主讲人介绍
Jason,Data Scientist
本科毕业于清华大学基础科学班, 硕士毕业于北美前三统计专业。 现在就职于美国西岸一家late stage start up, 负责data science & analytics. 招聘季曾收获北美沃尔玛LAB、 四大咨询部、银行、互联网创业公司和知名电商等不同领域的data scientist offer,对data science领域求职和面试有丰富的经历和深入的见解。

课程目录
  • 数据分析行业总体介绍
  • 不同行业中的数据科学
主要内容
1. 数据分析行业总体介绍
Jason老师在本次课程中对数据相关行业做了总体介绍,并详细描述了细分职位的情况,解答了不同背景小伙伴在数据行业求职路上的困惑。
数据分析的工作机会在近十年内呈指数级增长。在总数量增长的同时,工作类别也逐渐细化,不同的职位对求职者提出了不同的要求。
根据工作内容,与数据直接相关的职位可以分为Data engineer,Data analyst,Data scientist 三大类。而公司发布的Job description中,相关的title种类则更多,包括Data analyst,Statistician,Business analyst,Data Scientist,Data Engineer等。这些职位虽然都与数据相关,但是却各有偏重。例如,Data analyst更接近数据,有更多些entry level机会; Statistician因为最早在社会学等学科中应用,所以工作中更多使用传统统计模型如假设检验;Business analyst对soft skill的要求更高, 未来职业发展路径广泛,可以向管理岗位转变;Data scientist对模型构建要求更高;Data Engineering需要较高代码水平。
对于如何在岗位间做选择,Jason老师提出,确定职业目标前要先评价知识体系和感兴趣的方向:是更擅长数学统计,还是编程实现,或是表达沟通。如过更喜欢根据统计知识对模型进行优化,Data scientist会更合适;更喜欢沟通合作的话,则可以尝试申请Data Analyst岗位。
其次,需要亲自尝试,如通过实习或project了解自己是否真正喜欢和适合相关的工作岗位。另外可以通过net working了解其他朋友或前辈的工作生活状态,作为自己职业规划的参考。
Jason 老师还提到,在做选择时,不要因囿于短期的目标而牺牲职业兴趣和长期发展规划。
2. 针对各类人群的答疑解惑
数据类岗位尤其是Data scientist市场需求大,收入高,内容有趣,很多小伙伴希望能够转入进入这一行业,但是对自身条件有疑虑。Jason老师根据经验,解答了大家普遍提出的问题。
对学位的疑惑:BA/BS, MS or PHD足够?
Data scientist这一职位,本科生、研究生、博士生都可申请。不同的学位有各自的优势。
对专业的困惑:不同学科背景的童鞋如何找寻对口的方向?
与Data 相关职位对专业背景没有绝对的要求。转专业获得Data scientist或Data analyst的同学大有人在。
转专业申请的话,首先需要有一定的数据统计、编程的知识;其次最好在本专业中有数据分析的经历。Jason老师举例说,亚马逊的FBA业务部门会招聘经济学背景的申请者做数据分析;之前做Operation Research的同学也较容易拿到数据相关的offer。
对工作经验的困惑:真的没有entry level的岗位可以申请么?
美国很喜欢有经验的,Job description 中经常会要求1-3的经验。但是很多情况下“fresh”其实并不是硬性要求。针对喜欢的岗位,即时有1-3 年工作经验也可以尝试申请,只要有合格的工作技能,也可以拿到offer。
对面试内容的困惑:浩如烟海的技能点如何准备呢?
首先,面试问题与具体职位密切相关。因此需要认真研究job description并根据具体要求做准备。Jason老师将会在后面的课程中做具体讲解。
另外,基本统计知识需要准备,而这也与职位相关。例如有些scientist 做natural language processing,有些需要做recommendation system,这些职位需要的统计知识很不一样。
当然还有一些必考的知识,基本是数据分析的必备技能,如数据load与清理,必备的编程知识等。这些知识将会在后面的课程中讲解。
3. 数据类职业对比分析
A 行业对比
互联网
类别:互联网企业包括新兴互联网企业(如Linkedin)和传统互联网企业(如Microsoft)。
地理位置:西雅图,加州
Pros:工作环境好;职位机会多;薪酬回报高;对Non-US-Citizen 友好;可能有股权收益
Cons:(对大部分岗位来说)行业发展趋于平缓
金融
类别:商业银行,投资银行,保险,对冲              
地理位置:纽约,波士顿,DC,芝加哥附近湖区;西海岸相对较少
Pros:Pay较好;工作稳定、规律
Cons:工作身份sponsor力度比互联网小
商业银行:Data相关职位以风控为主,如房贷风险,信用卡风险控制。工作不累,pay 70k左右,比互联网少一些
投资银行:除了风控,用数据处理方法做投资,即Quant。Quant通常分为两类,分别是侧重传统概率模型分析,和侧重机器学习方法。目前 存在ML模型无法解决的问题,所以ML模型用的还不太多。
保险:需求量比较多。
对冲:对求职者有更高要求,需要较扎实的金融知识。主要有两类人群:phd出来做 modeling,以及获得engineering学位的学生实现代码。对冲pay最高,例如Two sigma,base都能有300k。
制造业
传统统计模型应用较多。
地理位置:分布很广,不一定在大城市。
Pros:工作稳定;如果是大公司会Sponsor工作签证
Cons:一般来说收入不高;地理位置可能较差
咨询业
Internal consulting:数据、管理、流程优化等相结合
战略咨询:对求职者的要求以咨询相关技能为主,需要了解与数据相关的知识
四大Advisory:会有技术面,但仍然会面试很多其他soft skill
生物医药
数据类职位偏Statistician,会需要对统计问题有较深的理解。
待遇不是很高。
B 地域差异
收入:首先有平均收入水平的差异;其次有税率的影响,例如西雅图与加州相比税很少
文化:地区风格文化不同,对个人生活状况及未来职业发展有影响
C 公司规模对比
大公司
Pros:收入不会太差;sponsor工作资格,甚至可以通过国外委派的方式帮助员工取得工作资格;对新人培养比较专业
Cons:工作较枯燥
小公司
Pros:接触业务各个方面,成长快
Cons:可能工作压力较大、加班多;可能不sponsor工作机会,工作内容比较杂
独角兽
Pros:成长、发展较快;可能有股权收益
Cons:比较难进;有泡沫
D 华人职业发展状况
新一代在收入、职位方面均有进步,需要大家共同努力。
4. 数据类职业工作场景
在对细分职业进行详细讲解后,Jason老师根据日常工作情况向我们介绍了数据类职业工作场景。
A Data Scientist’s Typical Day
9:30                            上班,提交Report 数据监控到marketing
10:00 - 11:00           安心干活
11:00 - 11:30           Meetings
11:30 - 13:00           午休
13:00 - 15:00           安心干活
15:00以后                   开会
B 实际工作场景和学校学习的异同
实际工作中会以解决问题为导向进行工作。因此与在学校学习相比,会有两个限制。首先是需要考虑工作成果面对的对象可能不懂数据这一情况;其次需要考虑空间复杂度的限制。所以实际工作中的模型很可能并不是很复杂。应用比较多的模型包括Logistic模型,Random Forest,Decision Tree等。在很多 商业银行的岗位中,常常是用SAS做日常的数据分析,logistic regression是经常使用的模型。
C 职业发展情况
数据类工作的职业发展与个人特质密切相关。如果基础知识扎实,有编程实现能力、解决问题能力和持续学习能力,就会在这一领域中获得持续发展的机会。
在未来,Data Scientist可能会面临两种职业选择。一种是坚持做技术岗位,起步薪酬高,但是职业发展可能比较有限;另一种是向管理岗位转移,如运营管理,产品经理等,需要综合能力,但是可以在更大程度上影响公司的发展。
总结
在课程主要内容结束后,Jason老师对同学们在课程中提出的问题一一做了解答,如Data Scientist工作是否能够迁移到国内的工作岗位,如何提升分析技能等。Jason老师讲课风格风趣幽默,与大家互动很多,一堂课程干货满满。在未来的两节课内,Jason老师将会对找工作的流程进行逐步讲解,包括工作信息查找、简历修改、面试准备、offer选择等。相信这些课程将为旁友们拿到Data Scientist 的offer提供重要帮助!
观看第一堂课视频欢迎前往课程主页或猛戳文末“阅读原文”。
继续阅读
阅读原文