在面试了一百个 Data Scientist 后，做一点微小的工作

Data Scientist，听起来好高大上的感觉，以至于我刚入职的时候觉得，终于实现了小时候的梦想，成为一名科学家（笑）。

不久后感觉，叫 Scientist 有点怪，德不配位，所以在公司内部通常自称 Analyst (分析师)。但是有时候跟外部沟通起来，又还需要解释一番，有点烦。时间久了之后也就习惯了，其实数据科学家并不是说技术需要多么高深，而形容面对问题的难度。

说起科学家你会想到什么？很多人会想到做研究，想到博士。 那个说想到「二十一世纪是生命科学的世纪」的同学你给我出去。而很多时候做研究、读博士最大的共同点是需要面对前人从来没解决过的问题，比如说鸽子为什么这么大？

而我们要解决的问题从某种意义上来说也是从来没有人解决过的，比如说如何把用户发展到 30 亿，40 亿，50 亿。 这么来看，偶尔自称一下数据科学家，也就没那么可怕了。

体现到面试里的一点，就是很 注重面试者的自主性 。给你一个问题，是否能搭好框架，看哪些数据，如何衡量，如何测试，对产品有什么意义，对整个 eco system 有什么意义，对整体的长期的发展有什么意义。换言之，工作之后对应的就是丢给你一个大的问题，你怎么独立解决？

这就好比，读博士的时候，你应该是世界上对这个领域了解得最清楚的人，包括你的导师，在你这块领域也不如你精通。 就是这种感觉。

两年前这个时候本来没打算跳槽，当时打算年底升职，在芝加哥长待了。没想到先是 A 家的 recruiter 在 LinkedIn 上联系我，问我有没有兴趣面一个。这么高大上的公司，当然要面一个了，想当初我刚毕业的时候还投过，结果挂在电面第二轮了，说我统计理论知识不行，这我是很承认的。

反正也是要准备简历，所以干脆又让在 F 家的朋友给我内推了一个，结果第二天又在 LinkedIn 上收到 F 家 recruiter 的联系，也不知道是巧合还是什么。

几天后，G 家的 recruiter 又联系我，那就干脆一起面了吧。后来 A 家挂在 onsite，G 家挂在电面，F 家给了 offer，接了。

现在回过头来看，另外两家挂得是很有道理的，因为就算我拿到 offer 接了，估计也是三个月走人的节奏。A 家是一个 Business Analytics Manager 的职位，底下有两个组员，onsite 的时候五轮还是六轮，全是 bahavior question，没问一个技术问题，没问一个产品问题，全是遇到某某情况你怎么处理。G 家的则是一个 Technical Program Manager (TPM) 的职位，我到现在都不太清楚知道是做什么的。

所以，能拿到 offer 当然好，没拿到也不要太伤心， 适合自己的才是最好的 。

如果看工作要求上面的描述的话，会感觉对技术要求还挺高的，比如 R/Python, Perl 什么之类的。实际上面试的时候，只要会 SQL 是足够的。

而且我们面试的时候对使用哪种语言没有要求，只要能把题答出来，哪怕用 Java 来处理数据也可以。 不过通常来说还是 SQL/R/Python 三种里的一种为主，其中 SQL 对大多数情况下是最适合的，因为很多情景 R/Python 都可以做，但最初是设计给 SQL 的。

而对 SQL 的要求也可以说是惊人的低了，语法都是一些很基本的，学得快的，大概二十个小时就能从入门到放弃了，根本不需要像 Leetcode 那样刷几个月半年一年的。

难点在于很多面试者 对数据结构和逻辑不是很清楚 ，比如互联网公司跟银行相比，怎么来记录数据是很不一样的。

不过很贴心的是，recruiter 会给面试者准备一些材料，告诉他们可能会涉及到哪些类型的数据结构，以及在哪里练 SQL，惊不惊喜，意不意外？ 感觉就是生怕面试者过不了关。

不过即便如此，有时候还是会碰到技术真的是不行的，比如说完全不知道怎么 join table 的，碰上这种情况，我也是一脸懵比。

面试是这样，实际工作中也是这样。这方面理论要求低得吓人，基本上大学任意一门统计入门课的程度就够了。我甚至觉得，以天朝的高中生数学水平，突击几天也够用了。

稍微难点可能在于如何跟实际结合起来，理论知识不行，可以用感觉、经验来补一补。

Case Analysis 在面试的数量 占了五分之二 ，权重也是 最高 的。这一部分其实有点邪门，我见过完全不是这个领域的，可以在很短的时间内突飞猛进，也见过身处这个行业的，但做了几年还搞不清楚状况的。只能说有些人适合，有些人不适合。

当然通常来说，本身就在互联网行业，甚至是做社交产品的面试者，表现会好很多。 其次则是有一些咨询背景的，他们的优势在于框架搭得好，对大方向把握得很清楚，考虑的方方面面也相对周全。

面试的时候当然是会考察一定的深度，但相比之下广度更重要一点。 毕竟产品这方面还是真正做过才有体会，不夸张的说，对于技术面，我有时候还会不确定面试者说的可不可行；而在面产品的时候，基本上碰不到对产品的理解能比在职的更深的。

数据分析，是一个很需要跟人 交（si）流（bi） 的方向。如果理解 PM 的需求，如何推掉一些需求，如何讲清楚自己做的分析，如果证明自己的结论是重要的，大家听我的没错。工程师不爽了，可以自己想做什么做什么，东西还是可以上线，还是可以出效果；数据分析的结果不能落地的话，就什么用都没有了，所以 需要说服 PM，需要说服工程师，有时候还需要说服产品设计等等。

这点通常来说中国人会吃亏一点，尤其在初期，语言倒还在其次，思维方式更重要的。 不过要想做得好升得快升得高， 会讲故事是必需技能 。把分析做好了，如果讲一个完整的故事让人信服，比分析难，比分析重要。

这点在面试的时候一样能体现出来，自己写的 code 是不是能讲清楚，分析思路是对的，能不能说明白为什么要这么做，思考过程是什么等等。

有些东西单从技术上来说并不是什么高深的，比提质粒简单多了。然而没有真的做过一遍的话，前前后后的细节里会有很多坑。

比如说最常用的 A/B test，怎么选 sample，怎么看是否统计显著，都可以很容易查到，但是 A/B test 的上下游，如果掌控整个过程，对 end to end 都有个了解，才是难点所在，也是关键点所以。

所以如果没做过实习的，机会基本很小，新毕业的竞争会非常激烈。 更多的还是在工业界已经摸爬滚打了一段时间，跳过一些大大小小的坑，才更容易通过面试一点。

如果是求职的话，准备面试的期间可以 学到很多东西 ，有些是跟自己做过的相关的，有些是跟自己做过没什么太大关系，一个全新的领域。

对于面别人来说，跟不同背景、不同经历的人聊，看他们对同一问题的不同看法，对同一意见的不同反馈，也是很有意思的一件事情。

招人太难了，第一轮电面通过率 20% 出头，onsite 估计能有接近 30% ，所以每年都招很多人，每年都 招不满 。 对于求职的人来说，这个过程可能会很辛苦，但是挺过去就好了。对于面别人来说，面试其实也是个辛苦活，不过能多招点人，多接触这个领域的人，长期来看也是件好事。

用统计术语来讲，做一个决定肯定是会有 false positive, false negative的。同样用统计术语来讲，长期来看终究是要 regression to mean 的。

套用马老板的一句话，当别人不看好我们的时候，其实我们没那么不好；同样，当别人看好我们的时候，我们也没那么好。

如果有兴趣的话，现在是校招季，各大 target school 可以留意一下有没有我们公司的招聘信息，比如在哥大应该是 9 月 21 到 9 月 25。这应该是除了 return intern 以外，对在校生最友好的招聘方式了。

自己投简历的话，对 new grad 来说的确是很难很难。

experience hire 的话，一直在招，有认识的人就找内推，没有的话就上官网申请。

本文授权转载自公众号：再生谈|reborn_chat

How to Break into Data Science

福利大礼包