<p style="text-align: justify;">Hello，我是Bella，去年畢業(yè)于杜克大學MQM項目，成功在美國上岸Analytics崗。今天借這個機會和大家分享一下我之前找工作的經(jīng)驗，希望多少可以給大家做個參考，也幫助自己回顧一下我的2021。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">首先，我想說的是請堅定你的方向和決心，無論是要回國還是留美。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">如果要回國就全心全意地找國內工作，如果要待美國就心無旁騖。對于大多數(shù)人來講，在美國像我這樣沒有背景、沒有人脈想找到工作，就要靠自己努力。你需要把有限的時間精力用在投簡歷、準備面試、social和喝雞湯上面，不要總是心猿意馬。我自詡是一個很水、不聰明又沒有自制力的人，但好在可能還算會抓重點（應付筆試面試），所以既然我都找到了工作，相信大家都可以的。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">在MS階段,我選擇了去Duke讀MQM，主要有兩方面的原因。一方面，這是與我想從事工作的對口專業(yè)，在工具層面MQM基本涵蓋了最核心的三種工具：SQL，R/Python以及Tableau。如果要找一份BA工作的話，MQM可以說是足夠的。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">另一方面，它還提供了相當多的Soft skill course，這類課程大多旨在培養(yǎng)Soft Skills，如communication和team working，應該說這也是MQM畢業(yè)生與其他BA畢業(yè)生相比的一個相對優(yōu)勢。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">MQM的大部分工作都是小組作業(yè)，這其實模擬了比較真實工作的狀態(tài)：不同人會有各自的特點，會有人摸魚，會有分歧也會有矛盾。對于我來說，這種Team-based learning最大的好處是可以keep speaking English，同時也為behavior question提供了一定的素材。MQM還投入了大量的課程來有意識地培養(yǎng)Communication Skill, 比如兩門Business Communication, 包括一門Negotiation和一門Critical Thinking，會著重培養(yǎng)Presentation Skills，不管是簡單的Elevator Speech還是復雜的Team Presentation。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">在美國找工作除了要認真學好學校授課的內容，還要努力投簡歷，我所有的面試都是通過海投得來的。起初，我會在LinkedIn上各種networking，拿到的內推有十幾個，但是最終一個面試都沒有&hellip;&hellip;找工作的那個學期只有兩門課，我基本每天從上午9點投到下午4點，晚上才寫作業(yè)focus學校的課程，一周能投七八十個，整個找工季差不多都是這個節(jié)奏。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">在拿到面試之后要好好準備，可以在網(wǎng)上搜索面經(jīng)，通過面經(jīng)高效率準備，一定要認真準備每一個面試，因為面的多了你會發(fā)現(xiàn)大同小異，我面到后面基本上電面不準備都會過。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">我準備的方向主要是analytics track，準備的方面也是依據(jù)這個track的要求進行的，分為以下幾個方面：data challenge、behavior question、統(tǒng)計知識、project。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;"><strong>以下是我總結的一些面試tips。</strong></p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;"><strong>01 Data Challenge</strong></p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">前期準備可以通過看別人的經(jīng)驗貼，翻以前ML project相關作業(yè)的report，和朋友請教經(jīng)驗等等方式，了解這個東西大體應該怎么搞。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">常用的code可以提前準備好，例如LaTeX用于寫報告的模板，寫報告常用的語句，EDA 相關的code，常用模型的code。Cheat sheet要時常更新自己的版本，放在手邊待用，想好modeling的大體思路，先檢查data，需要畫什么圖，選定evaluation metric，train一到兩個model，檢查結果并寫結論。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">在真正做的時候要注意知道如何解釋你的選擇，比如為什么數(shù)據(jù)這么清理，為什么feature這么搞，為什么用model A，而不是model B，為什么用這個metric，為什么做這個假設。不是特別常見的model可以簡單解釋下原理，畢竟看report的人也不可能什么都懂。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">如果直接調別人一個現(xiàn)成的包，用了不太常見的一個model，reference要按規(guī)矩寫好。我的習慣是會加一個future work，說一下如果時間充足，你還打算做什么，以表示對這個data challenge的問題考慮充分了。最后Summary/Conclusion是一定要寫的，即通過你的模型，你發(fā)現(xiàn)了什么。最好能給出 actionable insights，因為公司出data challenge是想考察你解決問題的能力，而不是調包的能力。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;"><strong>02 Behavior Question</strong></p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">這個部分是一個容易被忽視的部分，因為如果你連自己都聊不清楚，其實會讓面試官，尤其是hiring manager對敢不敢用你挺猶豫的。我在這方面絕大多數(shù)的時候表現(xiàn)的還不錯，方法就是找?guī)讉€大的topic，每個topic下面準備好故事，把故事寫出來，不斷地思考細節(jié)，思考怎么少說廢話，怎么條理清楚的講出來。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">我準備的大topic有以下幾個：</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">（1） Leadership and how to influence others</p> <p style="text-align: justify;">（2） A hard challenge faced and How to solve it</p> <p style="text-align: justify;">（3） A true failure and how to turn it around</p> <p style="text-align: justify;">（4） A proud success made with team together.</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">這里重中之重的關鍵是少說廢話，有一個behavior很好的模板叫S（Situation）T（Task）A（Action）R（Result），可以用來frame幾乎所有的behavioral和culture fit的素材。在準備的時候一定要強調你做了什么，如果你能夠量化結果的話那就更棒了。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;"><strong>03 統(tǒng)計</strong></p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">強推introduction of statistical learning這本書。因為自己菜，高端書都看不下去。我感覺對于大部人來說，能讓別人理解你在做什么就足夠了。它沒有ESL里天書般的理論，我看了3遍。第一遍是學校里上課看的，第二遍自己看的，最重要的第三遍邊看邊總結。個人覺得英語非母語的我們，面試中其實真的挺難把一個技術問題講清楚。這個書的優(yōu)勢就體現(xiàn)出來了，它用通俗易懂的語言講清楚了每個算法，很多段落是直接可以拿來回答面試問題的。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">其次，對于每個算法要了解它的背景，object function參數(shù)對結果有什么影響，應用條件和優(yōu)缺點。我的做法是開一個doc，看書的時候思考這些段落想說明什么問題，如果是面試考察這個內容會怎么問，然后記錄下這個問題，并根據(jù)書上那幾段內容總結成回答。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">如果想讓自己的答案更豐滿，可以Google這個問題看看別人是怎么說的。這一步很重要，一定要形成自己表述。網(wǎng)上有太多ML相關的資源可以幫助查漏補缺。我比較暴力直接，找?guī)讉€DS interview questions lists一個個的過，總結出自己的答案。很多問題回答起來可能比較簡單，但自己可以多深入一些，比如經(jīng)典的type1，type2問題，就可以順帶把confusion matrix，AUC一道總結下。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">Datacamp也是一個很重要的資源，里面有一些關于統(tǒng)計分布，experimentation方面的課程，我是從那些課程里第一次系統(tǒng)地學習并練習了泊松分布，指數(shù)部分，permutation和bootstrap的。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">Analytics track找工方向里A/B testing也是考察的重點，我是在Udacity上了基礎課，同樣要注意總結可能的問題和自己的答案，define metrics，sample size，power，p-value之類的。Udacity上的AB testing的課是入門的利器，第一次上那門課的時候仿佛打開了一扇新世界的大門。但是其實那門課很多細節(jié)是沒有講清楚的（至少我自己沒聽明白），比如沒有涉及t test，沒有講清楚variability，bootstrap，A-A test的意義，怎么在實驗設計階段應對learning effect，network effect，和其他一些corner case。所以我覺得這門課入門很好，但是還要多從其他渠道學習相關知識。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;"><strong>04 Project</strong></p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">個人覺得這里很重要的是得有一個框架，讓人能很清楚的了解你的邏輯。對于resume上的project，需要理清：</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">1）這是一個什么樣的問題</p> <p style="text-align: justify;">2）為解決這個問題，模型的目標是什么</p> <p style="text-align: justify;">3）數(shù)據(jù)長什么樣，有什么特點</p> <p style="text-align: justify;">4）考慮什么模型</p> <p style="text-align: justify;">5）結果如何</p> <p style="text-align: justify;">6）有什么實際意義。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">然后在這個框架下細分每一步，發(fā)現(xiàn)了什么，會導致什么問題，怎么解決。比如EDA時，發(fā)現(xiàn)數(shù)據(jù)imbalanced，說明imbalanced會怎么樣，考慮oversampling或其他解決措施，總之要讓人知道你做每一步都是有原因的。像做presentation一樣盡可能詳細的把這些說明介紹寫下來，之后就可以根據(jù)面試的長短有選擇性的介紹，也可以用作onsite時的presentation。</p> <p style="text-align: justify;">&nbsp;</p> <p style="text-align: justify;">差不多就是這些了，一身缺點沒有背景的普通人和她很普通的經(jīng)歷希望可以鼓舞啟發(fā)到屏幕前不普通的你。只要心還透明就能折射希望，希望疫情早日退散，祝福所有人2022順利！</p> <p style="text-align: justify;">&nbsp;</p> <p><img style="display: block; margin-left: auto; margin-right: auto;" src="https://info.compassedu.hk/sucai/content/1653560490262/1653560490262.png" width="750" height="340" /></p>