来源：2020-09-28 15:28:00 热度：

毕业一年多被裁，没有计算机文凭，我在两个月内搞定4份Offer，且收入翻倍

裁员往往来得猝不及防，被重新丢回求职市场才发现自己还不具备竞争优势，这是很多人近期面临的窘境。但两个月拿到四份数据科学 Offer 的 Emma Ding 告诉我们，只要有针对性地认真准备，逆风翻盘也不是不可能。

遭上家公司辞退，花两个月拿到四个 offer，还实现收入翻倍，这很难吗？现任 Airbnb 软件工程师的 Emma Ding 介绍了她的经验，说不定可以帮助到近期正在找工作的人。

如果你在疫情期间被裁员或者你是数据科学领域的求职者，你一定能从这篇文章的某些部分找到共鸣。以下是 Emma Ding 的自述：

被解雇

2018 年 12 月，我被告知自己将在 2019 年 1 月被解雇。而就在三个月前，公司的工程副总裁在给 People Success 主管的信中表示，我是公司表现最好的人之一，并主张给我涨薪。这使得我的工资提高了 33%。正因如此，我在工作方面变得更有动力，渴望在新的项目上获得更大的进步。

我以为：「公司的未来以及我自己的前途一片光明」。

但就在这时，一个消息如晴天霹雳：「受公司缩减成本计划的影响，我将在 1 月 15 日被辞退。」

被迫寻找新工作是一件很艰难的事情。浏览了市场上的数据科学岗之后，我很快意识到我与别人在知识方面的差距。我之前在 B2B 初创公司所做的工作仅涉及入门水平的数据工程和机器学习。这与许多工作要求毫无关联，如产品嗅觉（product sense）、SQL、统计等。我具备一些基础知识，但不知道如何补充更高级的技能。

但是，还有比这更严峻的问题：我去哪儿找面试机会？我在初创公司只有一年半的工作经验，还没有统计学或计算机科学相关的学位。

随之而来的是一系列问题：失去签证身份之前找不到工作怎么办？找到新工作之前出现经济下行怎么办？尽管有那么多忧虑，但除了找到一份新工作，我别无选择。

准备搜索职位

面对艰巨的求职任务，我需要一些信息来决定下一步做什么。经过研究，我发现市场上一半以上的数据科学职位是产品驱动职位（「产品分析」），其余的与建模或数据工程有关。我还注意到，非产品分析的职位往往要求更高。例如，大多数建模职位需要博士学位，工程职位需要计算机科学背景。显然，不同职位的需求差异很大，因此要有针对性地进行准备。

了解到这些之后，我做出了一个重要的决定：为所有类型的职位做准备任务量太大，而且很可能效率不高，我需要专注于一类职位。

我选择了产品分析，因为根据我的背景和经验，我更有可能获得这类职位的面试机会。当然，并不是每个数据科学领域的人都和我有一样的背景和经验，因此我总结了在大公司中这三类数据科学职位的通用要求。这些信息为我节省了大量时间，我认为它对正在寻找数据科学工作的其他人也有用处。但在此我要补充说明一点，对于小型初创公司而言，面试的情况可能有所不同，或许需要将三类职位所需的知识结合起来。

产品分析（约占市场职位的 70%）

要求：具备产品上线的实践经验、敏锐的商业头脑、优秀的 SQL 技能。
示例：Airbnb 数据科学家（分析师方向）、Lyft 数据科学家、Facebook 数据科学家、Google 产品分析师。

建模（约占市场职位的 20%）

要求：掌握机器学习知识（不仅包括如何使用机器学习，还包括基础数学和理论）、强大的编程能力。
示例：Lyft 数据科学家（算法方向）、Airbnb 数据科学家（算法方向）、亚马逊应用科学家、Facebook 研究科学家。

数据工程（约占市场职位的 10%）

要求：掌握数据工程技能的端到端数据科学家、了解分布式系统、会使用 MapReduce 和 Spark、有 Spark 的实践操作经验、强大的编程能力。
示例：Airbnb 数据科学家（基础研究）、初创公司的数据科学家。

开始求职

在知道自己要被解雇时，我做的第一件事就是广泛并积极地寻找新职位。我用到了我所知道的所有求职平台，包括 GlassDoor、Indeed 和领英，还向认识的每个人寻求工作推荐机会。但是，当时正是年底，一直到 2019 年 1 月我都没有收到任何回应。

事实证明，被人举荐要比自己寻找职位效率高得多。在大约 50 个面试申请中，我只得到了 3 个面试机会，而在 18 个工作推荐中，我获得了 7 个面试机会。显然，总体来讲，我在求职市场上没有什么竞争力。

面试：概况

尽管每个公司的面试结构不同，但是大多数公司遵循以下流程：

招聘人员首先会给你打个电话；
1-2 轮电话面试（TPS）或 take-home assignment；
4-5 小时的现场面试（onsite interview），通常包括 3-4 轮技术面和招聘经理进行的行为面试。

在我面试过的公司中，大约有一半（4/10）公司在 TPS 前给了一个 take-home assignment 或者用 take-home assignment 代替 TPS。实际上，take-home assignment 会花费很多精力。做完一个 8 小时的 take-home assignment，我至少要休息半天。因此，我需要尽力安排好面试时间。我做完一项 take-home assignment 后，第二天上午不会安排面试。

了解面试的基本结构能够帮求职者放松，并熟悉找工作的流程。

面试前

对于我来说，每一个面试机会都是非常重要的。我知道有些人可能会把面试看作一种学习的方式，比如通过刷面试经历来获取经验，然后通常是拿最后面的那几家公司的 Offer，但我认为不应该采取这种方法。

2017 年毕业时，我在 500 份求职申请后只得到了 4 份面试通知，2019 年我也不期望会有更多。因此我更加注重每一次面试准备，不会浪费任何机会。

被解雇的好处之一就是我能用全部精力来准备面试，每天我都会整理学习的内容。根据之前的面试经验，我感觉到更加深入的了解才能让自己在面试中给出更深刻的答案。尤其是，当你比平时更紧张更焦虑的时候，充分的知识储备才能让你收放自如。

在我描述自己经历的时候，不禁想到之前常听到的一个误解：没有真正的经验就不可能获得产品或实验的相关知识。这一点我是不同意的，我认为通过阅读、聆听、思考、总结也可以习得这些技能。毕竟这和学校的教学方式相同，而且随着我认识越来越多的数据科学家，我验证了这种方法是通用的，即便对于拥有多年深厚从业经验的人也是如此。面试的内容可能与你所做的事情无关，但你可以通过工作经验以外的方式来获得所需的知识。

那么你需要具备哪些基本知识呢？通常，在 TPS 期间会询问产品和 SQL 的问题。现场面试期间考察的问题包括产品嗅觉、SQL、数据统计、建模、行为，可能还有 presentation。

接下来的几小节总结了我在准备面试的过程中用到的资源。一般来说，GlassDoor 是了解公司特定问题的好资源。看到其中的问题之后，我既了解了公司的要求，也了解了自己和这些要求的差距。这样一来，我就能够制定计划来填补这些空白。

「六大科目」，各个击破

以下六个部分是我针对产品分析职位总结的面试准备要求。

产品嗅觉

作为一家创业公司的数据科学家，我主要负责开发和部署机器学习模型，同时写写 spark job。因此，我几乎没有任何产品相关的知识。GlassDoor 上有一些这方面的问题，比如「如何度量成功？」「如何通过当前用户的行为验证新特性？」看到这些抽象、开放的问题时，我感觉毫无头绪。

为了学习产品相关的知识，我采用了最基本的阅读、总结策略，使用了下面列出的资源。这些阅读材料帮我构建起了自己的产品知识体系。最后，我总结出了一个回答所有类型产品问题的结构化方法。

为了测试和练习，我写下了有关产品嗅觉问题的答案，然后大声说出这些答案并录音，最后自己听录音改进答案。

以下是一些参考资源：

Stellar Peers：https://stellarpeers.com/blog/
Gayle Laakmann McDowell 和 Jackie Bavaro 写的《Cracking the PM Interview: How to Land a Product Manager Job in Technology》
Lewis C. Lin 写的《Decode and Conquer》
Victoria Cheng 写的《Case Interview Secrets》

SQL

我第一次做 SQL TPS 的时候失败了，那还是一家我感兴趣的公司。之后，我研究了一下 SQL 问题，并在一天之内完成了我原来要花一周才能完成的问题，真是熟能生巧。

以下是参考资料：

Leetcode 数据库问题：https://leetcode-cn.com/problemset/database/?utm_source=LCUS&utm_medium=ip_redirect_o_uns&utm_campaign=transfer2china
HackRank SQL 问题：https://www.hackerrank.com/domains/sql?filters%5Bstatus%5D%5B%5D=unsolved&badge_type=sql

统计学和概率论

为了回答这类问题，我温习了基本的统计学和概率论知识，还做了一些编程练习。虽然这两个方面内容都很多，但产品数据科学的面试不会太难。以下资源可供参考：

可汗学院的《统计学和概率论》入门课程：https://www.khanacademy.org/math/statistics-probability
一本统计学方面的电子书：http://onlinestatbook.com/2/index.html
哈佛的《Statistics 110: Probability》课程，介绍了现实中的概率问题：https://www.youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo
如果你不喜欢听课，但喜欢阅读，可以看一下 PennState 对于概率论的系统介绍，里面有很多例子：https://online.stat.psu.edu/stat414/lesson/introduction-stat-414
我还通过「10 Days of Statistics」在 HackRank 上练习编程，以此来巩固自己的理解：https://www.hackerrank.com/domains/tutorials/10-days-of-statistics
有时候，统计学面试中会问到 A/B 测试问题。优达学城有一门课（https://www.udacity.com/course/ab-testing--ud257）覆盖了 A/B 测试的基本问题，Exp Platform 有一个关于这个主题的更简明的课程：https://exp-platform.com/2017abtestingtutorial/

机器学习

由于没有计算机科学专业的学位，我在找工作的时候对机器学习的了解非常有限。我在上一份工作中上过一些课程，面试之前我复习了一下自己的笔记。然而，在建模问题越来越多的今天，产品数据科学家岗位面试中遇到的问题还是集中于如何应用这些模型，而不是模型背后的数学和理论。这里还有一些有用的资源帮你提升机器学习技能：

Andreas Mueller 的免费应用机器学习课程：https://www.youtube.com/watch?v=d79mzijMAw0
吴恩达在 Coursera 上的机器学习课：https://www.coursera.org/learn/machine-learning?utm_source=gg&utm_medium
优达学城《机器学习工程纳米学位》：https://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009t

Presentation

一些公司要求应聘者展示一个 take-home assignment 或你最引以为豪的一个项目，在这一环节中，你要让自己的展示有趣且具有挑战性。

那要怎么做到这一点呢？我的建议是考虑所有细节，如高级目标和成功的度量标准，从 ETL 到建模实现细节，再到部署、监控和改进。这些小事加起来要比一个大的 idea 更有说服力。下面有几个值得反复思考的问题，有助于你做一个理想的 presentation：

你这个项目的目标是什么？用什么指标来衡量成功与否？
开始这个项目的时候，你是怎么做决定的？
你如何知道用户能否从项目中受益？
你是如何做测试的？你的 A/B 测试是怎么设计的？
项目中最大的挑战是什么？

为了让我的 presentation 更加有趣，我通常会分享项目中一些有趣的发现以及其中最大的挑战。但要想做一个真正吸引人的 presentation，你需要练习，一遍又一遍地大声练习。我在家人面前练了一下，以确保自己掌握了材料。如果你能吸引到你认识的人，那个必须坐下来听你说的面试官也逃不过你的手掌心。

行为性问题

虽然准备技术面试问题很容易，但不要忘了，行为性问题也同样重要。我面过的所有公司至少都有一轮现场的行为面试，其中的问题通常可以分为三大类：

你为什么选择我们？你认为一份工作中最重要的是什么？
介绍你自己 / 你为什么要放弃当前的工作？
你的职业生涯中最成功 / 失败或最具挑战性的事是什么？或者，请说出一个你解决冲突的例子或者你说服你的经理或 PM 的经历。

对于数据科学家岗位来说，行为性问题非常重要，所以一定要好好准备！了解一家公司的使命和核心价值观有助于你回答第一类问题。第二和第三类问题可以通过讲故事来回答——三个故事就足以回答所有的行为性问题。在进去面试之前，一定要确保你脑子里存了一些好故事。与产品性问题类似，我通过大声练习的方式进行准备，还自己录音自己听并不断调整答案。

现场面试百发百中的秘诀

现场面试的前一天通常是忙碌且压力山大的，我总是试图掌握更多的技术知识，同时还要查看统计学笔记，并思考回答产品问题时的框架。当然，和学校里一样，这样的突击准备并不总是有效，罗马也不是一天建成的。所以说，准备是很重要的，但这里还有一些规则需要特别注意：

在回答问题之前，先弄明白问题。听完提问后，用自己的语言重复一次问题，以确保你正确地理解了问题。这一点非常重要。
组织所有问题的答案。写下你思考过程中的要点，向面试官展示你在解决问题时有系统性思维，也有助于面试官对你进行评价。
即使不知道答案，也不要慌。如果你不熟悉这个领域也没关系，可以先做一些假设，然后询问这种假设是否合理。如果实在想不出任何答案，大脑一片空白，那也可以谈论一些与该类型问题相关的经验。
态度很重要。企业想要找的是愿意倾听并接受不同意见的人，如果想证明自己易于合作，就要保持谦逊、尊重他人，倾听并表达，为面试现场带来积极能量，并尽力舒畅地进行沟通。
提前调查该公司。熟悉它的产品，再设想如何改进其产品，以及用哪些指标来衡量这些产品的成功。阅读公司数据科学家的博客，了解其工作内容。提前调查有助于在面试中进行更加深入、顺畅的对话。

遵循以上规则之后，我得到了如下评价：

用结构化的方式回答产品问题；
谈吐有条理，深思熟虑；
对公司产品表现出浓厚的兴趣，并提供了有价值的改进建议。

最后的谈判

收到口头 Offer 后，下一步就是和招聘方确定薪酬等条件，我的原则是「友好协商」。但是怎么做呢？

我推荐一份指南，Haseeb Qureshi 在这方面的经验给了我很重要的启示。薪酬的平均涨幅达到了 15%，最高时还达到了 25%。

在求职经历中，我总结出了以下几点：

实践出真知；
失败是生活的一部分，也是求职的一部分，别太在意；
寻找一种有效的解压方法。

结语

在掉了 5 公斤体重和无数次流泪后，被解雇后两个月内我拿到了 4 个 Offer，其中三个来自我想都不敢想的公司：推特、Lyft 和 Airbnb（我最终加入的公司），另外一家是医疗领域初创公司。

在这两个月中，我共收到了 10 个面试邀请、4 个现场面试机会和 4 个工作 offer，现场面试的 Offer 概率达到了 100%。

Emma Ding 的求职时间线

我很幸运，在被解雇后得到了家人和朋友的大力支持，这对于寻找理想工作至关重要。

找工作本身也像是一份工作，好在一切都值得。

参考链接：

https://towardsdatascience.com/how-i-got-4-data-science-offers-and-doubled-my-income-2-months-after-being-laid-off-b3b6d2de6938

https://haseebq.com/my-ten-rules-for-negotiating-a-job-offer/

本文网址：

欢迎关注微信公众号：人工智能报；合作及投稿请联系：editor@cnaiplus.com

智能推荐

无相关信息

精选

AI中国号...

关注微信公众号，了解最新精彩内容