大厂裁员的求生之路与Fintech的致命救赎

点击上方卡片，上岸北美大厂从这开始！

「如今，数据科学家正取代公司里那些带来新客户和收益的销售人员以及交易员，成为金融界最受追捧的人，他们拥有通向行业未来的钥匙。」

高盛（四大投行之一）的首席财务官技术专家Marty Chavez和首席信息官Eli Wiesel在一次采访中如是说到。

跟随商业领域的「解构流行」，数据科学们运用大数据与科学方法赋予传统的金融行业新的生命力。无论是销售还是交易，未来将会有更多的人运用更多科学方法来分析金融数据。

举个典型例子，被称作「金融界的亚马逊」的Citadel能够在华尔街独霸一方，靠的就是运用自研技术不断创新，比如利用Artificial Intelligence和Machine Learning来实时预测数千种证券的价格走势，开发的高频交易工具，让用户能够在几毫秒内完成股票交易。

最近Citadel也启动了秋招，感兴趣的同学可以登录其官网获得最新资讯。

为了能给即将毕业，想要在科技界大展宏图的同学们一些全新上岸思路，在Uoffer刚刚结束的讲座中，我们就邀请到三位嘉宾。

一位是Uoffer王牌顾问Jessica老师，她拥有15年+海外留学工作经验和10+年从事留学生留学就业规划工作经验。

一位来自非名校硕士毕业的Pat学长，硕士期间学习Informatics，最终上岸了Discovery Financial Service，还有一位在某知名银行从事Senior Data Analyst的Fenny学姐，作为金融领域里的DA，她的分享也绝对值得你的期待！

话不多说，接下来就带大家一起回顾一下讲座中的精彩瞬间。

求职者必备三大要素

首先作为一个求职者，最重要的必备要素之一，是需要拥有「足够多的信息」。

这些足够多的信息包括：你可以去什么样的公司，你可以去什么样的岗位，你所去行业的实时信息。

举个例子，比如很多学习Computer Science或者Data Science的同学，想去一些诸如Meta，Google和Amazon这样的科技大厂。

如果这时你拥有一个本科或者研究生的学位，要上岸这种科技大厂的一些Data岗是非常难的。

众所周知，科技大厂的Data岗位非常的内卷，对候选人的要求非常之高（通常会需要博士）。所以在这种情况下，如果要去跟拥有博士学位的候选人去竞争，那么在学历上就竞争不过对方。

所以在这种情况下，很多原本想从事Data岗的同学他们可能会转一下赛道，会先去找一些像金融类的公司或是欧洲的公司。（Wayfair、Redfin之类）

再举个例子，比如很多学Business Analytics的学生，可能想在毕业后从事一些关于Data Science的岗位。这样的情况明显就是对于岗位的判断出现了一些问题。

与此同时，不同岗位在不同的公司可能叫的名字也不一样。

比如说像学Business Analytics的学生，所需要的岗位有可能叫做Business Analyst ，还有的会叫做Business Intelligence Engineer（Amazon比较有名的一个岗位）。

现在大家听到最多的可能就是说冷冻期上岸非常困难，各行各业都在裁人，但是这有可能只是你们看到的「表面现象」。

其实业内很多人知道，目前有些公司还是基于自己开展新业务的需求在扩招，这些信息非常重要，如果你能拿到这些信息，就等同于抓住了很多的机会。

DS上岸经验分享

Pat学长在今年5月以非名校informatics硕士身份毕业，8月成功上岸Discovery Financial Service从事Machine Learning的相关工作。

虽然看起来只有 3 个月，不过实际上从去年 9 月份开始，Pat学长就开始找工作了。

「推荐大家找工作的最好的时间点是在毕业这一年的八九月份，一般这时候就可以开始投递简历了。」

当讨论到投递简历时机问题时，Pat学长如是说道。

因为整个过程会很漫长，平均等到一份简历的时间大概是两周到一个月的时间，不管是被拒绝还是收到面试的消息，差不多是两个星期到一个月的时间。

对于当今非常「卷」的DS来说，Pat学长认为去SDE转码也许是最好可以避免被「卷」的方法，因为 SDE的坑位一直有，而且永远要比DS来得多。

当然对于想留下来继续在 DS 方面从业的同学们来讲，Pat学长也给出了一些他的建议。

对于Data Science来说，市面上的岗位一般可以从Machine Learning Engineer和Data Engineer这两个方面区分。

对于Machine Learning Engineer来说，你就需要明白一些Traditional Machine Learning、RNN之类的工作原理。

那么对于Data Engineer来说，岗位就更偏向于数据库相关的，你得知道 Data Warehouse 、Database等工作原理。

要根据自己，再根据在招聘网站上看到的职位要求来找到自己合适的方向，在过程中去找到自己不足的地方，不停地去提升。

从简历上来说，最重要的大概有三个方面，第一是你的教育经历，第二个就是你掌握的技能，比如你会的Python等级，第三就是你的项目经验，尽量按照自己是什么职位-在职位当中遇到什么样的问题-运用了什么样的方法-在什么样的情况下取得了什么样的成效的叙事模式去描述。

对于面试来说，Pat学长建议大家不要在面试中陷入「一问一答」的模式中，要学会主动去拓展话题并逐渐引向自己擅长的领域中去。

Pat学长在讲座中还讲到了很多关于提升面试技巧的方法，想要详细了解的同学可以扫描下方二维码免费获得讲座全程回放。

「Fintech」工作经验分享

「对于金融领域里的DA来说，最重要的是要把这个数据进行梳理来达到一个最终的可视化，然后针对每个Team的每一条线进行一个反馈，来达到一个更好的优化或是方向上的调整。」

Fenny学姐目前在纽约的一家银行工作，就职于Legal And Compliance（反洗钱部门）担任Data Analyst的工作。

她的工作Routine，更多的是做的是数据清理处理分类的前期工作，对于一些数据的真实性准确性的要求比较高。

相比于大厂的Engineering的那种很需要Coding 的公司来说，金融类的 DA 其实相对更加基础一些，可能比较适合转码不久，或是那种刚接触Coding不久的一些同学。

在工作中运用得最多的是Advanced版本的 Excel、VBA以及需要有比较出色的Wording能力。

鉴于目前大部分公司都还在遭遇「冷冻期」，这里Fenny学姐也推荐大家可以考虑去金融行业或者是中型公司入手。

Q：如何在面试中的BQ环节中突破「磕磕绊绊」的瓶颈？

A：要解决这个问题，归根到底还是要去多练。有的时候甚至不需要Mock Interview，去不断重复自己不熟练的问题直到熟练…………

Q：面试通过了在面临选组，但是 10 个工作日过去了却没有得到HR的回复，请问这种情况是代表我被挂了吗？

A：这种情况的话不一定是说挂了，有可能是说因为每个组的Head Count都在调整，很有可能是被……

Q：抛开身份不谈，注重长期职业发展，应该去大厂还是独角兽？

A：面对这种选择的话，还是要看你将来对自己的期望，大厂挑战机会多一些，独角兽就相对平稳一些（如果存在身份问题，那还是首推还是去大厂）……

由于篇幅限制，在讲座中还有7-8个非常有价值的问题，扫码添加下方小助手免费获得全程讲座回放。