2021海內外數據科學、資料分析求職全攻略(壹) — 成績單、攻略、資源
How I passed 26 interviews & got 6 DA/DS offer from Disney+, Bytedance, SeaMoney, LINE TV, DiDi, Kuaishou — Part I
在入職北京Disney+ Hotstar的第一個週六，我希望將過去幾年的職涯摸索過程紀錄下來。這一路走來的不甘心，也許暫時告一個段落了。希望透過這一系列的文章，給同樣想走Data這條路的人一點幫助，就像我一直以來受到這個大社群幫助一樣。
此篇是求職全攻略系列文中的精華，從上海黃浦江寫到北京中關村，可謂傾盡全力、嘔心瀝血。
本文會從求職計畫源起、求職成果、準備攻略⋯一直寫到資源匯總，希望能幫助到同樣要經歷海內外DA(Data Analyst)/DS(Data Scientist)求職的朋友。
之後有機會再陸續分享我過去數據之路摸索和挫敗的經驗，以及我在2021年的面經(面試經驗詳細記錄)。
前傳：跌跌撞撞的職涯探索
* 數據之路的摸索和挫敗壹：求職成績單、攻略、資源匯總
* 求職計畫源起
* 2021 求職成績單
* DA/DS求職要做哪些準備？
* 對於DS各個科目，我如何做前期準備？
* 前期準備之後，如何得到大量的面試？
* 開始大量面試後，如何準備？
* 其他求職相關Q&A
* DA/DS求職準備相關資源分享貳：求職面試經驗(北京上海)
* 面經：美團, dunnhumby, 快手, 滴滴參：求職面試經驗(新加坡)
* 面經：Twitter, GBD, SEA, SeaMoney, Bytedance肆：求職面試經驗(台北)
* 面經：AMBER Group, 竹間智能, Line TV, McKinsey, Binance
求職計畫源起
2020年11月，我花了很多時間將一畝三分地和Medium上的DA/DS求職心得總結在Notion上，寫成「DS找工葵花寶典」。我一直在跟我在數據之路的好兄弟Ryan說，依我過去在教會所受到的訓練，我可以自修幾個月考上台大，指考物理93，化學88，英文91.5，托福104，GRE 327⋯，其實準備面試跟考試的道理應該是差不多的，讓我全力準備幾個月，依我的計畫力跟執行力，沒道理失敗。其實原話是：
「讓我全力詹兩個月，沒理由輸。」
*注：NBA球星LeBron James在生死戰時，會開啟[全力詹]模式，平常則是經常[滑水]、[散步]。
在那之後，我在DBS接到一個比較大的Project，一直到2021年4月中，我在DBS的工作都比較緊湊、充實，也比較沒有花太多心思在求職上。
因此，確實參考「DS找工葵花寶典」擬定自己的「2021海外找工準備計畫Pro Max」是從2021年四月底開始。
在此之前有一則重要的LinkedIn訊息讓我對這個計畫更有信心：2021年3月19號，在舊金山Twitter的Janet學姊介紹在新加坡Twitter的MLE (Machine Learning Engineer)機會給我，儘管最後五月面試沒有上，但這讓我知道：
原來我離我的Dream Job也許並不是那麼遠。
好，前面鋪成了這麼久，差不多是時候上乾貨了。
2021 求職成績單
總共做了1份簡報、1個Take-home作業、3個OA (Online Assessment)、32場面試，通過26場，拿到6個Offer，3個北京、1個台北、2個新加坡。
那接下來的問題就是：
How did I make it ?
我想分為幾個部分，首先最大的題目是：
DA/DS求職要做哪些準備？
DA/DS 求職準備清單🔥: 熱門必考(1) Programming:
- Python 🔥
- Pandas 🔥
- SQL 🔥
- Bash, Shell(2) Foundation of Mathematics:
- Statistics 🔥
- Probabilities 🔥
- Time Series(3) Machine Learning:
- Machine Learning 🔥
- Deep Learning
- NLP
- CV
- RecSys
- ML Design(4) Data Engineering & Big Data:
- Airflow
- Hadoop
- Spark(5) Product & Case:
- Product 🔥
- Case 🔥
- Estimation
- A/B Testing 🔥(6) Take-Home Challenge:
- DS Take-Home Challenge(7) Data Visualization
- Tableau
- Power BI
- Python DataViz Packages(8) Behavioral Questions
- BQ 🔥
- 為什麼會有這麼多要準備的科目？
數據相關職缺在每間公司，每個部門的定位都不一樣，同樣職稱是DS，做的事情可能大不相同，有的偏重分析、推論，有的偏重Modeling，有的偏重A/B Testing，有的可能一條龍從Data Engineering, ETL到Data Visualization、Dashboard都要做。因此面試的內容變化也比較多，可以從JD(職缺描述)和面試中了解到這個職缺注重哪些特點跟技能。
- 我需要準備這麼多技能嗎？時間有限怎麼辦？
這個就是目標和策略的問題。如果有很明確、具體的求職方向，你當然能夠將準備的範圍限縮，針對重點科目做準備。但對我而言，我認為以長遠來看這些都是累積的過程，我還不希望侷限自己，不論未來要成為CDO數據長、Own一個Product or Business，多一些技能跟經驗總是好的。因此我這次BA, DA, DS, MLE, NLP Engineer都有準備和面試。
考慮成功率的話，其實重點不在於要不要面試多種職缺，而是對於每種職缺的準備經驗都要有所累積，最好是密集、大量的準備、大量的面試，practice makes perfect。面試狀態對於面試表現的影響不亞於實力。
- 我還是不想準備的這麼雜怎麼辦？
你可以放棄做Data，去面Software Engineer吧，刷題就好了。
我開玩笑的。當然以一個Junior求職的狀況，準備Software Engineer面試也許會比較單純，在不考System Design的情況下，國際大廠通常就是以Leetcode形式的Coding題為主，但這完全不代表比較容易，在大CS時代之下，競爭也是非常激烈的，人人刷滿300題、500題，甚至破千的神人也不少。這是自己可以考慮的。
對於DS各個科目，我如何做前期準備？
我直接分享我在2020年11月就寫好，2021年4月開始執行的「2021找工To Do List」吧：
並將這些To Do，安排到前期準備的6個Phase中：
前期準備我預估要花51天，就是將近兩個月的時間，實際執行上，雖然還有不少調整跟不可控的意外變動，但誤差不大。
這邊可能有個問題是：
- 我應該準備到什麼程度，才開始面試？
這個問題沒有人說得準，很多人會說：「永遠沒有準備好的一天」，因此建議你一邊投履歷、面試，一邊準備，畢竟面試結果很難說，說不定一下就上了。
我的想法是，對於那些難得、不容錯過的機會，當然要試試看，比如說一年一度的校招申請截止日，你當然不能錯過。但是除此以外，我會覺得清楚照著自己的步調跟計畫走也很重要。你不會希望連基本的準備都沒做好，然後面試表現不好、場面尷尬，這樣相當傷士氣跟信心，並且反而換來公司冷凍期半年或一年。
前期準備之後，如何得到大量的面試？
簡單總結這個題目：
- 一份包裝漂亮的履歷。
- 找內推、Refer。
那延伸的問題是：
怎麼寫好履歷？
這個題目我先分享我自己的經驗：
- 我在大四上的時候，聽過一堂Mason免費辦給學員的履歷課，開始使用LaTex來編寫履歷。Mason現在有針對求職專門開課，看在Mason幫過我的份上幫他工商一下。
- 我在台大修過一門江介維老師教的「深造預備英文寫作」，針對履歷、Cover Letter、自傳、SOP相關的書寫都有幫助。
- 請別人幫你看履歷。
- 最後就是參考其他人的履歷。
更多細節就是付費內容了🐶。
怎麼找人內推、Refer？
- 平時經營好自己的LinkedIn、Medium：新加坡Twitter的機會，就是台大學姊在LinkedIn關注到我，主動幫我內推的。另外像是Binance, Garena, McKinsey, 新加坡SeaMoney的機會都是HR或Hunter在LinkedIn主動介紹給我的。
- 找學長姐、前輩、朋友們：我很幸運有認識在各國Facebook、Amazon、Google⋯的人，有些職缺可以跨國內推，有些有限制，可以請朋友看看。
- 關注Facebook、Medium、PTT、LinkedIn等社群：很多朋友有分享工作或面試經驗並協助內推，比如說新加坡TikTok的Junlin前輩、新加坡Shopee、SEA、泰國Agoda也都有一些朋友經常分享。
- 一畝三分地：我有很多內推是在上面找的，包含Disney+、快手、螞蟻金服、小紅書、拼多多⋯，都是在上面請人內推的。包含亞太、美國的機會都有，當然美國的前提是要有簽證。
- LinkedIn Cold Message：新加坡Ninja Van、GBD、台北Line TV就是我在LinkedIn上發Cold Message得到內推的，但整體來說，成功率不是很高。
- 半路出家軟體工程師在矽谷：這個部落格也可以參考。
開始大量面試後，如何準備？
Step 0: 熟悉自己的履歷。
這個是最基本、最重要、面試中準備CP值最高、最常被問到的。有幾個準備的層面：
- 清楚自己做過什麼事，可以完整的用STAR框架介紹(通常Action, Result佔比會高一些)。
- 知道如何在不說謊的前提下，隱惡揚善的包裝。
- 思考可能會遇到的follow-up question，如何應答。
要多清楚自己的履歷？以一個做模型的DS來說，基本上對於寫在履歷上的每一個模型都要很熟悉，舉例來說我有用過BERT這個模型，那我至少要熟悉：①模型架構每一層的細節 ②模型預訓練的方法 ③模型常用的下游場景和用法 ④我是怎麼用的；甚至包括：⑤模型訓練的參數挑選 ⑥與其他相關模型的比較、選擇 ⑦可能改進的方向。基本上這些都有機會被問到，這時候你就要把自己想成李宏毅or林軒田。
這裡只是以做模型為例，對於其他項目、Project也是一樣的道理。
Step 1: 清楚職缺內容、面試內容
詳讀JD，了解該職位重視哪些特質和技能，並勇敢而有禮貌的跟HR確認面試流程、內容、面試官資訊，儘管他們可能也無法透露太多，但是在面試前多一分資訊都是很寶貴的。
Step 2: 研究面試官背景
如果有面試官的姓名，我會到LinkedIn看看面試官的背景，說不定還能找到他的Medium、GitHub、Kaggle、Facebook、Twitter ⋯，難說面試聊天的時候會不會用上，但至少你知道你是跟什麼樣背景的人說話，揣摩要用什麼角度來表達。
Step 3: 找面經、面試心得
中國在這個部分的資源相當豐富，一畝三分地、牛客網、看準網上的面試經驗分享很多，Google關鍵字這些互聯網大廠跟職缺的關鍵字通常都找得到不少。
新加坡的話比較難找，一畝三分地、PTT、Medium上有少部分的分享，Glassdoor上會更多，但是深度通常比較淺。
台灣的話，我有用面試趣、或著也是看PTT、Medium上有沒有人分享。
我會先將相關的面經都搜集起來，再按照題型進行分類。
Step 4: 針對公司、部門業務做研究
至少對公司、所屬產業狀況、發展趨勢有一定的了解。我看了不少「人人都是產品經理」的文章，有一些競品分析、賽道分析、指標分析。特別記得包括快手跟抖音的短視頻行業、滴滴旗下橙心優選的社區團購競賽、Disney+, Line TV的流媒體產業、SeaMoney的FinTech事業。
這些對於面試中後階段，Product跟Case的分析問題，指標拆解問題，都有很大的幫助。有些人說這就是BA/DA面試的決勝點，也是沒有行業經驗的人難以跨進來的原因。不過我就是從銀行業進到互聯網產業的，所以我想不是沒有機會，就是保持學習跟關注吧。
Step 5: 針對面經中的各種題型練習
如果有考演算法Coding的話，可以買Leetcode Preminum，刷該公司的題目，我印象中字節的面試中有一題是公司高頻原題。然後面經裡面的題目也可以刷一遍。
其他部分一樣針對各個題型做練習、準備，找資料。我沒有找人做Mock Interview，就是自己模擬，或是自己講講看題目，練習如何Structural的回答問題；或是模型推導，就自己把模型結構畫出來，數學公式推導一次。
Step 6: 客製化自我介紹
通常面試還是會以自我介紹開頭，所以為開場準備一個吸引人的自我介紹還是必要的。我有稍微在YouTube上看了一些教學，其中一個給大家參考，擬定自己的草稿。
接著在面試前，前面做了這麼多準備後，已經知己知彼了，知道自己的履歷、知道對方的背景、重視的點、面試的模式，就可以以這些元素微調自我介紹的內容，將面試引導到你想走的方向。
其他求職相關Q&A
接下來還有幾個求職相關問題，在此簡單回答：
- 面試結束後，如何檢討？
這個部分我就是面試完盡快將面試細節都記錄下來，趁著記憶猶新的時候。我現在都是用Notion整理，會有一個Big Board，然後每間Company有自己的Page，裡面又會有四個部分：①JD(Job Description) ②面經彙總 ③面試準備 ④面試紀錄
除此以外，主要就是自己想想面試有哪些做得好和可以調整的。
- 真的需要花這麼多時間求職嗎？
我花了一個半月做前期準備，後面從開始積極投履歷、走過四輪面試、拿到Offer又花了一個多月時間。中間比較多插曲、意料之外的事、糾結選擇的過程⋯等等，讓整體時間延長。值不值得，就看個人考量和規劃吧。
DA/DS求職準備相關資源分享
SQL
- Mode SQL：在開始準備的時候，可以刷一遍Mode SQL複習SQL，或是第一次學也適用。
- Leetcode — Database Problems：花個幾天把高頻50題刷完、整理筆記就差不多了。
- A Collection of Data Science Take-Home Challenges — 6 SQL Problems：書裡面附贈的幾個SQL題組也是不錯的練習。
Python
- Leetcode-Algorithms Problems：這就不像SQL那麼好準備了。Coding需要準備的強度根據想面試的職位的要求而定，我自己花了不少時間，但是Medium還是沒有到穩穩秒殺的程度，Hard就更頭痛了。
- Pandas：網上有很多Cheatsheet，搜一下就有了。想練習的話，最好的方式是自己做幾個Project，從很raw的data開始清理；時間不夠的話，可以拿幾個DS Challenge練練手；還有一種方法就是用Pandas刷SQL題。
Product & Case
- Cracking the PM Interview：我只有大概翻了Estimation, Product, Case三章，可以作為初步的準備。
- A Collection of Data Science Take-Home Challenges — 40 Product Questions：我有寫一個系列文統整書裡的內容，以一個DS角度來解Case，很值得參考，我是說書。
- Stellar Peers：這個部落格有很多Product & Case相關的面試題目詳解，相當值得參考，尤其對於準備英文面試有幫助。
- Victor Cheng — Look Over My Shoulders：我有聽一些這個Podcast，就是Victor Cheng帶的Case Interview，插播他的解析。可以參考，但是跟DS面試的Case角度還是會有不同。
A/B Testing
- Udacity — A/B Testing：網路上大力推薦的課程，可以先簡單過一遍。
- A Summary of Udacity A/B Testing Course：這篇課程Summary寫得不錯(我不會承認其實我只看了Summary吧)。
- A Collection of Data Science Take-Home Challenges — 40 Product Questions：一樣還是這本書，裡面有寫到不少A/B Testing可能會遇到的問題跟解法。
Statistics
- 學校講義：就，很，實用。
- StatQuest with Josh Starmer：很多統計、機率、ML的英文影片解說。
Probabilities
- 40 Questions on Probability for data science：屬於比較基本的機率問題，可以簡單過一下，順便把貝氏定理複習一下。
老實說，我有幾次機率被問倒，有的涉及到微積分等稍微進階的題目，所以其實應該要準備得更深入。
Machine Learning
- 林軒田 — 機器學習基石與技法：以前修課的時候都會說老師教得太數學理論，結果發現面試有時候還真的會考到。
- 李宏毅：李宏毅真的讓ML變得比較可愛、聽得下去。我主要針對我有用過的模型跟訓練技巧去聽。
- Medium — Towards Data Science：根據自己想查的模型，常常能在上面看到不錯的文章介紹。
- 190 道機器學習面試題 & Data Science Interview Questions & Detailed Answers & 七月在線題庫：像這種ML面試題我找了一堆，包括中文跟英文的，多到後來放棄ML之路。
Behavioral Questions
這種題目我就是自己看面經想解答，並沒有太多參考其他的資料，我記得Cracking the PM Interview裏面有一張是在講BQ的，應該不錯。
Big Data: Hadoop & Spark
結語
這篇應該算有誠意了吧。回到開頭，我只是希望讓Data Science這個社群更好(更卷?)，讓求職數據相關崗位的人少走一些冤枉路，也紀錄下我今年的努力和感謝，我確實是相當有恩典的人，Praise the One Above。
同時，我知道這只是我的一個小起點，Disney+ Hotstar裡大部分都是美國名校碩博海龜、或是北大、清華⋯，希望自己能在這個環境下快速成長，在數據之路走得更遠。
