裁員往往來得猝不及防，被重新丟回求職市場才發現自己還不具備競爭優勢，這是很多人近期面臨的窘境。但兩個月拿到四份數據科學 Offer 的 Emma Ding 告訴我們，只要有針對性地認真準備，逆風翻盤也不是不可能。

>>>>

遭上家公司辭退，花兩個月拿到四個 offer，還實現收入翻倍，這很難嗎？現任 Airbnb 軟件工程師的 Emma Ding 介紹了她的經驗，說不定可以幫助到近期正在找工作的人。

如果你在疫情期間被裁員或者你是數據科學領域的求職者，你一定能從這篇文章的某些部分找到共鳴。以下是 Emma Ding 的自述：

被解雇

2018 年 12 月，我被告知自己將在 2019 年 1 月被解雇。而就在三個月前，公司的工程副總裁在給 People Success 主管的信中表示，我是公司表現最好的人之一，并主張給我漲薪。這使得我的工資提高了 33%。正因如此，我在工作方面變得更有動力，渴望在新的項目上獲得更大的進步。

我以為：「公司的未來以及我自己的前途一片光明」。

但就在這時，一個消息如晴天霹靂：「受公司縮減成本計劃的影響，我將在 1 月 15 日被辭退。」

被迫尋找新工作是一件很艱難的事情。瀏覽了市場上的數據科學崗之后，我很快意識到我與別人在知識方面的差距。我之前在 B2B 初創公司所做的工作僅涉及入門水平的數據工程和機器學習。這與許多工作要求毫無關聯，如產品嗅覺（product sense）、SQL、統計等。我具備一些基礎知識，但不知道如何補充更高級的技能。

但是，還有比這更嚴峻的問題：我去哪兒找面試機會？我在初創公司只有一年半的工作經驗，還沒有統計學或計算機科學相關的學位。

隨之而來的是一系列問題：失去簽證身份之前找不到工作怎么辦？找到新工作之前出現經濟下行怎么辦？盡管有那么多憂慮，但除了找到一份新工作，我別無選擇。

準備搜索職位

面對艱巨的求職任務，我需要一些信息來決定下一步做什么。經過研究，我發現市場上一半以上的數據科學職位是產品驅動職位（「產品分析」），其余的與建模或數據工程有關。我還注意到，非產品分析的職位往往要求更高。例如，大多數建模職位需要博士學位，工程職位需要計算機科學背景。顯然，不同職位的需求差異很大，因此要有針對性地進行準備。

了解到這些之后，我做出了一個重要的決定：為所有類型的職位做準備任務量太大，而且很可能效率不高，我需要專注于一類職位。

我選擇了產品分析，因為根據我的背景和經驗，我更有可能獲得這類職位的面試機會。當然，并不是每個數據科學領域的人都和我有一樣的背景和經驗，因此我總結了在大公司中這三類數據科學職位的通用要求。這些信息為我節省了大量時間，我認為它對正在尋找數據科學工作的其他人也有用處。但在此我要補充說明一點，對于小型初創公司而言，面試的情況可能有所不同，或許需要將三類職位所需的知識結合起來。

產品分析（約占市場職位的 70%）

• 要求：具備產品上線的實踐經驗、敏銳的商業頭腦、優秀的 SQL 技能。

• 示例：Airbnb 數據科學家（分析師方向）、Lyft 數據科學家、Facebook 數據科學家、Google 產品分析師。

建模（約占市場職位的 20%）

• 要求：掌握機器學習知識（不僅包括如何使用機器學習，還包括基礎數學和理論）、強大的編程能力。

• 示例：Lyft 數據科學家（算法方向）、Airbnb 數據科學家（算法方向）、亞馬遜應用科學家、Facebook 研究科學家。

數據工程（約占市場職位的 10%）

• 要求：掌握數據工程技能的端到端數據科學家、了解分布式系統、會使用 MapReduce 和 Spark、有 Spark 的實踐操作經驗、強大的編程能力。

• 示例：Airbnb 數據科學家（基礎研究）、初創公司的數據科學家。

開始求職

在知道自己要被解雇時，我做的第一件事就是廣泛并積極地尋找新職位。我用到了我所知道的所有求職平臺，包括 GlassDoor、Indeed 和領英，還向認識的每個人尋求工作推薦機會。但是，當時正是年底，一直到 2019 年 1 月我都沒有收到任何回應。

事實證明，被人舉薦要比自己尋找職位效率高得多。在大約 50 個面試申請中，我只得到了 3 個面試機會，而在 18 個工作推薦中，我獲得了 7 個面試機會。顯然，總體來講，我在求職市場上沒有什么競爭力。

面試：概況

盡管每個公司的面試結構不同，但是大多數公司遵循以下流程：

• 招聘人員首先會給你打個電話；

• 1-2 輪電話面試（TPS）或 take-home assignment；

• 4-5 小時的現場面試（onsite interview），通常包括 3-4 輪技術面和招聘經理進行的行為面試。

在我面試過的公司中，大約有一半（4/10）公司在 TPS 前給了一個 take-home assignment 或者用 take-home assignment 代替 TPS。實際上，take-home assignment 會花費很多精力。做完一個 8 小時的 take-home assignment，我至少要休息半天。因此，我需要盡力安排好面試時間。我做完一項 take-home assignment 后，第二天上午不會安排面試。

了解面試的基本結構能夠幫求職者放松，并熟悉找工作的流程。

面試前

對于我來說，每一個面試機會都是非常重要的。我知道有些人可能會把面試看作一種學習的方式，比如通過刷面試經歷來獲取經驗，然后通常是拿最后面的那幾家公司的 Offer，但我認為不應該采取這種方法。

2017 年畢業時，我在 500 份求職申請后只得到了 4 份面試通知，2019 年我也不期望會有更多。因此我更加注重每一次面試準備，不會浪費任何機會。

被解雇的好處之一就是我能用全部精力來準備面試，每天我都會整理學習的內容。根據之前的面試經驗，我感覺到更加深入的了解才能讓自己在面試中給出更深刻的答案。尤其是，當你比平時更緊張更焦慮的時候，充分的知識儲備才能讓你收放自如。

在我描述自己經歷的時候，不禁想到之前常聽到的一個誤解：沒有真正的經驗就不可能獲得產品或實驗的相關知識。這一點我是不同意的，我認為通過閱讀、聆聽、思考、總結也可以習得這些技能。畢竟這和學校的教學方式相同，而且隨著我認識越來越多的數據科學家，我驗證了這種方法是通用的，即便對于擁有多年深厚從業經驗的人也是如此。面試的內容可能與你所做的事情無關，但你可以通過工作經驗以外的方式來獲得所需的知識。

那么你需要具備哪些基本知識呢？通常，在 TPS 期間會詢問產品和 SQL 的問題。現場面試期間考察的問題包括產品嗅覺、SQL、數據統計、建模、行為，可能還有 presentation。

接下來的幾小節總結了我在準備面試的過程中用到的資源。一般來說，GlassDoor 是了解公司特定問題的好資源。看到其中的問題之后，我既了解了公司的要求，也了解了自己和這些要求的差距。這樣一來，我就能夠制定計劃來填補這些空白。

「六大科目」，各個擊破

以下六個部分是我針對產品分析職位總結的面試準備要求。

產品嗅覺

作為一家創業公司的數據科學家，我主要負責開發和部署機器學習模型，同時寫寫 spark job。因此，我幾乎沒有任何產品相關的知識。GlassDoor 上有一些這方面的問題，比如「如何度量成功？」「如何通過當前用戶的行為驗證新特性？」看到這些抽象、開放的問題時，我感覺毫無頭緒。

為了學習產品相關的知識，我采用了最基本的閱讀、總結策略，使用了下面列出的資源。這些閱讀材料幫我構建起了自己的產品知識體系。最后，我總結出了一個回答所有類型產品問題的結構化方法。

為了測試和練習，我寫下了有關產品嗅覺問題的答案，然后大聲說出這些答案并錄音，最后自己聽錄音改進答案。

以下是一些參考資源：

• Stellar Peers：https://stellarpeers.com/blog/

• Gayle Laakmann McDowell 和 Jackie Bavaro 寫的《Cracking the PM Interview: How to Land a Product Manager Job in Technology》

• Lewis C. Lin 寫的《Decode and Conquer》

• Victoria Cheng 寫的《Case Interview Secrets》

SQL

我第一次做 SQL TPS 的時候失敗了，那還是一家我感興趣的公司。之后，我研究了一下 SQL 問題，并在一天之內完成了我原來要花一周才能完成的問題，真是熟能生巧。

以下是參考資料：

• Leetcode 數據庫問題：https://leetcode-cn.com/problemset/database/?utm_source=LCUS&utm_medium=ip_redirect_o_uns&utm_campaign=transfer2china

• HackRank SQL 問題：https://www.hackerrank.com/domains/sql?filters%5Bstatus%5D%5B%5D=unsolved&badge_type=sql

統計學和概率論?

為了回答這類問題，我溫習了基本的統計學和概率論知識，還做了一些編程練習。雖然這兩個方面內容都很多，但產品數據科學的面試不會太難。以下資源可供參考：

• 可汗學院的《統計學和概率論》入門課程：https://www.khanacademy.org/math/statistics-probability

• 一本統計學方面的電子書：http://onlinestatbook.com/2/index.html

• 哈佛的《Statistics 110: Probability》課程，介紹了現實中的概率問題：https://www.youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo

• 如果你不喜歡聽課，但喜歡閱讀，可以看一下 PennState 對于概率論的系統介紹，里面有很多例子：https://online.stat.psu.edu/stat414/lesson/introduction-stat-414

• 我還通過「10 Days of Statistics」在 HackRank 上練習編程，以此來鞏固自己的理解：https://www.hackerrank.com/domains/tutorials/10-days-of-statistics

• 有時候， 統計學面試中會問到 A/B 測試問題。優達學城有一門課（https://www.udacity.com/course/ab-testing--ud257）覆蓋了 A/B 測試的基本問題，Exp Platform 有一個關于這個主題的更簡明的課程：https://exp-platform.com/2017abtestingtutorial/

機器學習

由于沒有計算機科學專業的學位，我在找工作的時候對機器學習的了解非常有限。我在上一份工作中上過一些課程，面試之前我復習了一下自己的筆記。然而，在建模問題越來越多的今天，產品數據科學家崗位面試中遇到的問題還是集中于如何應用這些模型，而不是模型背后的數學和理論。這里還有一些有用的資源幫你提升機器學習技能：

• Andreas Mueller 的免費應用機器學習課程：https://www.youtube.com/watch?v=d79mzijMAw0

• 吳恩達在 Coursera 上的機器學習課：https://www.coursera.org/learn/machine-learning?utm_source=gg&utm_medium

• 優達學城《機器學習工程納米學位》：https://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009t

Presentation

一些公司要求應聘者展示一個 take-home assignment 或你最引以為豪的一個項目，在這一環節中，你要讓自己的展示有趣且具有挑戰性。

那要怎么做到這一點呢？我的建議是考慮所有細節，如高級目標和成功的度量標準，從 ETL 到建模實現細節，再到部署、監控和改進。這些小事加起來要比一個大的 idea 更有說服力。下面有幾個值得反復思考的問題，有助于你做一個理想的 presentation：

• 你這個項目的目標是什么？用什么指標來衡量成功與否？

• 開始這個項目的時候，你是怎么做決定的？

• 你如何知道用戶能否從項目中受益？

• 你是如何做測試的？你的 A/B 測試是怎么設計的？

• 項目中最大的挑戰是什么？

為了讓我的 presentation 更加有趣，我通常會分享項目中一些有趣的發現以及其中最大的挑戰。但要想做一個真正吸引人的 presentation，你需要練習，一遍又一遍地大聲練習。我在家人面前練了一下，以確保自己掌握了材料。如果你能吸引到你認識的人，那個必須坐下來聽你說的面試官也逃不過你的手掌心。

行為性問題

雖然準備技術面試問題很容易，但不要忘了，行為性問題也同樣重要。我面過的所有公司至少都有一輪現場的行為面試，其中的問題通常可以分為三大類：

• 你為什么選擇我們？你認為一份工作中最重要的是什么？

• 介紹你自己 / 你為什么要放棄當前的工作？

• 你的職業生涯中最成功 / 失敗或最具挑戰性的事是什么？或者，請說出一個你解決沖突的例子或者你說服你的經理或 PM 的經歷。

對于數據科學家崗位來說，行為性問題非常重要，所以一定要好好準備！了解一家公司的使命和核心價值觀有助于你回答第一類問題。第二和第三類問題可以通過講故事來回答——三個故事就足以回答所有的行為性問題。在進去面試之前，一定要確保你腦子里存了一些好故事。與產品性問題類似，我通過大聲練習的方式進行準備，還自己錄音自己聽并不斷調整答案。

現場面試百發百中的秘訣

現場面試的前一天通常是忙碌且壓力山大的，我總是試圖掌握更多的技術知識，同時還要查看統計學筆記，并思考回答產品問題時的框架。當然，和學校里一樣，這樣的突擊準備并不總是有效，羅馬也不是一天建成的。所以說，準備是很重要的，但這里還有一些規則需要特別注意：

在回答問題之前，先弄明白問題。聽完提問后，用自己的語言重復一次問題，以確保你正確地理解了問題。這一點非常重要。

組織所有問題的答案。寫下你思考過程中的要點，向面試官展示你在解決問題時有系統性思維，也有助于面試官對你進行評價。

即使不知道答案，也不要慌。如果你不熟悉這個領域也沒關系，可以先做一些假設，然后詢問這種假設是否合理。如果實在想不出任何答案，大腦一片空白，那也可以談論一些與該類型問題相關的經驗。

態度很重要。企業想要找的是愿意傾聽并接受不同意見的人，如果想證明自己易于合作，就要保持謙遜、尊重他人，傾聽并表達，為面試現場帶來積極能量，并盡力舒暢地進行溝通。

提前調查該公司。熟悉它的產品，再設想如何改進其產品，以及用哪些指標來衡量這些產品的成功。閱讀公司數據科學家的博客，了解其工作內容。提前調查有助于在面試中進行更加深入、順暢的對話。

遵循以上規則之后，我得到了如下評價：

• 用結構化的方式回答產品問題；

• 談吐有條理，深思熟慮；

• 對公司產品表現出濃厚的興趣，并提供了有價值的改進建議。

最后的談判

收到口頭 Offer 后，下一步就是和招聘方確定薪酬等條件，我的原則是「友好協商」。但是怎么做呢？

我推薦一份指南，Haseeb Qureshi 在這方面的經驗給了我很重要的啟示。薪酬的平均漲幅達到了 15%，最高時還達到了 25%。

在求職經歷中，我總結出了以下幾點：

• 實踐出真知；

• 失敗是生活的一部分，也是求職的一部分，別太在意；

• 尋找一種有效的解壓方法。

結語

在掉了 5 公斤體重和無數次流淚后，被解雇后兩個月內我拿到了 4 個 Offer，其中三個來自我想都不敢想的公司：推特、Lyft 和 Airbnb（我最終加入的公司），另外一家是醫療領域初創公司。

在這兩個月中，我共收到了 10 個面試邀請、4 個現場面試機會和 4 個工作 offer，現場面試的 Offer 概率達到了 100%。

Emma Ding 的求職時間線

我很幸運，在被解雇后得到了家人和朋友的大力支持，這對于尋找理想工作至關重要。

找工作本身也像是一份工作，好在一切都值得。

參考鏈接：

https://towardsdatascience.com/how-i-got-4-data-science-offers-and-doubled-my-income-2-months-after-being-laid-off-b3b6d2de6938

https://haseebq.com/my-ten-rules-for-negotiating-a-job-offer/

編輯?∑Gemini

來源：機器之心選自towardsdatascience

文章推薦

?最全數學各個分支簡介

?十大中國數學之最

?數學和編程

?機器學習中需要了解的 5 種采樣方法

?北大讀博手記：怎樣完成自己的博士生涯？非常具有指導性！

?施一公：為什么要獨立思考、為什么要尊重科學？

總結

以上是生活随笔為你收集整理的毕业一年多被裁，没有计算机文凭，我在两个月内搞定4份Offer，且收入翻倍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。