利取得offer，也要檢討面試表現，像是透過詢問人資了解意見回饋，了解面試過程可以加強之處，讓每次面試能越來越順利！

5. Q&A 精選

Q1: 想請問講者在加入 Vanguard 前有特別準備財金相關的 domain knowledge 嗎？

• 過去的經驗並沒有特別準備這方面的知識，但面試官通常也不會特別問個人履歷以外的內容。

Q2: 可以分享Vanguard data scientist在分析甚麼樣的主題嗎？(例如分析預測客戶的行為，還是會分析預測股票市場的變動嗎?)

• 我的團隊主要專注在做數位轉型的部分，而Vanguard每個團隊做的內容都不相同，因此分析項目也不同，舉例來說，我們會透過建立nlp模型，聽取每位顧客的反饋，以協助產品改進。

Q3: 請問面試時通常會提哪些問題更了解公司或是公司文化?

• 我常詢問的問題像是：團隊與不同職位的合作方式(了解組織上是否可能有溝通問題)、 工作上最喜歡的事情(了解公司員工的工作動力如何)。

Q4: 若被問到個人履歷以外的behavior question或是預料之外的問題，應該如何因應?

• 面試前我會先準備10題左右behavior question的答案，實際面試時挑選最相近的回答做回覆，常被問到的問題包含：為團隊做什麼樣的貢獻、為什麼想要轉職等，如果遇到預料之外的問題要盡可能即時回答，展現正能量的個人特質(例如問到最大的挫折等)。

Q5: 關於自己做過的kaggle competition，如果是上課時老師指派的作業，也可以放到作品集裡面嗎? 您是怎麼整理自己的作品集呢?

• 建議放上Github，並寫好readme檔，也不需要放上很多個專案，挑選一到兩個代表性的，如果是以跨領域的角度來說，盡量不要挑選與先前領域相關的專案，以展現跨領域學習的能力。

Q6: 如何準備跟A/B testing相關的問題？

• 還未有完整的工作經驗前，可以先了解如何設計實驗、具備基本概念：如t-test、假設檢定、型一誤差、型二誤差等。

Q7: 以您的經驗,ml engineer, scientist, analyst各自的工作重點以及合作關係是什麼？

• Data scientist主要會做模型來預測未來的情況，Data analyst主要是以post-hoc根據過去的資料了解未來趨勢，ml engineer偏向將模型運用到實際production上，對於寫程式的要求較為嚴格。

Q8: Data scientist需要程式能力，那會需要去刷leetcode嗎，還是和software engineer相比，練習easy和少數medium即可，利用大部分的時間打kaggle會是比較好的時間投資？kaggle打到什麼程度比較加分？

• Take-home assessment的比例較高，較少接觸到leetcode，大概只需要練習leetcode easy的程度即可，kaggle的競賽有時容易掉入排名的陷阱裡面，能在面試時有系統性地解答面試者的問題較為重要。

Q9: 如何針對每個jd去tailor resume?如何撰寫每個bullet point?

• 根據工作類型不同，準備幾個模板，修改的方式：更改關鍵字，盡量跟JD相符，hiring manager比較容易讀，篇幅在一到兩頁之間。
• Bullet point撰寫方面，每一項經驗盡量不超過5個，內容可能包含Project背景、使用什麼方法、得到什麼結果以及軟實力的累積等，寫完履歷後也可以找不同領域的人(或是職場的前輩)，給自己意見。

筆手：邢芳瑜 (Ruby Hsing)
校稿：張珮菁 (Paige Chang)
👉 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！