转码进大厂年薪280k后，终于买房…

秋招已经如火如荼的开始，我在今年转码成功上岸Walmart DS岗位，分享一下自己Data的求职经验并在文末整理了一下面试常见的坑，希望可以给你带来一些Inspiration。

姓名：Rachel

背景介绍：

研究生：威斯康辛麦迪逊 社会学

本科：浙江理工大学 工商管理

奖项荣誉：校内奖学金

Dean Honors List

工作经历：

Walmart 数据科学家 - Present

PayPro(Online payments company) 市场营销 - 2022-2023

Acceleron(医药公司) 项目经理 - 2018-2022

我是一个从浙江理工大学工商管理专业本科毕业，然后在威斯康辛麦迪逊大学攻读社会学的研究生。在学习期间，我获得了校内奖学金和Dean Honors List的荣誉。

我在PayPro（一家在线支付公司）做市场营销，然后在Acceleron（一家医药公司）做项目经理，现在我在Walmart担任数据科学家。

我与数据科学的相遇的故事始于我在浙江理工大学学习工商管理的那些日子。那时，我是一个充满好奇心的学生，对世界充满了探索的欲望。对商业和管理的学习让我对如何运营和管理一个企业有了初步的理解，但我总觉得缺少了什么。直到一次课程项目，我们被要求收集和分析数据，以制定一个有效的营销策略。这是我第一次接触到数据分析，我被这个过程深深吸引。我开始自学Excel和SQL，希望能更好地理解数据，更好地利用数据。

我花了无数个夜晚在电脑前学习，尝试理解如何使用工具来分析数据。我开始理解数据的价值，我开始理解如何使用数据来驱动决策。

在那之后，我在威斯康辛麦迪逊大学攻读社会学研究生课程。在这里我有了更深入的接触和理解数据的机会。我开始使用更复杂的统计方法来分析社会现象，慢慢的对数据科学产生了浓厚的兴趣，开始梦想成为一名数据科学家。

许多人认为数据科学是一个神秘和复杂的领域，但实际上，它只是一个工具，用来从数据中提取有价值的信息。

我在PayPro工作时，我负责分析用户行为数据，以优化我们的营销策略。我使用SQL来查询数据库，然后使用Excel来分析数据。我发现，只要你理解了数据的结构和含义，你就可以使用这些工具来解答你的问题。这个过程并不神秘。我每天都在处理数据。使用SQL来查询我们的数据库，我使用Excel来分析这些数据。我需要理解这些数据的含义，这些数据如何反映我们的用户和我们的业务。如何使用这些数据来制定我们的策略，

我发现，数据科学并不像我最初想象的那样难。说白了数据科学就是用数据来驱动各种各样的事情。

后来我在Acceleron工作时，我负责一个大型项目，需要处理大量的医疗数据。我使用Python和R来分析数据，然后使用Tableau来可视化结果。这个经验让我对数据科学有了更深的理解，也让我对成为一名数据科学家有了更强的决心。

在我初次开始投递求职申请时，我的做法和大多数人没什么两样。我简单整理了一份个人简历，然后就在LinkedIn,Indeed,Glassdoor和各大公司的官网进行大规模投递。只要是和数据有关的职位，我都会毫不犹豫地申请，比如PayPal，TikTok，JPmorgan和Walmart等科技和金融公司的数据科学家职位。

我大概投递了500份简历，然而只收到了JPmorgan和Tiktok的数据科学家职位面试邀请。满怀热情，我踏入了面试的战场。

我记得面试共有好几轮。Tiktok问了我一道常规的SQL问题。第二轮面试提问了两个Case study，eg. TikTok的用户活跃率在过去一个月内相比去年下降了15%，应如何进行分析？又如何评估TikTok的收入等等。

后面其他的面试则围绕JPmorgan考虑开发一个金融产品推荐模块，我需要说明什么样的数据信号可用，如何评估该功能的优劣，哪些是关键的评估指标，还有哪些是必要的保障指标？

还有很多行为问题：如果有一个同事觉得不适应这个工作环境，感觉有人针对他，我会如何帮助他？

由于我的本科和研究生课程主要是文科相关的，所以我在回答关于统计和SQL的问题上表现得并不理想。我从面试官的态度中强烈感觉到，我可能没有机会了。一周后，我收到了他们的感谢信。这次面试的经历使我开始思考是否我应该放弃做数据科学家的想法，也揭开了我接下来大半年失败的序幕。

分享一个秋招专场7月直播群

大厂面试官主持面试流程和面试真题分析

涵盖DS/MLE/AS/RS/BA/DA/DSA等求职方向

扫码进群，可以直接获得

北美一线大厂数据科学面试真题360道

含答案

那次面试后，我感到非常失望，甚至开始怀疑自己是否适合做数据科学家。我花了半年的时间在这种迷茫和挫败感中挣扎。我尝试了各种在线课程和教程，仍然感到困惑和不安，甚至考虑过放弃这个目标。

直到有一天，我看到一个学工业设计的本科同班同学在朋友圈晒出她得到了HomeDepot数据科学家的工作offer，这激起了我内心的渴望，我忍不住向她寻求建议和指导。

通过和她的对话，我意识到，我之前在投递简历和面试的过程中，并没有真正理解和满足HR和HM的期望，这就是为什么我申请的回复率不到1%，并在面试中彻底失败。她向我推荐了OfferRealize，我起初以为自己可以通过自学达到我的目标，所以我没有深入了解。当她微信上给我发了他们的一次招聘讲座后，我才明白我在家自学半年所付出的努力其实没有方向，和我的同学有目标的努力形成了鲜明的对比。

这也是我决定报名参加OfferRealize的数据科学课程的原因。参加课程后，我更加深入地认识到，在求职过程中，得到大厂一线老师的指导有多么重要。

然后，我遇到了Bellman老师。她是一位经验丰富的DS，她给了我很多有价值的建议和指导。帮我理清了数据科学的核心概念，编程和统计技能。在Bellman老师的帮助下，我重新找回了对数据科学的热情，也找回了对自己的信心。我开始积极准备面试，我也开始积极申请新的工作机会。

Bellman老师上课不仅教数据科学的知识，更重要的是，她教我如何换位面试官的角度思考。每周我都会两次和老师同步交流，报告我自己的学习进度。老师对于机器学习，AB测试、Case study、SQL、统计等方面的讲解深入透彻，并且还向我们揭示了自己作为面试官对候选人的评判准则。

这种模式极其适应我的情况，因为我通常在准备资料和寻找工作的时间相对较少。我们在课堂上一起练习Coding，对ML产品设计问题进行不断的模拟讨论。基本上，我课上的时间都在实践练习，课下的时间则在投递简历，结果很快，我就收到了四五家公司的面试通知。

最后，我在Walmart获得了一份数据科学家的工作。这是我生活中的一个重要转折点，这是我职业生涯的一个重要里程碑。

自从在Walmart工作以后，我开始积累起了一份小小的财富。我和伴侣一直心怀一个梦想：在湾区拥有一套属于我们的房子。高昂的房价总是让我们望而却步。但是，当我拿到年薪280k的工作后，我不禁欢呼，因为我终于有了实现梦想的能力。今年一月，我们兴奋地拿到了我们自己的第一套房子的钥匙。这不仅是我在美国生活的重要里程碑，也是我职业生涯中的一个令人欣喜的成就。

买房是我生活中的一个大决定，让人既紧张又兴奋。这不仅仅是一个财务决定，更是一个改变生活的决定。我需要考虑诸多因素，如地点、价格、贷款等等。需要做大量的研究，制定多项计划。但最重要的是，我需要有足够的财富来实现这个决定，这让我感到无比的自豪和满足。

在Walmart的工作中，我有幸处理大量的数据，参与重要的决策过程。我开始了解到，原来我可以如此运用数据科学来驱动决策，我可以用数据科学来改变世界，我可以用数据科学来改变我的生活。这一切的体验都让我倍感振奋，对未来充满了希望！

在与同学交流面试经验时，我们意识到在准备求职过程中，常常会犯一些常见的错误。为了帮助大家能够尽早实现职业目标，我邀请了Bellman老师一同整理了数据领域面试中的常见误区，并提供了一些建议，着重强调了突破软实力的关键要素。

第一误区：机械式回答问题，不了解面试官的关注点

例如，面试官可能问道：“请解释一下在DS中使用的决策树算法。”很多人可能会简单地背诵定义，却无法将其与实际应用联系起来。相反，理解问题的核心，并将其与实际案例结合，才能给出有深度的回答。比较让面试官能够有impression的回答是：“决策树是一种用于分类和回归问题的机器学习算法，它通过对特征的提问来逐步划分数据集，以最终得出决策。例如，当我们想要预测一位客户是否会购买某个产品时，我们可以使用决策树算法根据客户的年龄、性别和购买历史等特征进行判断。”这样的回答不仅展示了对算法的理解，还将其与实际业务场景相结合。

建议：为了避免机械回答问题的误区，求职者应该注重与面试官的互动。在回答问题时，不仅要理解问题的核心，还要尝试将其与实际案例相联系，展示自己的分析能力和独立思考能力。

第二误区：缺乏整体观念的案例分析能力

例如，在一道关于Data Driven营销策略的案例题中，求职者可能只关注某个细节，而忽视了整体策略。正确的回答应该是综合考虑多个因素，如目标市场、竞争对手、产品定位等，制定一个综合性的市场营销策略，并解释其背后的逻辑和预期效果。

建议：为了培养整体观念的能力，求职者应该在准备案例面试时注重实际案例的分析。他们可以尝试从整体角度思考问题，考虑不同因素之间的相互影响，并提出综合性的解决方案。

分享一个秋招专场7月直播群

大厂面试官主持面试流程和面试真题分析

涵盖DS/MLE/AS/RS/BA/DA/DSA等求职方向

扫码进群，可以直接获得

北美一线大厂数据科学面试真题360道

含答案

第三误区：只关注刷题，忽视面试中的软实力

例如，面试官可能要求Candidate解释他们在以往项目中遇到的困难，并如何应对。一些同学可能只会机械地列举问题，并简单地说他们如何解决。相反，一个Outstanding的Candidate会以故事的形式叙述他们在面对困难时的思考过程和行动计划，并反思自己的经验教训。这样的回答不仅展示了解决问题的能力，还展示了对团队合作和反思能力的重视。

建议：大家在准备过程中注重提升自己的表达能力和思考深度。他们可以通过与他人进行模拟面试来锻炼自己的回答技巧，并反思自己的经验教训。

秋招如火如荼，不少投简历赶面试的同学发现：

• 了解数据岗位的多样性，每个细分岗位的面试要求不同，需要有针对性的准备。例如，某些公司更加关注统计和建模技能，因此在准备过程中需要重点学习相关统计方法和机器学习算法。而其他公司可能更注重数据工程和编程能力，因此需要更多地学习数据处理和数据可视化工具，如SQL和Python。

• 制定详细的学习计划，包括Abtesting、统计学、机器学习和业务理解等方面，并坚持执行计划。举个例子，你可以将学习时间划分为每周不同的主题，比如第一周学习SQL查询语言，第二周学习Python编程和数据处理，第三周学习统计学基础知识，第四周学习机器学习算法等。在每个主题中，可以设置具体的学习目标和任务。

• 定期Mock Interview，增强在真实面试中的自信心和熟悉面试流程。在模拟面试中，可以请朋友或者同学担任面试官角色，提前准备一系列面试问题，然后进行模拟面试。通过这种方式，可以模拟真实的面试环境，熟悉回答问题的方式和时间管理。理解面试官的期望和关键考察点，不仅关注答案本身，而是注重问题的全面性和解题思路。eg.面试官问你如何预测用户的购买行为时，他们可能希望你展示对问题的全面理解。除了简单给出某个模型的名称，你还需要说明如何收集和清洗数据、选择合适的特征、解释模型结果以及将其应用于实际业务场景中。面试官更注重你的思考过程和解决问题的能力，而非仅仅得到一个标准答案。

今日推荐

Bellman老师即将举办一场公开课，重点帮助求职者避免在开放式问题中常犯的错误：

• 解释数据科学的定位、就业市场形势、工作内容、求职策略和准备方向。

• 探讨深度学习在人工智能领域的应用和前景，以及神经网络的基本结构和原理。

• 探讨深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN）。

• 了解北美数据领域工作的面试流程和最佳投递时间。

• 初步了解面试官提问的心态、评判标准，以及技术面试的知识体系。

 如果你想在今年的招聘中脱颖而出，拿到满意的offer，务必不要错过这次公开课。扫描二维码进入群组，还可获取最新的秋招岗位汇总链接！