Member-only story

講者： 黃冠豪 Wilson Huang | 產品分析師＠Google

一路走向 Google資料科學 的求職歷程

學習本沒有極限，把握每次更上一層的機會，一起了解 “第二份” 資料科學的面試秘訣

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

講者不放棄的學習精神，一路從商科奮鬥到Google資料科學，在每一個崗位上都讓自己多嘗試一點舒適圈外的新知，在每一個機會來臨時更接近自己的目標和理想工作，不藏私的分享如何把握每個展露頭角的機會，以及各種求職的細節與檢討，用心地將大家的問題也一併回答在QA裡。

大綱

1. 資料科學的旅程：轉戰資料科學的困境與職涯
2. “第二份” 資料科學面試技巧： 資料分析師 v.s. 資料科學家
3. 資料科學求職經驗教訓和改善方式
4. Q&A: 職涯問題、面試問題、工作內容問題

講者的話

為了尋找新的資料科學職涯挑戰，我在 2021 年投了 15 份履歷，面試了橫跨曼谷、新加坡、還有台灣總共 8 間公司，最後獲得 4 間錄取。我將在這次版聚分享這段求職旅程中，同時挑戰數據分析以及機器學習職缺的心得，內容將著重在面試流程，分享我如何準備這兩種不同類型職缺各自的面試題，還有我這次求職犯過的錯誤，希望幫助社群的大家更有效率地達到在資料科學領域的求職目標。

資料科學旅程

大學時期 ：除了財金主修外，還另外去認識資料科學，因此學了 C++、並開始對程式語言 Python 和演算法很有興趣，修了一些跟數學和資工相關的課程。並透過實習和專題來累積學術和業界的經驗，也因為這些專題課程讓自己對資料學習越來越有興趣。

中研院時期 ：研讀了很多深度學習和推薦系統的論文，並參與了產學合作計畫，這些經驗對自己後來找資料科學職位的面試很有幫助。

雷亞時期 ：經歷了不少有趣的資料分析議題，分析玩家的成長策略，利用各地區國家的廣告投放和收益來做分析，以及量化遊戲營運，利如用相關係數來分析不同玩家的產品。最大的成長是在 A/B Testing 這一部分，當時的公司還未有一套系統，因此花了很多時間精力去設計符合公司需求的 A/B Testing 標準流程。

資料科學職涯

Google 將資料科學工作概略分成兩大部分：Product Analyst 和 Data Scientist，主要的差別在於對於專案上走廣度和深度的差別（只是概略分類，不是絕對）。

Product Analyst：取得產品設計者與管理層的第一手商業問題，並提供數據協助快速地做決策。產品類型廣而淺，以平臺和生態系的產品為主，利用分析來了解產品的成長績效，或者分析不同介面的測試。

Data Scientist：比較偏向長期且深入統計學相關的專案。分析題目通常以成熟型的產品為主，例如 YouTube 和搜尋引擎等類型，利用演算法來優化廣告和排名等等。

講者的工作以定義指標和產品 KPI 為主，追求快速且有效回答商業問題；工作目標是要創造改變，將模糊的決策因為你的數據支持而繼續推動專案的前進。

Product Analyst 需要具備商業思維、溝通能力、和專案管理。

資料科學面試技巧

定義職涯目前的階段

為何是「第二份」面試，有什麼不同？

第一份工作的面試：偏向 Junior Level 大多是類似填空題的方式面試，比如 Unsupervised Learning 是什麼、舉例使用情境。