最近春招如火如荼，我于去年下半年转码成功上岸Meta，分享一下自己的求职经验并在文末总结了一些面试常见误区，希望给正在努力的你带来一点慰藉和启迪。

背景介绍：
研究生：圣何塞州立大学 语言学
本科：西南交通大学 工商管理
奖项荣誉：校内奖学金
Dean Honors List
工作经历：
Meta 数据科学家
迪士尼 企业传讯部
迪士尼 市场营销
Part 1  我与数据科学的故事
我是文科转码，之前一直在迪士尼做项目经理，参与了公司大大小小的项目。虽然没有数据科学背景，但因为商业决策都需要用数据作支持，我的实际工作成为了一个结合项目经理+数据分析的岗位，也让我开始在项目当中使用Excel做一些聚合操作，复杂的时候用到Pivot table，也正是这样的契机，我开始了往数据科学领域前进的道路。
Part 2  数据科学没有想象的这么难
谈到数据科学，我觉得有些时候大家把它说的太神乎其神了。在早期，如果我们想开一个迪士尼零售超市，必须知道周边的顾客想在迪士尼超市获得什么（玩偶还是服装），以及想要怎么样的体验。
早年没有成熟的数据分析工具，靠人眼观察，每天有多少人来到超市，都买了什么东西；后来发展到用问卷调查来收集信息，用Excel来整理数据。但在那个时候，数据量还比较小，处理这些数据还不叫数据科学。
现在我们所说的大数据，实际上是随着互联网的发展和信息存储难度的降低，使用一些新的工具来处理数据，需要在数据库中扮演一个对数据进行分类的角色，做一个可视化的展示，然后做出决策。其实这个就是数据科学。
随着我自己对于数据科学的理解，我也逐渐动了跳槽去面数据科学家的念头。
Part 3 第一次面试
刚开始投递简历时，我也是和大多数人一样，简单的把自己的简历整理了一下，就开始去领英和各个公司官网疯狂海投，像一些Afterpay ,Chewy ,Discover 公司都有招数据科学家，但凡和Data沾边的我都无脑的投递。 
当时投了大约有200封，只收到了1个Bigo的数据科学家岗位面试。于是我兴冲冲地冲入了面试陪跑大军的行列！
记得当时一共三轮面试，
第一轮问了一道常规SQL，第二轮面试问了两道Case题目，
比如Bigo 直播的上个月的活跃率和去年相比降低了15%，怎么分析？怎么Evaluate Bigo 直播的revenue 之类的。

第三轮面试是bigo考虑做个restaurant page recommendation module，有哪些signal可以用？怎么评估这个feature好不好？什么metrics，什么gardrail metrics？ 
最后一道BQ:有个同事感觉不适应这个工作环境，感觉不舒服，（比如感觉有谁针对他），你怎么帮助他的。 
由于我本科研究生一直学的都是文科相关的，统计和SQL答得很一般，到最后面试官的态度我自己都能很强烈的感觉出来，肯定没希望了。然后过了一周就收到Thank you letter了。这一次面试的经历让我开始产生了放弃做DS的念头，也有了后来失败的大半年。
分享一个的Meta专场4月直播群
Meta面试官主持面试流程与真题分析
Part 4 失败的半年
面试失败后，我开始了长达半年浑浑噩噩的职业生涯迷茫期。
直到有一天我看到本科同样是学工商管理专业的同学在朋友圈晒自己拿到Amazon BIE的Offer截图，我又开始心痒痒起来，忍不住去向她取经了。
和她的交流让我认识到，自己之前盲目投简历以及面试中的回答都没有击到招聘者的考察点，这也是为什么自己申请回复率不到1%、面试挂得彻底的原因。
在她的推荐下认识了上岸，其实我一开始潜意识里觉得自己通过自学也能上岸，所以当时听了不了了之。直到被她拉进了上岸的招聘讲座听了一期，才发现自己在家盲目准备白白浪费了半年机会，和我同学有方向的努力形成鲜明对比。这也是后来我报上岸数据科学课的原因，上了课之后更加明显地意识到求职过程中有大厂一线老师指点方向有多重要。
Part 5 顺利上岸
报课后，就是充实而忙碌的备战过程了！
每周都会和老师sync up 两次，汇报自己的准备进度，老师从ABtesting, Case study ,SQL ,统计都说的非常的深入，也和我们讲自己作为面试官面试候选人的时候是什么标准。
这特别适合我这种平时花在准备资料、找工作的时间比较有限的情况。上课就一起练习写代码，产品题每个人都上课不停地Mock。基本上上课练习，下了课之后就是投递，很快就收到了四五家面试。最后拿到了两家的Offer，一家是Meta的DS，另外一家是Cisco的Business Intelligence Analyst。
Part 6 终于买房啦！！！
拿到offer后，老师指导我和HR negotiate ，Meta最后给了个248k的package。大家都知道湾区房价有多疯狂，我和男友（现在的未婚夫）之前一直有买房的意愿，去年房价一飞冲天，让我们这些无房一族都感受到了前所未有的紧迫感。
于是在接受Meta offer之后，我的第一个想法就是：买房！今年一月，我们下的第N个 offer 被接受了，那天晚上真是感慨万千：来美国好几年了，我终于有了自己的房子！
拿到大厂大包给我的生活带来最重要的改变就是让湾区的房价一下子没有那么遥不可及。转专业不易，我的成功上岸离不开上岸老师手把手教我答题技巧，帮我改简历，为我最后的negotiation出谋划策。
Part 7 面试常见误区总结
我后来在与其他同学交流面试心得时，发现大家都或多或少踩过一些误区，我这里也邀请了上岸的Joel老师和我一起为大家梳理了数据方向面试常见误区，帮助准备求职的大家早日上岸。
面试重点总结
Joel：
北美名校计算机博士，国内名校本科，科研方面在跨学科顶刊（Science/Nature等）和数据挖掘顶会等发表多篇一作文章，长期就任多个数据科学方向国际会议组织者、期刊高级评审委员等，审稿数百篇，每年被邀请为北美高校、企业、政府部门做讲座。现在在对冲基金带领数据科学团队开发一线交易系统，面试过上百申请者，技术面决策者。
误区一：踩点式答题，不了解面试官的考察重点
面试官抛出问题时，真正考察的是求职者的沟通能力，怎么样去做clarify的，是如何分析问题的，有没有自己的思考，怎么去structure思路。
比如说Twitter的活跃用户下降了20%，你觉得是什么原因？
首先你得问面试官，活跃用户是突然下降了20%，还是慢慢下降的，活跃率是怎么去定义的；然后去structure思路，把答案通过MECE框架系统性的呈现出来。
但不少面试者在拿到题目之后，过于严肃，缺少主动沟通。一方面他的交流风格不能给自己在communication这块加分（对于一个沟通能力很强的面试者，面试官在反馈中是会提到的；另一方面，他卡在一些关键点的时候，没有很主动的把问题说出来，那么面试官也没有办法及时帮到他。
所以，对于junior岗，面试官更看重你的基础能力，比如对于常见模型和基本的实操技术的掌握程度。但对于senior岗，则会着重考察你分析复杂问题，化繁为简的能力。
误区二：面试case study 时，缺少大局观
Case interview基本是所有analytics相关职位必考的一项，也是最难准备的一种面试类型，相比传统的behavior interview或者sql/python 技术性面试，case analysis题型多样、对能力的考察范围广，而且不同的公司侧重点不同，这些无形中就给准备case interview增加很多难度。
case interview需要准备的内容很多，很多人准备面试时最容易忽视的就是:回答case问题时的大局观。
以大家经常遇到的微信广告举例，假设面试官说某天发现这周广告的用户阅读量相比上周少了，你觉得可能是什么原因，你会怎么回答呢？导致阅读量下降的原因太多了，很多同学可能会说是不是微信用户没有之前active了，是不是点进朋友圈的人少了等等这类围绕user behavior的回答，这些都是合理的猜测。
但是有大局观就会先想想这整个ecosystem是什么样的，有哪些主要的组成部分，比如广告的consumption是会受到inventory影响的，假设极端情况下这周没有商家在微信上打广告，那广告的阅读量就是0对不对？相较而言，这种有大局观的回答立马就甩了其他面试者几条街，传递给面试官的信息就是你比其他人想问题更全面更周到。
MAANG面试流程与真题讲座系列
误区三：准备SQL时，只顾埋头刷题？
面试不等于刷题。
不少求职者在刷题过程中的表达训练太少，大多是哑巴刷题，每看到一道新题，想想写写，不会的就看答案，有时候刷一天也不会说一句话。这其实是还没有意识到刷题过程中解释思路的重要性。
面试前，需要知道为什么大厂面试官都喜欢问算法和数据结构？
事实上，面试官想看的是你处理问题的方式和方法以及遇到困难的反应。所以正确的面试姿势应该是技巧协同算法基础。
现在的面试对于学生的交流能力提出了更高的要求。如何在面试中准确的提问，以及表达、阐述自己的算法思想，反而成了区别面试者能力的一大因素。恰巧，这又是很多同学忽略的部分。
用直观的量化表达，在一场面试中，算法能力的比重高达60%，但剩余40%均来自于交流软技能。
因此，建议大家在准备DS的面试时，在建立专业能力的基础上，千万不要忽视面试中的软实力——沟通能力。遇到卡壳的时候，可以主动和面试官讨论。这不仅能留下积极的印象，也会帮助你更好的回答面试问题。
春招如火如荼，但不少忙着投简历赶面试的同学发现：
  • 数据岗选择多，各个细分岗位面试差异性极大，准备起来没有针对性
  • 面经题目多而杂，准备时间紧张，完全不知道如何下手
  • 乱练case ，不了解考点，不了解正确的解题思路的标准
  • 参考别人的面经当答案，根本不知道面试官考察的是什么
  • Case interview准备的很浅，达不到面试的标准
2022/03/27周日美西晚7点开始直播
Joel老师在27号将会有一场公开课，侧重帮助求职者讲解开放式问题中常踩的坑：
  • 什么时候不该用deep learning
  • 什么样的假设不该做，以及面试官心中的满分回答
并且以来自Facebook等最新真题为例，启发学生在五分钟内提出二十个分析思路；系统梳理分析过程中作的假设，以及什么样的假设应该画成图。帮大家培养系统性解case的能力。如果你想在今年的招聘中崭露头角，offer拿到手软，一定不要错过这次公开课奥，扫码进群，还能领取最新的春招岗位汇总链接！

商业合作
Email: [email protected]
Wechat:miqiheihei
Instagram: nyc.player
点击阅读全文，查看更多详情
继续阅读
阅读原文
关键词
面试官
简历
同学
数据科学
刷题