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！