从高中以来一直在 PTT 潜水，从前辈们身上学到许多经验，我也来回馈分享这篇求职经历 ，希望跟我一样略有工作经验、想挑战海内外资料科学家职位的板友，可以少走一点弯路 、为面试战场做更有效率的准备。 2021 年接近尾声，这篇文是我今年的求职经验整理，着重在数据分析或产品分析相关职缺， 我选出我自己觉得面试中最重视的面向：数据指标、沟通能力、与统计学专业知识， 并在此分享重要的面试题目。 为了 PTT 排版我稍微精简了文章，完整的好读版文章在我的个人部落格： https://reurl.cc/g0vW3Q ## 求职背景与结果 我是 112 管理学院学士学历，开始面试前，我在手机游戏公司担任资料科学家已有两年半 的时间，工作经验以数据化营运策略、仪表板设计、以及 A/B Testing 为主。本业外的时 间，会拿去打机器学习竞赛，都是国内赛事、没有 Kaggle 成绩。 本文的经验是来自四间我有进入面试关卡的外商：Google、Agoda、Shopee、以及 LINE， 其中只有 Agoda 我主动放弃面试，其他都拿到 Offer。 ## 面试经验与建议 ### 数据指标 数据分析最核心的能力，就是为商业策略找出适合的数据指标（Metric），这也是数据分 析面试必定会出现的考点。指标是否「适合」，其实没有标准答案，面试的重点在於如何 说服对方：你是否知道自己选择这个指标的优缺点？为什麽选择使用此指标？ 我认为数据指标的面试，最常会问的可分成三种类型：定义、性质、与变化。 #### 指标定义 出现了商业问题，资料科学家需要定义出合适的指标来协助决策。通常会以情境题的方式 出现：如果你是某产品的经营者，你觉得什麽数据最重要？ - 假设 Amazon 要招揽厂商放在首页、增加曝光，要用什麽数据来兜售这个策略给可能有 兴趣的厂商？ - 假设你是 Netflix 老板，想推出短影片观看精华片段的功能，要用什麽指标来追踪新功 能的成效？ - 假设你在 Uber 工作，你会在仪表板上看什麽指标？你觉得什麽指标最重要？ 我们设计出的指标需要能够与商业策略连结、并且指引出下一步该怎麽行动，我们可以用 产品价值（A-Ha Moment）来发想，例如上方的第二个例子，要提高 Netflix 的续订率， 我们定义看完完整一集影片是 A-Ha Moment、并且此影集完成率指标会提高续订率，我们 可依此检验提高短精华影片的点阅率是否也会提高影集完成率，如果可以，短影片的新功 能就值得推出，这就是用数据引导行动的商业逻辑。 #### 指标性质 面试官会质疑某些数学性质、造成该数据指标不够好，你需要适当地说服对方你选择该数 据指标时，做了什麽权衡（Trade-off）。 - 仪表板监看 DAU 可能会有什麽问题？能用什麽指标改进？ - 假设你是餐厅老板，翻桌率是个好指标吗？如果冷门时段翻桌率是零，会怎麽影响数据 ？ - 想知道使用者喜欢影片的程度，至少观看 30 秒的人数比例与平均观看时间，哪个是更 好的指标？ #### 指标变化 老板盯着数据仪表板，发现某个数字突然变高或变低了，跑来问数据团队该怎麽办，这完 全就是资料科学家每天都要面对的情境！ - 某商品购买率这两天突然变低了，你怎麽找出问题？ - 每日指标必定会上上下下变化、究竟变化多大才值得我们额外花费心力调查？ - 产品经理发现我们的社交软体产品，这周的按赞人数快速下降，所以来向你求助，你会 怎麽回应他？ - 我们投放了新的广告，APP 的新使用者明显比以前多，我们可以立即增加预算在这项新 广告上吗？ 指标变化的题型重视解决问题的维度，你可以从数据变化的时间范围、涉及的国家、客群 类型等等角度切入，重点在於展现出自己是用很有条理的方式抽丝剥茧、找出核心问题。 对於此类面试题，我个人喜欢采用的策略是：假设情境，举例而言，我认为按赞人数的急 剧下降可能来自新使用者的大量导入，在我的分析经验里，新使用者的平均沈浸程度相对 较低，因此我会选择从新旧使用者的客群结构开始调查。 以上数据指标问题的三个面向，也只是概括分类、问题之间可能会有交集，但是整体而言 ，都是在检验面试者能否结合数据分析与商业思维 Stellar Peers 的部落格 有很多范例题、以及分析模板示范，可以让你自己练习产品分析 模拟面试。 https://medium.com/@stellarpeers --- ## 沟通能力 如果这段求职旅程重来，我会花更多心力准备沟通能力相关的面试问题。 资料科学家是需要长时间跟不同部门与不同领域专家合作的角色，技术专业与沟通能力同 等重要，因此，资料科学面试的每分每秒也都在检视你是否善於沟通合作。 ### 讲清楚自己的经历 常遇到的经历相关问题包括： - 为什麽要做这个专案？目标是什麽？ - 为什麽需要用这个统计模型？原本数据仪表板为什麽不足以帮助决策？ - 这项专案用什麽形式呈现结果？造成了什麽改变？ 回答资历与专案经验相关问题，许多人推崇使用 STAR 架构 来让你以更清晰的逻辑来交代 你的实力与贡献，实际在使用 STAR 架构回答的时候，我个人会格外注意两个要点： - 讲清楚问题的挑战性，强调为什麽这项挑战非我不可 - 尽量用量化、有实际数字的方式来呈现战绩，并且说明的数字需反映出商业目标 经历相关的面试，我是从 Dan Croitor 的 YouTube 频道 学习的，他分享了很多大公司在 乎的人格特质，你需要练习让自己能成功透过叙述专案经验、向面试官表达出自己具有他 们想要的特质。 https://www.youtube.com/channel/UCw0uQHve23oMWgQcTTpgQsQ 也与板友分享我的失败经历，刚开始面试的时候，因为我自己很喜欢统计模型与机器学习 ，常常在分享专案经历的时候，一个不小心就讲太多模型架构或实验流程，最後才发现面 试官觉得这些资讯太过细节、而他们其实只在乎专案最後造成了什麽改变。因此提醒各位 ：不要只是一直讲你会做超炫超复杂的模型，要讲出你的模型提供的商业价值。 ### 职场专业沟通的经验 专业沟通指的是向他人介绍自己的专业技术、以及说服对方自己产出的结果可信，专业沟 通面试要考验的是你能否顺利 与不同背景的人合作： - 请介绍你被刁难过的经验 - 你有跟其他部门的人合作过吗？遇到过什麽困难？ - 你与其他分析师意见不合怎麽办？又如果是跟你的老板意见不合呢？ - 你的老板会看懂你的统计模型吗？如果他不懂、你怎麽说服他采用你发掘的洞见？ 我自己面对这类问题的小技巧，是事先整理多则故事、准备好在面试中分享。以上这些问 题，要是只一味说着「我的能力一定能克服困难、顺利沟通」，听起来太过虚无缥缈，如 果能用实战经历的故事来说明，会更有说服力，例如我会说：「在我履历所写的某某专案 ，主管起初确实反对我提出的洞见，因此我采取的行动是…」。 ### 与面试官的沟通 面对面的面试，你需要掌握面试官的一颦一笑、还有他心里想要的答案可能是什麽，其实 笼统地说就是人与人沟通的技巧，所以这里三言两语也说不完，这里就分享两个在我的经 验中、特别重要也容易忽略的面对面沟通要点。 首先，一定要厘清对方问的问题。不管是情境题、经历问题、甚至是写程式面试的过程， 时常要注意厘清问题，要搞清楚对方究竟想知道的重点是什麽、还有他希望回答要多少细 节。最忌讳的是面试者不在乎对方想不想听，自顾自地一直讲话，但是讲很久之後才发现 ，回答内容不是面试官问的核心议题。 第二个要点：当对方想开口的时候，千万不要抢先他说话，因为他已经没在听了。 这是我从以下模拟面试影片学到的沟通要点 https://www.youtube.com/watch?v=CD3V4Z5hCgM 影片中的面试官扮黑脸，有时故意冷冷地不讲话、有时还插话纠正面试者，影片後半段分 析师前辈也介绍了该如何应对，建议直接从影片中学习这项关於对话节奏的要点，实战面 试的时候，偶尔的确会遇到这样有点冷酷的面试官喔。 ### 写程式面试也在考沟通 在我的经验中，应徵较 Senior 的分析职位，把 SQL 题目 100% 写正确已是基本要求，要 让自己在众多面试者中脱颖而出的得分点，就是沟通。写程式面试的沟通，请至少需要注 意以下三件事： - 开始写程式前厘清问题 - 善用 Pseudo Code 呈现思考流程 - 写完程式後，分析现有结果 --- ## 资料科学专业知识 应徵数据分析工作，具备统计知识是基本、A/B Testing 是超重要技能、因果推断能帮助 你再加分。 ### 统计学 资料分析工作在面试会考的统计学都不会太难，不会超出大学一年级统计课本的范围，也 没有人会有闲问你数学证明，大多会问统计学的名词解释与应用。 光是 P-value 我就遇见过超多种变化题： - 请说明什麽是 P-value - 如果对方从来没学过统计学，你会怎麽向他介绍 P-value - P-value 有什麽缺点 假设检定与回归分析问题也是非常常见的： - 请解释中央极限定理 - 请介绍一个你使用假设检定的情境 - 什麽是型一与型二错误 - 线性回归背後有什麽假设？怎麽检验？违反了会怎样？ - 怎麽解释罗吉斯回归的结果是好是坏？ 我面试数据分析与产品分析的相关职位时，机器学习相关的统计学议题通常问得不多、顶 多聊一些应用场景，所以即使机器学习跟人工智慧在现在的资料科学领域是又新潮又炫， 如果你是找数据分析师工作、请不要花太多时间练习机器学习问题。 （此为我的主观经验，市场上当然也存在需要大量机器学习技能的数据分析职缺，请各位 以自己看到的职缺要求为准） 要准备统计学的面试题目，如果你大学没有修过统计学课程、或者已经忘光光了，推荐你 看 YouTube 频道：JB Statistics 打好基础 https://www.youtube.com/user/jbstatistics/featured 若是面试在即，可以用以下这个题库快速复习 https://reurl.cc/OpbA6D 我觉得想在统计学面试题脱颖而出，讲得出数学定义与解释只是第一步，更重要的是要能 用老妪能解的方式说明。资料科学家非常重视跨部门合作，你未来的沟通对象可能是产品 经理、使用者体验设计师、或者是 CEO，他们不见得有深厚的数学背景、但你依然需要说 服他们！因此，在数据分析面试，「如何向非技术人员介绍你的分析技术」是重要的考点 。关於这点，StatQuest 这个 YouTube 频道做得特别好 https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw ### A/B Testing 只要是网路相关产业的资料科学工作，A/B Testing 已是必备的技能。虽然像是 Google Analytics 这样的工具越来越流行且强大，让执行 A/B Testing 变得很容易、按几个按钮 就能做到，但实际上，商业实验的作法有太多眉眉角角，如果没有扎实的统计学知识，实 验结果就会导向错误结论、没办法真正提升产品的品质。 A/B Testing 基本款的面试考法，是直接请你说明 A/B Testing 的所有流程，从这个开放 式问题中，面试者回答的分析框架、详细程度、以及考虑的维度，就可以看出面试者究竟 多有料、对 A/B Testing 实验熟不熟悉。 A/B Testing 的流程该怎麽回答？我这里写其中一种范例： 1. 厘清新功能细节以及商业目标 2. 定义数据指标 3. 建立假说 4. 为假设检定设定参数：显着水准与检定力、期望最小差异、所需样本数 5. 估计实验所需时间 6. 执行实验 7. 解释结果 以上流程的细节，请参考这篇部落格文章： https://www.kdnuggets.com/2021/04/ab-testing-data-science-interviews.html 随着每个人的工作经验不同，回答的实验作法或重视的细节也略有差异，要是你的 A/B Testing 实战资历不够多，请多方参考各个资料科学家的思考方式，例如，可以看看数据 分析师 Passion 在她的粉丝专页分享的 A/B Testing 实验流程。 https://www.facebook.com/helloimpassion/posts/194733982665686 A/B Testing 这个领域的水真的很深，些只找有经验应徵者的 Senior 职缺，面试中还会 问更进阶的 A/B Testing 的实验方法问题： - 多重检定（Multiple Testing）是什麽？该怎麽解决？ - 请介绍一个使用 A/B/C Test (Multivariate Test) 的场景 - A/A Test 是什麽？为什麽需要做这个？ - 假设 Uber 想要测试给客人优惠券折扣是否会提升搭乘数，A/B Testing 怎麽设计？可 能遇到什麽问题？ 这些进阶 A/B Testing 的议题，我常会参考此领域重量级人物 Ron Kohavi 的论文，先推 荐一定要看他个人网站的 FAQ 页面，准备面试超实用 https://experimentguide.com/faq/ ### 加分题：因果推断 我们都知道 相关不代表因果，因果推断（Causal Inference）就是辨别出因果关系的科学 方法。 推论因果关系常用的方法就是 A/B Testing，但是在实战中，有很多 A/B Testing 无法进 行实验的情境，例如，曾在本版发文的新加坡虾皮 Eric 前辈在他的工作分享文提到，电 商的双十一是一年一度的大活动，公司不会接受牺牲钜额业绩来做商业实验，这时还想推 论某变数的影响力、就需要用到因果推断方法。 https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1584274940.A.FA3.html 因果推断除了在上述 A/B Testing 不适用的场合、也屡见於电商与 MarTech 领域应用， 我得强调，在我 2021 年的面试经验中，会问起因果推断的公司还不多，只是我主动提出 因果推断方法後，面试官都给我正向反馈，所以我自己把因果推断视为加分项目，有空多 看、调剂身心即可。 如果你还没接触过因果推断的任何方法，我自己与面试官聊起 Uplift Modeling 的经验都 满愉快的，推荐你从这项方法开始学习起 例如参考 LINE 的 Uplift Modeling MarTech 应用案例 https://engineering.linecorp.com/zh-hant/blog/lets-play-in-data-park/ 较正式的 uplift modeling 学习资源可以看以下这本 eXplainable AI 课本： https://pbiecek.github.io/xai_stories/story-uplift-marketing1.html --- ## 结语 总结而言，资料科学家百百种，如果你的目标是数据分析或者产品分析职缺，小心不要被 酷炫的机器学习或人工智慧冲昏头，请专心准备数据指标、沟通能力、以及统计学的专业 知识，我希望这篇文章能帮助到要挑战海内外资料科学家职位的朋友们 除了数据分析的求职经验，我在这年同时也挑战了机器学习开发职缺，我整理好心得後， 未来会再跟 PTT 的板友分享经验 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 101.10.15.11 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1640775284.A.AD2.html ※ 编辑: AgileSeptor (101.10.15.11 台湾), 12/29/2021 18:56:25 极度少, 我也算是好运遇到有开职缺 ※ 编辑: AgileSeptor (36.225.60.184 台湾), 12/29/2021 22:29:46 我在部落格原文章内有推荐我看过的好书跟课程 但是我没看过有某本书能涵盖所有分析需要的技能 我都是看自己少什麽能力、就额外去那个领域找资源学习 不确定大家问的白板题是什麽 如果是软工的系统设计或演算法复杂度, 我在 DA 面试没遇到 真的要说类似白板题的 的确会有很多案例分析、这种开放式问题 只是视讯面试时、大多只有口述交流 ※ 编辑: AgileSeptor (36.225.60.184 台湾), 12/30/2021 14:05:59 如果白板题指的就是程式题目 我面试数据分析的每间公司必考 SQL 形式跟 Leetcode 上的 SQL 题相似 也有公司会考 Python 的 pandas 资料处理 ※ 编辑: AgileSeptor (36.225.60.184 台湾), 12/30/2021 23:06:56