裁员往往不期而至，重新投入职场，却发现自己没有竞争优势。这是最近很多人面临的困境。但两个月拿到4个datascienceoffer的EmmaDing告诉我们，只要认真仔细准备，逆风翻盘也不是不可以。被前公司辞退，两个月拿到四个offer，收入翻倍，是不是很难？目前在Airbnb担任软件工程师的EmmaDing介绍了她的经历，希望对近期找工作的人有所帮助。如果你在大流行期间被裁员，或者你是数据科学领域的求职者，你一定会发现这篇文章的某些部分有共鸣。EmmaDing是这样说的：2018年12月被解雇，我被告知我将在2019年1月被解雇。就在三个月前，公司的工程副总裁在给PeopleSuccess总监的一封信中说，我是其中之一公司中表现最好的人，并主张为我加薪。这导致我的工资增加了33%。正因为如此，我在工作中变得更有动力，渴望在新的项目上取得更大的进步。我想：“公司和我自己的前途是光明的。”可就在此时，一则消息如晴天霹雳传来：“受公司成本削减计划影响，本人将于1月15日被解雇。”被迫找一份新工作是一件非常困难的事情。在浏览了市场上的数据科学职位后，我很快意识到自己的知识与其他人相比存在差距。我之前在B2B初创公司的工作只涉及入门级数据工程和机器学习。这个和很多工作要求没有关系，比如productsense，SQL，statistics等等，我有一些基础知识，但是不知道如何补充更高级的技能。但还有一个更大的问题：我在哪里可以找到采访？我只有一年半的初创公司工作经验，而且我没有统计学或计算机科学学位。随之而来的是一系列问题：如果我在失去签证身份之前找不到工作怎么办？如果在找到新工作之前经济不景气怎么办？尽管我很担心，但我别无选择，只能找一份新工作。准备找工作面对令人望而生畏的求职，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工作是产品驱动的工作（“产品分析”），其余的都与建模或数据工程有关。我还注意到，非产品分析职位的要求往往更高。例如，大多数建模职位需要博士学位，而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，所以要做好相应的准备。知道这一点后，我做出了一个重要决定：为所有类型的职位做准备过于繁琐而且可能无效，我需要专注于一种职位。我选择了产品分析，因为根据我的背景和经验，我更有可能获得此类职位的面试。当然，在数据科学领域并不是每个人的背景和经历都和我一样，所以我总结了大公司对这三类数据科学职位的总体要求。这些信息为我节省了很多时间，我认为它对正在寻找数据科学工作的其他人也很有用。但是我在这里补充一下，对于小型创业公司，面试的情况可能会有所不同，可能结合三种职位所需的知识。产品分析师（约占市场职位的70%）要求：具有实际产品发布经验、商业头脑、出色的SQL技能。示例：Airbnb数据科学家（分析师轨道）、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：机器学习知识（不仅是如何使用机器学习，还包括基础数学和理论），较强的编程能力。示例：Lyft数据科学家（算法）、Airbnb数据科学家（算法）、亚马逊应用科学家、Facebook研究科学家。数据工程（约占市场工作的10%）要求：具有数据工程技能的端到端数据科学家，了解分布式系统，使用MapReduce和Spark，具有Spark的实践经验，强大的编程技能。示例：Airbnb数据科学家（基础研究）、初创公司的数据科学家。开始找工作当我知道自己将被解雇时，我做的第一件事就是广泛而积极地寻找新职位。我使用了我知道的每一个求职平台，包括GlassDoor、Indeed和LinkedIn，并向我认识的每个人询问工作推荐。不过当时是年末，一直到2019年1月才收到回复，原来被推荐比自己找工作效率高多了。在大约50份面试申请中，我只获得了3次面试，而在18份工作推荐中，我获得了7次面试。显然，总的来说，我在就业市场上没有竞争力。面试：一般尽管每个公司的面试结构不同，但大多数公司遵循以下流程：Recruiter首先会打电话给你；1-2轮电话面试(TPS)或带回家的作业；4-5小时现场面试，通常包括招聘经理进行的3-4轮技术和行为面试。在我采访的公司中，大约有一半(4/10)在TPS之前提供了带回家的作业，或者用带回家的作业代替了TPS。实际上，带回家的作业需要付出很多努力。在完成8小时的带回家作业后，我至少需要休息半天。因此，我需要尽量安排面试时间。在我完成作业后，第二天早上就没有面试了。了解面试的基本结构可以帮助求职者放松并熟悉求职过程。面试前，每一个面试机会对我来说都很重要。我知道有些人可能会把面试当做一种学习的方式，比如刷面试经验积累经验，然后通常会拿到最后几家公司的offer，但我觉得不应该采用这种方式。2017年毕业的时候，500份申请中只接到了4次面试电话，2019年我预计不会更多。因此，我更加注重每次面试的准备，不会浪费任何机会。被辞退的好处之一就是可以把所有的精力都投入到面试的准备中，每天都会把所学的东西整理一下。根据之前的面试经验，我觉得加深理解可以让我在面试中给出更深层次的回答。尤其是当你比平时更加??紧张和焦虑的时候，充足的知识储备可以让你取之不竭，取之不尽。在描述我的经历时，我不禁想起了一个我以前听过的常见误解：没有实际经验就不可能获得有关产品或实验的知识。我不同意这一点。我认为这些技能也可以通过阅读、听力、思考和总结来获得。毕竟，这和学校里的教学方式是一样的，而且随着我认识越来越多的数据科学家，我已经证实这种方法是通用的，即使对于具有多年深厚行业经验的人也是如此。面试的内容可能与你从事的工作无关，但你可以通过工作经验以外的方式获得你需要的知识。那么你需要具备哪些基础知识呢？通常，在TPS期间会询问产品和SQL问题。现场面试中检查的问题包括产品气味、SQL、统计、建模、行为，可能还有演示。接下来的几节总结了我在准备面试时使用的资源。一般而言，GlassDoor是解决公司特定问题的良好资源。看到题目后，我不仅明白了公司的要求，也明白了自己与这些要求的差距。这样，我就能够制定计划来填补这些空白。《六大科目》，分以下六个部分分别是我对产品分析职位总结的面试准备要求。ProductSmell作为一家创业公司的数据科学家，主要负责机器学习模型的开发和部署，同时编写sparkjobs。因此，我几乎没有任何产品相关的知识。GlassDoor上有一些关于此的问题，例如“如何衡量成功？”“如何通过当前用户行为来验证新特性？”当我看到这些抽象的、开放性的问题时，我感到一头雾水。为了学习产品相关知识，我采用了最基本的阅读和总结策略，使用下面列出的资源。这些阅读材料帮助我建立了我的产品知识体系。最后，我想出了一个结构化的方法来回答所有类型的产品问题。为了测试和练习，我把关于产品气味的问题的答案写下来，然后把这些答案大声说出来并录音，最后自己听录音提炼答案。这里有一些参考：StellarPeers:https://stellarpeers.com/blog/GayleLaakmannMcDowellandJackieBavaro《Cracking the PM Interview: How to Land a Product Manager Job in Technology》LewisC.Lin《Decode and Conquer》VictoriaCheng《Case Interview Secrets》SQLMyFirst我第一次做SQL就失败了TPS，那是我感兴趣的一家公司。之后，我看了一下SQL问题，一天解决了我需要一周才能解决的问题，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=transfer2chinaHackRankSQL问题：https://www.hackerrank.com/domains/sql?filters%5Bstatus%5D%5B%5D=unsolved&badge_type=sql统计和概率为了回答这类问题，我复习了基础统计和概率，并做了一些编程练习。虽然这两个领域都有很多内容，但产品数据科学面试应该不会太难。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统计学电子书：http://onlinestatbook.com/2/index。htmlHarvard的《Statistics 110: Probability》课程，里面介绍了真实世界的概率问题：https://www.youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo如果你不喜欢听课，但喜欢看书，可以看看PennStateforProbabilityTheory里面有很多例子：https://online.stat.psu.edu/stat414/lesson/introduction-stat-414我也是通过《10天统计》在HackRank上练习编程，巩固自己的理解：https://www.hackerrank.com/domains/tutorials/10-days-of-statistics有时在统计访谈中会问到A/B测试问题。Udacity有一门课程(https://www.udacity.com/course/ab-testing--ud257)涵盖了A/B测试的基础知识，而ExpPlatform有一个关于该主题的更简洁的课程：https://exp-platform.com/2017abtestingtutorial/机器学习没有计算机科学学位，我在找工作时对机器学习的了解非常有限。我在上一份工作中学习了一些课程，并在面试前复习了笔记。然而，随着建模问题越来越多的今天，产品数据科学家工作面试??中遇到的问题仍然集中在如何应用这些模型上，而不是模型背后的数学和理论。以下是一些其他有用的资源，可帮助您提高机器学习技能：AndreasMueller的免费应用机器学习课程：https://www.youtube.com/watch?v=d79mzijMAw0AndreasNg在Coursera上的机器学习课程：https://www.coursera.org/learn/machine-learning?utm_source=gg&utm_mediumUdacity《机器学习工程纳米学位》:https://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009tPresentation一些公司要求申请者或者展示一个take-家庭作业或您最引以为豪的项目。在这一部分中，您将使您的演示有趣且具有挑战性。这个怎么做？我的建议是考虑所有细节，例如成功的高级目标和指标，从ETL到建模实施细节，再到部署、监控和改进。这些小事情加起来比一个大想法更有说服力。这里有几个值得反复思考的问题，可以帮助你做出理想的演讲：你的项目的目标是什么？使用什么指标来衡量成功？你是如何决定何时开始这个项目的？您如何知道用户是否会从该项目中受益？你如何进行测试？您的A/B测试是如何设计的？项目中最大的挑战是什么？为了让我的演讲更有趣，我通常会分享项目中的一些有趣发现和最大的挑战。但是要进行真正引人入胜的演示，您需要一遍又一遍地练习，大声练习。我在家人面前练习，以确保我已经掌握了材料。如果你能吸引到你认识的人，那不得不坐下来听你讲话的面试官就逃不过你的手掌心。行为问题虽然准备技术面试问题很容易，但不要忘记行为问题同样重要。我面试过的所有公司都至少进行过一轮现场行为面试，问题大致分为三大类：为什么选择我们？你认为工作中最重要的是什么？自我介绍/你为什么要放弃现在的工作？在你的职业生涯中最成功/失败或最具挑战性的事情是什么？或者，请举例说明您解决的冲突或您说服您的经理或PM的时间。行为问题对于数据科学家职位来说非常重要，所以一定要做好准备！了解一家公司的使命和核心价值观，可以帮助你回答第一类问题。第二类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问题。在参加面试之前，请确保您脑子里有一些好故事。和产品题一样，我都是通过大声练习、自己录音、不断调整答案来准备的。现场面试的前一天通常是忙碌而紧张的，我总是在努力掌握更多的技术知识，同时还要看统计笔记，回答产品问题时思考框架。当然，和在学校一样，这种突击准备并不总是奏效，罗马不是一天建成的。所以，准备很重要，但这里有一些规则需要特别注意：在回答问题之前，先理解问题。听完问题后，用你自己的话重复问题，以确保你理解正确。这一点很重要。组织所有问题的答案。把你的思考过程的要点写下来，会让面试官看到你在解决问题时有系统的思考，也有助于面试官对你的评价。即使您不知道答案，也不要惊慌。如果您是该领域的新手，可以做一些假设并询问该假设是否有意义。如果实在想不出答案，脑子一片空白，也可以谈谈与这类问题相关的一些经验。态度很重要。公司正在寻找愿意倾听和接受不同意见的人。如果他们想证明自己好相处，就必须保持谦虚，尊重他人，倾听和表达自己，为面试现场带来正能量，尽量让沟通舒畅。提前研究公司。熟悉它的产品，然后想象如何改进它的产品，会用什么指标来衡量这些产品的成功与否。阅读公司数据科学家的博客，了解他们的工作。提前研究可以在面试过程中进行更深入、更顺畅的对话。遵循以上规则后，我得到了以下评价：有条理地回答了产品问题；说话有条不紊，周到；对公司产品表现出了浓厚的兴趣，并提出了宝贵的改进意见。最终谈判收到口头offer后，接下来就是与招聘方确定薪水等条件。我的原则是“友好协商”。但是怎么办？推荐一个攻略，HaseebQureshi在这方面的经历给了我很大的启发。工资增长平均为15%，最高为25%。在我的求职经历中，我总结出以下几点：真知灼见；失败是生活的一部分，也是求职的一部分，不要太在意；找到有效的解压方法。结语瘦了5kg大哭一场，被炒鱿鱼2个月内拿到了4份Offer，其中3份来自我想不到的公司：Twitter、Lyft和Airbnb（我最终加入了这家公司），另一份是一家医疗领域的初创公司。这两个月，我一共收到了10份面试邀请，4份现场面试机会，4份工作offer，现场面试offer概率达到100%。EmmaDing的求职历程我很幸运在下岗后得到了家人和朋友的大力支持，这对我找到梦想的工作至关重要。找工作本身也像是一份工作，但好在一切都是值得的。
