被解雇2个月后，我如何拿到4个数据科学offer并收入翻倍？

冷不防 2022-12-16 04:57 73阅读 0赞

> 全文共5414字，预计学习时长14分钟

![f818b3aa3ba876261992e22c434818a9.png][]

图源：unsplash

肆虐全球的新冠疫情影响了许多人的职业生涯，不幸的是，其中就包括我曾经合作过的一些极具才华的数据科学家。在与一些被解雇的好友分享了我的个人经历并帮助他们找到新工作后，我认为或许有必要进行一次公开分享。

任何因疫情而被解雇的数据科学家，或者正在积极寻找数据科学职位的人，都可以从我的经历里找到能使他们感同身受的东西，我希望能给你的求职带来希望。

![c81ecd6cbb7252078971f0004741c016.png][]

# 失业 #

2018年12月，我的经理通知我，我将于2019年1月被解雇。而仅仅在三个月前，我所在公司的工程副总裁给人事主管写过一封信，信里认为我是公司里表现最好的员工之一，并建议给我加薪。

我的薪水增加了33%，自然而然地感到动力十足，期望在一个重要的项目上突破下一个里程碑，公司和自己的前途都一片光明。然而就在这一成功时刻，我得知自己在公司统计的成本削减计划内。1月15日，我被辞退了。

毫不夸张地说，被迫开始寻找新的工作十分艰难。在浏览了市场上数据科学的职位空缺后，我很快意识到了自身的知识缺口。我在这家B2B初创公司所做的工作（混合了初级数据工程和机器学习）与市场上的许多工作要求完全无关，比如产品感、SQL、统计学等等。我知道一些基础知识，却不知道如何填补空白，获得更高级的技能。

然而，与之相比，似乎有其它更为紧迫的问题，比如我如何获得面试机会？我在一家初创公司只有1.5年的工作经验，而且缺乏任何统计学或计算机科学相关的学位。

更多的问题很快接踵而来。如果在失去签证身份之前找不到工作怎么办？如果在找到新工作之前，经济低迷怎么办？尽管很担心，但别无他选，我必须找到一份新工作。

![957ffc8d419dac16fe23995034566eac.png][]

图源：unsplash

![ee808b7aa319ff5565b8d920c6274af6.png][]

# 准备求职 #

面对艰巨的任务，我通常需要一些信息来决定下一步的工作。在做了一些研究之后，我意识到市场上超过一半的数据科学职位是产品驱动型职位（产品分析），其余的都是建模或数据工程导向型职位。

我还注意到，产品分析以外的职位往往要求更高。例如，大多数建模职位要求有博士学位，工程职位要求有计算机科学背景。显然，不同领域的要求差异很大，因此，为每个领域所做的准备也会有所不同。

基于上述信息，我做出了一个重要的决定。广撒网既会让人不知所措，也很可能会降低效率，我需要专注于其中一个。我选择了产品分析，因为根据我的背景和经验，我在这个岗位上获得面试的机会比较大。

当然，并不是每个从事数据科学的人都像我这样背景和经验明确，所以我总结了以下三类大公司数据科学职位的一般要求。了解它们的基本分类为我节省了很多时间，对其他寻找数据科学工作的人也会非常有用。但我要补充的是，对于小型初创公司来说，有可能面试的条理性较差，更多的要求三者结合。

**产品分析（市场上约70%）**

· 要求：有推出产品的实际经验；有较强的商业头脑；有高级SQL技能。

· 例子：Airbnb数据科学家（分析）；Lyft数据科学家；Facebook数据科学家；Google产品分析师。

建模（市场上约20%）

· 要求：具有机器学习知识（不仅懂如何使用，还要求基础数学和理论知识）；有较强的编码能力。

· 例子：Lyft数据科学家（算法）；Airbnb数据科学家，（算法）；Amazon应用科学家；Facebook研究科学家。

**数据工程(市场上约10%)**

· 要求：具有数据工程技能的端到端数据科学家;了解分布式系统；了解MapReduce和Spark；有Spark公司任职经历；有较强的编码能力。

· 例子：Airbnb基金会数据科学家；一些初创公司的数据科学家。

这篇文章将依据我的个人经验，专门针对准备从事产品分析岗位的人。

![ad17b44e35bdbc357ceb9239fbffc35e.png][]

# 开始求职 #

![7eb411a21b59bdaa9eda465e1c43bc6f.png][]

图源：unsplash

我知道自己要被裁员后，做的第一件事就是积极主动海投。我使用了所有我知道的招聘网站，包括GlassDoor、Indeed和LinkedIn。我还请我所有认识的人推荐。但由于快到年底了，直到2019年1月我才收到回复。

事实证明，内推比自己申请更加有效。在大约50份自主申请中，我只得到了3次面试机会，但在18份内推申请中，我得到了7次面试机会。总体而言，我在这个市场上明显不被看好。

**面试：概况**

虽然每个公司的面试程序不同，但大多数公司都遵循以下流程：

· 招聘人员首次来电

· 1至2轮电面（TPS）或1项自测

· 4~5小时的现场面试，一般包括3~4轮技术面试和招聘经理的行为面试

在我面试过的公司中，大约有一半（4/10）的公司在电面之前或代替电面进行了自测。自测消耗了我大量的精力，通常情况下，一份8小时的自测会让我在提交后至少休息半天。因此，我尽力安排了相应的面试时间，以确保自测的第二天上午没有面试。只要了解基本的程序，就能让你在找新工作的过程中感觉更轻松，能够应对自如。

**面试前**

在接受面试时，每一次机会对我来说都至关重要。虽然我知道有些人通过面试来学习，他们在经过多次面试后会变得更优秀，通常会获得最后几家面试公司的offer，但我觉得自己不能采取这种方式。

2017年毕业的时候，我在500份自主申请中只收到了4次面试机会。没想到2019年我还能获得这么多机会。因此，我要为每一次面试做好充分准备，不浪费任何一次机会。

没有工作的好处之一就是我可以全身心地准备面试。每天我都会安排好学习内容，每天只重点学习两三件事。我从之前的面试中明白，深入的了解可以让你在面试时回答得更全面。当你在面试中往往比平时更加紧张和焦虑，拥有深入的知识尤其有帮助，这不是你能不懂装懂的时机。

在描述自己的经历时，我不禁想到了一个经常听到的观点：没有真实的经验就无法获得产品或实验方面的知识。我坚决不同意这种观点。我之前没有任何产品或A/B测试的经验，但我相信这些技能可以通过阅读、聆听、思考和总结来获得。毕竟，这与我们在学校里学习知识的方法相同。

其实，随着我认识更多的资深数据科学家，我不断了解到这种方法很常见，甚至对于有多年经验的人来说也是如此。你要面试的内容可能和你原本在做的事情完全无关，但你可以通过工作经验以外的方式获得所需的知识。

以下是预计会遇到的面试内容。通常，电面中会设计产品和SQL问题。现场面试包括几轮问题，包括产品感、SQL、统计、建模、行为，可能还要做演示。

接下来的部分总结了我在准备面试时最有用的资源（所有资源均可免费获得）。总的来说，GlassDoor是一个很好的资源，可以了解到公司的具体问题。我看到这些问题，就明白了公司的需求，也明白了自己在满足这些需求方面的差距。然后我就能制定计划来弥补这些差距。

![2f65782102b4d089a41e2988009bda43.png][]

# 具体主题的准备工作 #

![ee58d6d7f292e6ad22d613580e0faec5.png][]

图源：unsplash

以下是我为产品分析面试中的具体内容所做的准备。

**产品感**

在初创公司担任数据科学家时，我主要负责开发和部署机器学习模型以及编写spark作业。因此，我几乎没有获得任何产品知识。当在GlassDoor上看到一些真实的面试问题时，比如“如何衡量成功？”或者“如何通过当前用户的行为来验证新功能？”，我完全不知道如何处理这类问题，这些问题显得太过抽象和开放。

为了学习产品感，我采用了基本的阅读和总结策略。所有的阅读都帮助我积累了产品知识，我总结出了一套结构化的方法（个人的“框架”）来回答任何类型的产品问题。

然后，我把我的知识和框架用于学习任何技能都必不可少的测试——实践。我写出了涉及产品感的问题的答案，大声地说出答案（甚至用手机录下自己的声音），并利用录音对答案进行微调。

**SQL**

我第一次进行SQL电面时失败了，那是一家我非常感兴趣的公司。显然，我需要做出一些改变，于是我花时间去研究SQL问题。最终，我能够在一天之内解决之前需要整整一周时间的问题。记住，熟能生巧！

**统计和概率**

为了准备这类问题，我复习了初级统计学和概率学知识，并进行了一些编码练习。虽然这看起来似乎很吃力，但对产品数据科学家来说，面试题还不算困难。

**机器学习**

由于我没有计算机科学学位，因此我只能在机器知识有限的情况下就开始了求职。在之前的工作中，我参加了一些课程，我复习了这些课程的笔记，为面试做准备。不过，尽管现在建模的问题越来越多，但产品数据科学家的面试问题主要针对如何应用这些模型，而不是基础的数学和理论知识。

**演示**

有些公司要求应聘者提交自测或是他们最引以为豪的项目，一些公司还是会在行为面试时询问你最有影响力的项目。但不管是哪种形式，关键是要让你的演讲变得有趣且富有挑战性。

我的建议是把所有的细节都想清楚，比如从高层目标和成功指标到ETL到建模实施细节，再到部署、监控和改进。这些小事加起来才能做出好的演示，而不是仅仅是假大空的想法。

· 项目的目标和成功指标是什么？

· 如何决定是否启动项目？

· 如何了解客户是否从项目中受益？受益多少？

· 如何进行测试？如何设计A / B测试？

· 最大的挑战是什么？

在演示一个项目时，你要吸引观众。为了让我的演示变得有趣，我经常会分享有趣的发现和项目的最大挑战。但确保吸引力的最佳方法就是练习。练习，大声练习，以确保自己熟悉资料并能轻松交流。

**行为问题**

![0898cdf7be77b5fd4cc7093fcc098846.png][]

图源：unsplash

虽然我们很容易专注于准备技术面试问题，但不要忘记行为问题同样重要。我面试过的所有公司在现场部分都至少有1轮行为面试。这些问题一般分为以下三类：

· 为什么选择我们公司？/ 你最看重工作中的什么？

· 自我介绍、为什么离职？

· 职业生涯中最大的成功、失败、挑战。告诉我关于你解决了冲突或者必须说服经理或PM的事例。

行为问题对数据科学家来说非常重要，请务必做好准备。了解公司的使命和核心价值有助于回答第一组问题，像第二和第三组问题可以通过讲故事来回答——3个故事就足够回答所有的行为问题了。

当你去参加面试时，一定要准备几个好故事。类似于产品问题，我通过会大声说出来，录音，听过之后调整我的答案，再多次练习。听故事是确保有效传达的最佳方法。

![ad17b44e35bdbc357ceb9239fbffc35e.png][]

# 100%拿到现场offer的秘诀 #

现场面试的前一天晚上通常会紧张又忙碌。我总是试图在脑子里塞进更多的技术知识，同时复习统计笔记并且思考回答产品问题的框架。正如我们在学校里所学到的那样，这些方法都不太实用。结果很大程度上是由之前的准备量决定的，而不是一个晚上的突击。

所以，准备工作很重要，但有些建议你可以在当天遵循，以确保面试成功。

![b68c258fff14bd8f2805a3544c24ab53.png][]

图源：unsplash

· 回答问题前一定要先明白问题。通过用自己的话复述问题，确保自己理解被问到的内容。如果你在没有不明确的情况下回答问题，那就是一个危险的信号。

· 组织所有问题的答案。用要点写下你的思考过程。这样可以让面试官看到你系统处理问题的方法，有助于面试官以后为你写评语。

· 不知道答案时不要慌张。如果你对这个领域不熟悉也没关系。在这种情况下，你可以先做一些假设，但一定要传达你是在做假设，并询问假设是否合理。有时候要求多给点时间也是完全可以的。如果想不出任何答案，大脑一片空白怎么办？说说你与这个问题相关的经历。

· 态度非常重要。公司寻找的是一个愿意倾听并能接受不同意见的人。你要表现出你是一个容易合作的人。懂得谦虚、尊重。倾听且明事理。在面试中展现你的正能量，并尽力进行愉快的对话。

· 研究公司。熟悉其产品。询问自己如何改进产品，以及可以用什么指标来衡量这些产品的成功。通过阅读他们的博客，了解每个公司中数据科学家的工作也很有帮助，做这样的研究可以在面试中拥有更深入的良好沟通。

遵循上述要点，我在现场面试中得到了以下反馈：

· 回答产品问题的方式非常结构化。

· 演示非常有条理，考虑周全。

· 对我们的产品表现出浓厚的兴趣，并提出了宝贵的改进意见。

**协商**

收到口头offer后，接下来就是和招聘人员一起敲定薪资。但是怎么协商呢？

Haseeb Qureshi有一个非常有效的工作机会谈判指南（https://haseebq.com/my-ten-rules-for-negotiating-a-job-offer/），我在洽谈阶段认真地遵循了这份指南。其中的每一条建议都非常实际。我和所有给我offer的公司都进行了洽谈。薪资的平均增幅是15%，最高的薪资在总价上增加了25%。协商非常有效，不要害怕尝试。

瘦了11磅，多次心态崩掉，我终于在被解雇后的2个月内拿到了4个offer。其中3个offer是来自我做梦都没想过能加入的公司：Twitter、Lyft和我最终入职的Airbnb，还有一个offer来自一家医疗保健初创公司。

这疯狂的两个月结束，我总共收到了10次面试机会，4次现场面试，4个offer，这使我的TPS现场率达到40%，现场offer率达到100%。

![39705a08b5b4003c594746f1772ec55d.png][]

从失业到加入梦想公司的时间轴

没错，找工作本身也是一项艰巨的工作，但一切都值得。面试需要准备的东西太多了，希望这篇文章能让其他求职的数据科学家面对问题时更加有条理。

![802a22056414919d831a5558810bb4dc.png][]

**一起分享AI学习与发展的干货**

**欢迎关注全平台AI垂类自媒体 “读芯术”**

![format_png][]

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）

[f818b3aa3ba876261992e22c434818a9.png]: /images/20221123/216f15ace50a4e9198709fd56a125ae5.png
[c81ecd6cbb7252078971f0004741c016.png]: /images/20221123/6c881fb480694a44bf7b5fd4cc0bf79c.png
[957ffc8d419dac16fe23995034566eac.png]: /images/20221123/bdd0dff2ae9d40d39c4ff668c2e511b3.png
[ee808b7aa319ff5565b8d920c6274af6.png]: /images/20221123/b22df96629dd4b3e8b9ec623b59023e3.png
[ad17b44e35bdbc357ceb9239fbffc35e.png]: /images/20221123/7b5765a5d9d0416c8f76b6bcd7949695.png
[7eb411a21b59bdaa9eda465e1c43bc6f.png]: /images/20221123/fe709f71b7e945349df767d2675118cc.png
[2f65782102b4d089a41e2988009bda43.png]: /images/20221123/ed2e4f5cd86a4b97bd062299a98f9b56.png
[ee58d6d7f292e6ad22d613580e0faec5.png]: /images/20221123/4b198680cf514c279347c95c968063cf.png
[0898cdf7be77b5fd4cc7093fcc098846.png]: /images/20221123/062946b0700b41c9b9520d55f234dbac.png
[b68c258fff14bd8f2805a3544c24ab53.png]: /images/20221123/359094f96419449ab35b8a3fb28950db.png
[39705a08b5b4003c594746f1772ec55d.png]: /images/20221123/989060b6846f4bd0ab1abeca9872da01.png
[802a22056414919d831a5558810bb4dc.png]: /images/20221123/cd5dadf7cb884292893cc4ec8e0ddd99.png
[format_png]: /images/20221123/45b1bff8d94b4e8cbf9c6cfffa822a03.png