做顶尖咨询公司的数据科学家有多酷？我的三个月零基础转行经历

数据科学行业由于其跨领域、交叉学科等特点，源源不断地吸引着各行各业的同学们转行加入。而咨询行业凭着其本身的悠久历史和精英光环，从来也不缺各式各样的求职者竞相争取。

那么大家一定想知道，在顶尖咨询公司做数据科学家是多酷的体验？

我们请来了Lin Chen学长在为大家带来了自己的求职时间线，面试经验分享，以及数据岗位备考的干货。

有一部分是私人原因，我现在在西雅图，没有什么化学方面的工作职位，所以有了这个念头。主观原因还是因为我自己对data感兴趣，喜欢挖掘数据分析数据。挑战主要是在我几乎没有coding背景，并且我是做化学实验的，也不像理论或者化学工程可能会积累一些相关知识。这些都是我需要短时间弥补的弱点。

现在在网上自学data science的方式很多，但如果短时间内跳槽的话，Techie的优势非常明显：更加有面试导向性。不仅是帮我们系统梳理知识，而是更会告诉我们对于某个知识点，具体面试可能会怎么问，follow up可能会怎么问，等等。押题非常准。

举个简单的例子：有个关于ABtesting的知识点，在Techie的课上就有一张表格总结了当sample size大和小的时候，population variance知道或者不知道的时候，都分别怎么去做AB test。后来我上完课没多久就遇到了一个面试的第二轮，刚好就和这个有关。我就结合了课上的summary把这个问题回答了出来，让面试官非常满意。

关于data方面的面试备考，大家能做的事情大体都差不多，不过有几点我觉得非常重要：

第一，根据自己的逻辑和习惯，把老师说过的东西做个梳理和总结。比如说Random Forest的优缺点是什么，原理是什么。Deep Learning的优缺点是什么，等等。

第二，由于面试官问问题都是随机的，这要求你对知识点的掌握非常熟练。需要在高压的环境下做出最好的表现。我当时的做法是把所有知识点都打印出来，让家属随便挑问题考我。虽然我以为自己已经倒背如流了，却在真正回答问题的时候磕磕巴巴。并且家属在问我问题的时候可能会好奇追问我一下，这就是很常见的面经问题：用最简单朴实的语言介绍一个专业术语或者概念，比如说p-value。这个过程可以帮助我们更透彻地理解问题。

最后，你在面试的过程中可以将所有的题目都列个文件存进去。这样当你收集了足够面试问题之后，你就有个更清晰的框架知道自己应该掌握什么知识，有哪些地方是欠缺的。有时你也不知道面试的正确答案是什么，可能面试官也不知道，这个时候Techie的面经论坛就是一个很好的资源分享平台，大家可以上去看看别人讨论的内容，也可以分享自己的看法。

数据科学岗位的面试流程大家都有所了解。先是HR联系，然后HM联系，不会太techinical，主要问你背景和项目经验，判断你对业务是否熟悉，是不是他们要找的人。然后会有一个组员来面试你的technical。我遇到过的面试有两种，第一种是自己有个问题清单，一道一道问你，比如说gradient descent是什么，reinforment learning是什么， 等等。还有一种情况是根据你的简历，深入地问你项目细节，并且follow up，等等。

关于OA，Accenture没有给我OA，但是我也做过别的公司的OA，这个我个人觉得是最难练习也是最难控制和准备的。因为你不知道给你的data长什么样，也不知道公司想要考察你的点是什么，没有什么标准答案，可能他们也不一定在看你答案对不对，而是看你分析的是否合理，结论是否make sense。

最后就是onsite，会让你做presentation。一般能让你进到这一轮的话，你的technical和OA都应该不会有什么大的问题，至于onsite会问你更多techinical还是bq，则是因人&公司而异，咨询公司更喜欢问behavioral questions，以及如何平衡团队和客户需求等等。

我确实面试过一些其他公司，科技公司，retail公司等等。就Data Scientist而言，technical方面的区别并不是很大。区别可能是BQ，毕竟作为consultant，面向客户，肯定和in house的数据科学家不一样，你要确定你的是否适合这个工作。

我们作为咨询公司的DS的日常也是一直和数据打交道，包括要和客户沟通，把技术和知识转移给客户。很多时候客户自己也不清楚自己的需求，这个时候你作为咨询师你就需要引导客户把问题提明白。问题提明白了，那么问题也就解决了大半了。

DS的coding面试有两种：一种是和日常工作联系非常紧密的，比如说sql和python如何转换，还有就是字符串的处理，也就是data preposseing。比如说有些logs有很多空格，需要进行匹配。另一方面就是数据结构和算法相关，和SDE很相似。关于这部分的备考，我也建议同学从基础做起。从Leetcode的easy或者大公司的medium开始。

Techie网站上也有coding相关的内容的免费文章，包括youtube上也有史强老师给大家说了五段关于binary search相关的内容，希望可以给大家带来帮助。

项目最好和简历相关，如果你不是PHD，简历最好不要超过一页。如果是没有工作经验，写3-4个项目，如果有工作经验，写一两个工作经验，再写一两个项目就可以了。

项目一定要是hot topic，一定是大家都可能会用的。因为你一定会投很多简历，你的项目最好就比较general，比如说任何互联网公司可能会有商品推荐（recommendation system）、user targeting。或者NLP对应customer service，AI chatbox。或者有些fraud detection，等等。要是你现在没有项目的话，尽量往这些领域去挑选项目，这样投资回报会高一些。不需要写太多个项目，而是把一个项目写的细致一点。

Techie的文章上也有相关介绍，MLE并不是SDE+DS那么夸张，只是对coding的要求会高一些，涉及到数据结构和算法。在system design方面，MLE的会和机器学习的结合更紧密，对ABtesting这类统计的考察会少一些。 举个例子，比如recommendation 模型速度慢该怎么办？解决方案就涉及到system engineering比如caching，也有modeling的优化相关。

至于Applied Scientist，需要看公司。Amazon这样的公司的Applied Scientist和MLE没什么区别，而有的公司的相关职位，比如说某些搜索引擎公司，则非常偏向统计，四轮都面ABtest。所以建议同学要从面经和job description去了解这个职位做什么，不能只看title。

Techie近期开班课程火热报名中：

（点击图片链接查看课程详情）

欢迎扫描Techie教师团队微信，获取最新面试备考信息和专业辅导。

Techie，有温度的科技职业发展平台。

点击下方“阅读原文”进入Techie论坛，获取更多科技求职面试干货资料！