主人公：Lindsay
背景介绍
2016.10-2020.1 中国传媒大学
影视制作 光影空间艺术设计本科 
2020.9-2022 路易斯安那州立大学
经济学  硕士
工作经历
2020.7-2020.8 Muay Thai Stunt - Project Assistant
2021.6 -2021.8 Public Health Company - Data scientist assistant
2022.4 Netflix - Data Scientist 
想和数据科学老师交流求职经验？
扫描下方小程序二维码，在线network起来😉
👇👇👇
0
1
我的设计生涯遇见数据分析
我是影视环境设计出身，一直在一个著名的电影制片公司Muay Thai Stunt协助（注意，只是协作，我要坐上一把手，我觉得路还长着呢）做光影空间艺术设计，虽然是以设计拍摄环境为主，也时常跟着项目负责人做照片数据分析，但是我一般的工作是统计照片的拍摄数据，简单了说就是每设计一个拍摄光影环境，我们都要拍下照片看效果，这些效果包括相机品牌及型号（Models）、常用的镜头光圈（Aperture）、快门速度（Shutter Speed）、焦距（Focal Length）、拍摄的时间的数据收集。当然我的主要任务只是数据搜集，分析的步骤会交给专门的摄影数据分析师来进行，专业了说就是对照片的EXIF进行数据分析，其实这些东西也是跟着项目组一点一滴学到的专业说法，我只是一个搞设计的啊，呵呵。
工作瞬间
我不参与分析工作，但是可以看得到专业人员使用的软件：SAS。俗话说没有吃过猪肉，但是见过猪跑，每次导完数据我都站在旁边瞟电脑屏幕上面的各种柱状图，各种Note的建立，一开始感觉整个屏幕满是数字英文，简直让人眼花缭乱，想马上走开，但是看得机会多了，开始思考就是因为这些数据被有效的记录统计下来，整个团队就可以很好的推进下一步的工作。记得曾经的导师总是说一句话：Good thing takes time。数据分析的奥秘就在此吧，一个项目成败就在数据分析靠不靠谱上。
0
2
转码
在国人眼中，我跟着个著名电影制片厂，肯定可以活成国人心目中艳羡的对象，又是国外，还拍电影，每天扛个器材拍一拍，电脑上面设计一下，不香吗？
当然，光影环境设计深了讲还是有它的专业之处，因为我不是来说我之前的工作的，有兴趣的童鞋可以后面和我讨论。来讲我转码的drama，人生没个抓马，人生不带点儿逆袭，好像不复合目前世界的主流，好！上抓马。我们那会儿接到和Netflix的合作，我那个兴奋，那会儿在播《Breaking bad》，那是我心目中的神剧，以为我可以和各种高级大神见面合作，美翻天，以为网络上说的“人生巅峰”这就要来了，后来我错了，我们只是负责一些简单布景，而其他更专业的东西，等于说我是根本没机会接触到的。 
我一怒之下，我自负的以为Netflix瞎瞧不起人，不就拍个电影，多大个事，遮遮掩掩，神神秘秘。你们到底是何方神圣？我“愤怒“地点进Netflix Job网站，首页显示：A great workplace combines exceptional colleagues and hard problems. 大公司，招个人的Slogan都那么直白，我说我难道不该是里面的 excepitonal colleague 吗？ 
点开招聘岗位，一半以上是DS 和Date Engineering有关，原来我一直跟随的技术人员都在做这样的工作，怪不得他们呼风唤雨，在整个电影制片公司大爷一样的存在。网络上还有这么一句对Netflix工作薪水的最高评价：比总统的工资还高！Netflix Job网站里面： Data Scientist, Data Analyst, 注入我的大脑。就它了，转码就在今朝。从此进入数据科学。
0
3
数据科学没有想象那么难
美国的数据科学专业目前来说是最领先的吧，我在动身去Llouisiana state university 学data science 之前也做了很多功课，最后综合考虑后选择了这所大学，我想至少毕业后有留在北美的机会。未来充满挑战，我摩拳擦掌啊那会儿是。 
学习过程中发现，其实数据分析没有我想象中那么难，只要你对数据感兴趣，不觉得枯燥，数据分析软件上手挺快的，你看我设计的不也上手了么。比较有挑战性的是你所从事的业务知识和数据分析间的思路和框架。
后来遇到了很多从事数据科学的同事，大家都认同：只要对数据高度敏感，具备基础数学能力，不管你是什么背景转，都是没有问题的，比如后来我去八卦了曾经那个电影制片厂的数据分析师，也是设计背景过去的。毕业之前有很多实习机会，很多大公司都会来招实习生，当然工作出色努力绝对有转正的可能，大家请放心，数据科学这个行业，就是凭本事吃饭，你可以告别复杂的人际裙带关系，一门心思扑在你的专业工作上，能力越强，工资越高，不用花时间在保持建立人际关系上面，那个真的很累的。专业工作的辛苦是有幸福感和成就感的，因为你专业的分析能力就奠定了一个项目，或者一个生意成不成的基础，那当然你的地位就高，逻辑上来说报酬就丰厚。
0
4
在真正进入Netflix之前
说实话我一开始投Netflix的信心并不足，人家是国际大公司，我只是DS同胞中微小的一粒沙，我快毕业时候，也去了一个公司实习，Data scientist assistant（Public health 方向）
去的时候进去都不太敢讲话，都是团队的博士，教授吩咐干嘛就干嘛，我明白一个助手的意思，大家懂的。可是实习时候能实战DS工作的机会简直太多了，
01
TRUST
取得团队信任
你一旦取得团队信任，很多时候你是有机会实战的，团队也在暗中挑选可以留下的种子选手，这个大家可以参考，如果有幸进入大公司实习，态度要摆出来，诚恳，虚心请教，俗话说了嘛，机会是留给有准备的人。
02
KEEP GOING
坚持就是胜利
因为我们祖国同胞是出了名的踏实肯干，这个我没法否认，当初一起去实习遇到的同胞，大家都很认真，毕竟是深思熟虑选择了数据科学这个专业，谁都不会轻易走回头路的，所以坚持也是走好数据科学这条路的一个法宝，能走到最后的人，才是真正胜利者，大家在学习过程中，实习过程中一定不能放弃。
0
5
我整装待发走向Netflix
我那一届的同学基本在实习阶段都已经陆续拿到Offer，说实话实习结束我并不想留在当初的实习单位，那是北美一个大学医学院专门研究病理数据的工作，虽然里面有很多医学界的名人，说实话我对医学不感冒。
其实大家可以看出来，只要是数据科学毕业的学生，很多领域都需要，数据科学就业范围太广了，几乎涵盖所有行业，试问哪个行业要蓬勃发展不靠数据分析来定夺下一步的决策呢？
我的理想还是当初的Netflix，我思考了很多晚上，简历翻来倒去修改了N次，他们的工作申请是链接到领英的页面，所以找工作的同学们领英上面的每个项目你都认真老实填吧，你的优秀会被看见的。
所以说，功夫不负苦心人，我居然真的拿到了Netflix的面试机会，实话我当时看到领英上面的面试通知我甚至一度以为是黑客发的假消息，我当时太不敢相信了。 
因为是我自己的Dream company，我就非常谨慎的对待，去小红书上找各种数据科学的面经，和准备指南。越看越焦虑，感觉很多东西都没有系统准备过，有一天早上七点起来偶然在刷的时候，看到了一个一直都在分享干货的博主，也就是今天带我做好几次Mock Interview 系统的带我过了数据科学所有面试点的辛普森老师。当时我很焦虑的找到老师，和他说明了我的情况，老师先安抚了我一会儿，然后很客观理性的给我制定可以在短时间ready 起来的计划。因为时间很紧张，我就直接和老师说上一对一，因为感觉小班课可能会来不及。同时我另一边也和HR推迟面试时间到一个月之后。这一个月感觉是我人生中难以忘却的一个月，每天晚上七点和老师上两小时的课，第二天早上起来做大量的练习去巩固。在一个月中我掌握了ABTESTING，Case study各种题型，SQL，ETL，Python题，BQ问题，捡起了好久不用的统计，概率，一个月学得东西比一整个学期学得东西还要要多。
很快一个月就过去了，我的面试说实话比我想象的顺利，老师带我做足了功课，面试前两天还让我把公司理念公司简介给翻个底朝天，因为国外面试最爱问的问题就是：你能给团队带来什么？你和公司的理念怎么匹配的？你怎么看待你面试的职位？等等，这些很emo的问题其实都是精心设计过的。
Case study 这块也考了很多，大家都知道这是必考，我当时和老师学完所有的题型之后，又找老师要了FANNG大厂很喜欢考的其他Case题，不过其实题目都是换汤不换药。只要掌握了MECE的框架，基本上很容易招架的住，我几场面试问了几个Case问题， Netflix要怎么判断用户找不到自己喜欢的电视剧？ 怎么去评估Netflix一年的会员订阅营收额？ 怎么去衡量Netflix手机推送功能的健康水平?  设计一下测试Netflix播放器UI优劣的A/B 实验流程。
其实面试的问题也不是每个公司都一样，大家面试都可以在网络上翻到各种路子，各种总结。但是! 我这里最要提示大家的是：一定要找到题目的共性，不要一股脑的去一亩三分地看大量的面经，自己没有方向的练题，这个就会很浪费时间。
0
6
求职感悟
春招已结束，我也做好了成为真数据科学人的准备，希望自己未来在做好业务从策略设定到落地执行以及复盘迭代之时，能做到跳出既定业务本身去看业务，实现从看山就是山，到看山不是山，再到最后的看山仍是山的提升。
0
7
老师点评，干货分享
Lindsay同学是我见到过拿到Offer速度最快的同学之一。虽然Lindsay刚开始找我的时候看过一些DS面经和一亩三分地数据分析的一些分享，但是整理没有形成系统的方法论和结构性的知识。当时1V1沟通完之后发现以下几个问题，这个也是很多面试DS的同学常见的会犯的错误。
1.SQL
有刷过Leetcode 但是在Mock interview SQL题目的时候不会Clarify，把面试题当做Leetcode在做，上来就直接写题解，完全不关心面试官想要的结果表是什么，Input Table的数据类型，数据情况，题目的边界条件。当我要求换一种解法的的时候Lindsay就会卡住。
2.Case
对于题目没有概念，不会判断题型，虽然看过一些Case 题目的套路，但往往会造成套路痕迹过于严重，比如KPI问题，上来先花十分钟来讲一下External factor导致的impact，这样会让面试官印象非常的差，感觉在背诵答案，Case是一定没有标准答案的。

3.Probability
Lindsay的优势是研究生是经济学，对于统计概率的基础比较扎实，但是对于一些基本概念的白话解释比较欠缺，比如像面试官解释什么是大数定理，解释的磕磕绊绊的，这个会让面试官觉得这个candidate的统计intuition非常的一般。
4.ABTESTING
Lindsay和我说看过Udacity的A/B 实验视频，但是问了几个ABTESTING的细节问题，比如什么时候要分城市进行做实验？ 分城市做实验有什么问题？ 为什么有这样的问题？替代方案是什么？等等Experiment design的细节，就totally不清楚了。 
我们在准备Data Scientist面试的时候一定要全方位进行准备，这样子才能在面试中游刃有余的解决各种各样的疑难杂症。如果各位同学对于数据科学求职想要有一个系统性的准备，欢迎加入到公开课群，了解我们的VIP小班，高性价比，贴心服务。
加群还可以获得Leetcode SQL最新标准题解PDF！！
END
- 本期留言 -
你是否有关于数据科学求职的其他问题想讨论？
欢迎在评论区留言~
点个“在看”不失联
继续阅读
阅读原文