[心得] 2024資料科學家面試經歷分享

從2023 年秋季到 2024 年初，因為對裁員潮的恐慌
我開啟了一次新的資料科學家面試旅程
在亞洲地區的各大科技公司
總共投遞了 26 個職位的履歷、實際拿到 2 封錄取信
親身感受到資料科學與數據分析就業市場
在海內外都依然是冰天雪地、找工作困難重重

以下文章將流水帳式地分享我面試的見聞
主要目的只是幫助你大致了解該公司面試可能會有什麼內容
如果你恰好要跟我面試相同公司的相似職位
多一分認識、就能少一些徬徨

更完整的文章以及更好讀的排版在此：
https://haosquare.com/data-scientist-2024-job-interview/

---

## PayPay

軟銀與日本雅虎合資的電子支付公司，也是快速擴張中、積極聘用外國人
此職缺是 Product Science Engineer
從 A/B 測試、資料探勘、到機器學習建模都會涉及
整體是更研究導向的職缺
（同部門有其他機器學習工程師與資料工程師處理模型部署問題）
位於 Data Insights 部門，該部門的主軸可以到 PayPay 官網找部門介紹

面試流程：回家作業 -> 技術面試 -> 技術+案例分析面試 -> 主管與 HR 面談
第一關：回家作業，給你 PayPay 可能會有的電子支付交易紀錄，請你給出數據洞見。
主要考察三大面向：
資料探勘與商業邏輯、寫程式能力+視覺化技巧、機器學習或時間序列預測模型
這關是線下審核，審核通過才會到下一關、見到第一位面試官

第二關：技術面試，我遇到的全都是非常典型且基礎的統計與機器學習問題
例如過擬合、丟硬幣機率、資料不平衡等等
有趣的是，這關的面試官問法非常「填空題」，好像一定要講出他需要的關鍵字才能過關例如聊 P-value 與顯著水準的時候
我試著解釋偽陽性錯誤，他堅持再問我這稱為什麼錯誤
直到我講出「Type-I Error」，他才放我走、進入下一題

第三關：技術+案例分析面試，一題要求你用 Python 跑模擬來算擲骰子機率
一題 SQL 考資料表 JOIN，然後案例的大意是「如何設計推薦系統」
案例這題面試官完全沒給方向
丟給你情境（介紹 PayPay 現在遇到的某個推薦系統問題），剩下全部自由發揮

第四關：跟主管全都是聊行為面試問題；跟 HR 聊職涯問題與個人特質
最後他們給我 “No Culture Fit” 拒絕了（對我來講就是不知道為什麼的拒絕）

從面試經驗，我主觀覺得他們想找十項全能的資料科學家 (ｰ ｰ;)
程式要寫得漂亮、A/B Test 要精通、機器學習預測要熟、要懂推薦系統領域知識
除了這些硬技能，對商業嗅覺的要求也極高

近期 PTT 也有另一位網友分享 PayPay 資料科學家面試經驗，值得參考
#1c9UDlUN (Soft_Job)

---

## SmartNews

日本有名的新聞閱讀 APP，在美國也有團隊，遇到的面試官來自美國跟日本都有
我遇到的流程是：第一關 Codility 線上考試 -> 第二關技術面試
-> 第三關與三位面試官 Back-to-Back Interview -> 後面我被拒絕了所以不知道

第一關 Codility：一題 SQL、一題 Python 題實作類似 NumPy 會有的簡單計算、
然後有一堆選擇題考統計與機器學習觀念（大多都是課本有的經典問題）

第二關技術面試：問了很多 A/B Test 與指標設計商業問題
我最有印象的是我們花不少時間在聊 CUPED 與 Bayes A/B Test，有點硬派

第三關之一：聊我履歷上的經歷、也深入探討其中他有興趣的技術細節；
一題案例，在 APP 新增功能該怎麼驗證成效、以及潛在風險

第三關之二：聊很多行為面試問題，壓力處理、人際溝通等等
然後話鋒一轉又是一題案例分析，同樣是新功能驗證成效的題型

第三關之三：連續三題案例分析！包括用戶增長、市場大小衡量、數據導向的產品設計

雖然最後被拒絕，SmartNews 的 HR 跟每位面試官都態度和善、是很棒的面試體驗
被拒絕後寫信詢問，HR 還真的幫我向各面試官搜集回饋、給我建議，我十分感恩

---

## Woven

這家我只有跟 HR 面談一次就沒下文了，所以就簡單介紹面談中我得知的該職缺訊息
Woven 是 Toyota 的子事業體
這個資料分析缺主要是針對 Arene 車用作業系統的資料平台
2024 年初這個資料平台還沒正式上線，實際工作會是針對測試階段的平台設計：
平台距離期望目標還有多遠？如何設計成功指標並決定預期成長幅度？上線初期該看什麼指標？

該資料團隊當時正在找視覺化專家，因為當時該團隊沒有 Dashboard、BI 工具或平台
所以對應徵者的 SQL 與 Python 要求會較高，候選人要有自己撈資料跟視覺化的能力

此職位不硬性要求日文，但有的話顯然更好
因為主要客戶就是 Toyota
HR 原本告訴我（但我完全沒經歷到的）面試流程包括：SQL + Python 技術面試
考察視覺化與簡報能力的 Take-home challenge、Culture fit interview

---

## Coupang

此職缺在台灣，屬於產品設計團隊（eCommerce Product），職等是 Staff（L6）
面試流程大約是：HR Screen -> SQL 技術面試
-> 好幾輪技術與商業分析面試 -> 主管面試 -> Offer

這是非常讓我驚艷的公司與團隊，我面試過程遇到超多神人
有知名遊戲平台超資深 PM、待過韓商巨頭的資深資料分析師、叫車平台總監級人物、
世界前幾大 MBA 畢業加上超猛外商資歷的 PM 等等

現在（2024 年 5 月）還有看到台灣還在開資深的資料科學職缺
面試過程每位面試官（包括 PM）問的問題都是分析技術與商業價值討論兼備
例如各種 A/B Test 的應用場景與潛在問題、Coupang 現有的優惠券策略案例分析
面試也很重視人格特質，包括工作步調、壓力處理等等問題
最終有幸錄取，不得不說從團隊成員、到工作內容與職涯發展，是讓我非常心動的 Offer考慮個人職涯與生活綜合考量，才忍痛拒絕
吹捧歸吹捧，Blind 跟 Glassdoor 網站對這家的公司文化都有不少評論
推薦對這間公司有興趣的朋友參考參考

---

## Yahoo

應徵部門是 Global Consumer Analytics
工作內容環繞在 A/B Test，包括規劃、驗證、結果分析與回顧、執行行動策略
合作的 Stakeholders 可能在美國
我遇到的「回家作業」面試是準備分享自己隨意選的專案經歷，面試官在分享中考察：
問題架構方法、簡報設計與摘要能力、商業影響力
Hiring manager 強調，考察的能力不只是挖掘出數據洞見
更重要的是如何轉換成具體行動建議

這次面試中，我主觀感覺此團隊非常重視「問題解決能力」
關鍵字當然是麥肯錫、BCG 等等商業顧問技能
很白話的說就是「看到問題，馬上知道要用哪幾種框架來分析」的能力

---

## Coca-Cola Bottlers Japan (CCBJI)

CCBJI 跟可口可樂母公司是不同的，CCBJI 是主要負責生產銷售的事業體
有獨立的資料科學團隊
期望工作內容很全能：除了典型的機器學習建模與數據分析
期望還要會涉及資料工程、前端軟體設計、MLOps

初期面試會有 TestGorilla 平台上的 90 分鐘線上測驗
包含 SQL、Python、機率、統計學與機器學習，每個測驗都是簡單到困難的題目平均分佈我只在 TestGorilla 測過這一次
覺得它的題目不少、節奏偏快，容易寫不完，想題目過程不適合在同一題苦惱太久

我遇到的兩位面試官分別是資深的資料科學家+軟體工程師、
以及機器學習博士+外商顧問經驗的主管
（不同於我對可口可樂的刻板印象）我覺得是超強的資料團隊

面試題目大部分是討論我的經歷
我會努力把自己的資歷連結到對方提過想做的專案類型。
特別的是，主管還問了我的個人休閒嗜好
較為困難的是開放式的案例分析，大意是問如何衡量促銷與廣告的成效
我相信對方是針對我的因果推論經驗而出這個題目，我個人都是環繞這個主題發揮

---

## Agoda

面試流程包括：線上數理邏輯測驗 -> 技術面試
-> 回家作業+案例分析面試 -> 部門主管最終面試

第一關線上測驗很容易寫不完！
千萬要注意時間，我個人建議手邊準備好 Excel 或 Google Spreadsheet 加速計算

面試關卡考察的能力面向滿平均的：
機率統計、商業思維、A/B 測試、案例分析等等都會問到
尤其機率統計，建議簡單複習一下網路上常見面試題
（像是各種擲骰子問題）來幫自己暖身

A/B Test 的面試題目很多，除了假設檢定這些統計學以外
經常問到 A/B Test 的指標是否能跟「行動」連結、以及可能測不到的潛在問題

回家作業+案例分析的環節，我在面試結尾有特別問對方回饋
對方提醒我優先級排序（為什麼要先採用我的提案、不考慮其他的？）
以及潛在風險（羅列出自己可能有想到但是還沒解決的問題）
這些是面試重視的面向

發個牢騷，跟定價有關的面試問題都好難
如果你剛好也面試到定價相關團隊的職缺、又有心想提前準備的話
建議你想想看：Agoda 的訂房或者各航空公司的機票，定價會怎麼隨著時間變化？

最終在定價團隊拿到 Senior Manager 的 Offer
能挑戰主管職、我理解到的工作內容也非常有趣，覺得榮幸且感恩
但薪水低於現職，忍痛拒絕

---

## Rakuten

第一關是線上程式能力測驗，我個人遇到的內容跟 Glassdoor 上找得到的一模一樣
如果你近期要面試這家，請務必嘗試搜尋歷史考題
第二關，跟兩位資料科學家聊我的經歷，他們很重視技術細節
所以聊了特別多 A/B Test 的實作問題、還有因果推論的方法與背後假設

然後我就被拒絕了，即使我覺得我在第二關應該沒有搞砸什麼

---

如果你跟我一樣熱愛資料科學，我也親自體驗到就業市場的寒冷
但我仍希望我們能一起長期、持續、不灰心地努力
這樣下次好機會飛來的時候，才能順利接到它

--

對,有幸還沒被裁,我評估自己目前更需要在現職多多學習

自己夠不夠強,親自面試過確實會有深刻體會 文中其中兩個缺,我有在領英找到後來到職的人 那個資歷跟硬技能,都讓我被刷掉心服口服 明確認知自己能力不足也是出來面試的收穫 我也同意自己在文中寫市場急凍或許過於主觀、草率 但分享的初衷只是希望未來的相似應徵者可以搜尋得到 就像我過去一直在 PTT 獲得很多重要資訊一樣

謝謝 e 大跟 d 大的回饋, 怪市場不好的確是被動的 也是該思考自己究竟是能力不足、還是技能根本不符合市場需要 （或許我自以為的技能確實很快會被 AI 取代）