我是如何从文科生进入数据科学行业的

“大数据”和“人工智能”这两个词可能是近2年最热的词汇。国家对这个领域的重视以及高薪诱惑带动了一群想要从事这个行业的人。这群人来自各行各业，从CS、统计到金融和经济，当然也不乏一小部分“文科生”。作为文科生的一份子（本科广告学），在经历了大约45个面试后（包括Google、Apple、Warner Bros、Wayfair等等），最近拿到美国CBRE的AI & ML Development Team的Data Science Analyst的Full-time Offer，在德州达拉斯，还给了个挺不错的package。想讲一些纯文科生如何进入“数据科学”这个行业。

开始前，我想对文科进行一个定义：没有接触过编程、统计或者高数（线性代数、概率论和微积分）的学生或在职人员。然后，我们再看看数据科学到底需要什么。我的个人观点是：编程、统计、商业思维以及沟通能力。我们可以发现，文科生与数据科学家的gap主要是在编程、统计和商业思维。在这里我要提醒各位文科生，如果你不是真正对数据科学这个行业感兴趣，如果你很厌恶代码和数学公式，我其实并不建议去尝试这个career change。因为你起步就和理工、甚至商科出身的人，相差了大约3年的经验。这不仅体现在编程或数理能力这么简单，而且思维方式上也有着巨大的鸿沟。因此，所以除了要对数据科学这个行业有着极大的兴趣，你还要有着强大的学习能力，去一步步缩小这种差距。下面我想讲讲如何narrow the gap，当然这更多的是我个人的经验，欢迎补充和指正。

首先，你可以读一个business analytics的master。这是一个最近很受欢迎的方式，很适合想进行转型的同志。BA将data science所需的技能通过科学的课程设计讲授出来，而且强调对business的impact，这是对文商科人士比较好的接受方式。如果你能正常把这个master读下来，你基本具备了申请美国Business Analyst和Data Analyst相关职位的技能。

如果你觉得business analytics不太适合你或者不太够的话，那你就需要learn data science the hard way了。好，那编程、统计和商业思维该从哪个开始呢？well, it doesn’t’t matter too much. 对于我而言，统计的挑战最大。进入行业前的编程和商业思维方面的基础对data science中并不是决定性的，换句话说，这些基础是能在短期后天培养的。然而统计的话，对前期数学基础的依赖极强。如果你没有一个比较好的基础的话，你很难对data science有一个深刻的理解。比如笔者之前就闹过一个笑话：老师讲正态分布的时候我不懂，我问我同学这个正态分布和网络用语“正太”有关系吗？如果这个不懂，就更不用说去理解假设检验和统计推断了。

为了真正去理解data science的统计，笔者花了3-4个月把MIT的经典公开课中的线性代数、概率论和单变量/多变量微积分看完了。上完这些课笔者茅塞顿开，就像开车前系了安全带一样，可以大胆往前行了。为了提升统计能力，笔者读了一本最近很受欢迎的书‘Practical Statistics for Data Scientist’。因为这本书对统计的讲解浅显易懂，又能够触及到绝大部分data science中的统计问题，笔者深受其益。当然不必说，前期的数学积累很大程度上帮我更深刻地理解这本书。个人认为，统计能力决定了你在data science领域的上限，而数学能力又决定了统计水平的上限。

关于编程，笔者是通过密歇根大学的Python课入门的。了解了一些基本语句和原理后，动手去实现代码是一个快速提升的过程。Kaggle是一个非常好的平台，你可以找一个简单的challenge自己做做，一边做的时候一边参考别人的代码和解释，同时提升利用Google或百度进行信息检索整理的能力。你可以会问，为什么要提升用Google或百度的能力？不是每一个人基本是都已经能‘闭着眼睛’就可以做到吗？然而事实不然，会用搜素引擎，并不代表着你能最大限度地发挥其价值。我必须得在这强调这种能力的重要性，因为它直接决定了你problem solving skill。试想下，老板要你解决一个data science的问题，需要涉及到各种高深的代码和统计，你如何解决这个问题？作为一个非程序员，你可以可能会用搜索引擎了解下这个问题，然后到处向同事或同学请教，或者你放弃了，直接和老板说这在你能力范围之外。这就是你和程序员的能力差距主要体现，并不是在对代码或计算机方面的经验。一个程序员可能也完全不知道代码如何写，统计原理是什么，但是他们将大问题分解成一个个小问题，通过搜索引擎的检索，逐一击破，最终解决问题，其中他们甚至都不需要去了解一些原理。这种problem solving skill的价值不仅体现在编程上，也体现在生活和工作中，是人不可或缺的能力。

最后是商业思维，也是最难衡量的。对于我而言，考虑到工作经验不太充足，暂时无法通过商业实战来提升，我的策略就是大量的‘阅读’。出于兴趣的原因，我从高中毕业就对business方面的书籍、杂志和期刊保持着比较大的阅读量。从大一到现在，我大概精读了至少50本MBA或之外的经典著作，本科的时候每天平均保持阅读3-5篇杂志和期刊的文章，其中就包括《哈佛商业评论》和《福布斯》（福布斯的案例比较和当今接轨，介绍了很多年轻的企业家的成功模式，是笔者最喜欢的读物，没有之一！）。我并不觉得我在商业思维方面的经验具有普适性，但是‘阅读’绝对能够对你商业思维进行大幅度的提升！

跨学科跨专业是一项极大的挑战，但它也充满着魅力。不用学科有其不同的思维方式，比如理工科以逻辑思维为主，文科以发散性思维为主。但是，Data Science并不是一个纯理工科，它是工具，需要有domain expert才能真正发挥其价值，而这些domain expert很多也出自文科。这也就意味着，从各个领域里的非理工科背景的人进入这个行业是绝对欢迎的。同时，这也就解释了为什么美国的business analytics项目招了很大比例的文商科背景的人进来，来学习data science。毕竟，他们有着巨大潜力会用data science来改造他们的行业。

没想到有这么多人支持，我就再写一些关于简历和LinkedIn多心得。

简历：无非就是要做到知己知彼。首先，你得知道大部分公司招聘大致是一个什么流程。就我所见，一般先是网申通过关键词筛一批，HR通过关键词再narrow down，然后再hiring manager/同事/老板。网申和HR面是可以通过科学的准备通过的，hiring manager/同事/老板就比较偏state of art了，需要真才实学。想通过网申和HR面，很重要的两点是：“不要犯错”和“相关”。不要犯错，指的是职位介绍不要的(GPA>=3)，你“加粗”地写在简历上(GPA==2.7)。“相关”，指的是你的简历所描述的内容是否和我的职位相关，这一般通过关键词表现出来（machine learning、modeling、statistics......)。上面这两点想要做好，需要对招聘信息做仔细研读，这其实是很耗费时间的，尽管成功率有所上升。另一种我自己用的方式，就是准备一种万能模版，对非常喜欢的职位进行微调，对大部分职位就直接申请。申请并不是概率问题，也不要太看中概率，不是你背景强就一定比背景差的更容易找到工作。设想下，如果我一天能投50份简历，你一天只能投5份，我虽然投篮命中率低，但我投的多呀！！我50份可能只有6份拿到面试，但是就算你5份100%拿到面试，我还是比你多。好，回到原话题，我如何准备一个万能简历。很重要一点，就是多看招聘信息，看他们有没有什么共同点，大部分公司需要什么。然后你渐渐会培养一种直觉，知道哪些点是在简历上必须用关键词体现的，哪些点需要展开的。多投还有另一个好处，就是不断地让你修改、提升你的简历质量，it's like back-propagation in deep learning
。

领英：hiring manager or anyone equal or higher than his title> recruiter >alumni >entry level employee in same field> random employee in irrelevant field. Hiring manager or anyone equal or higher than his title这些人能够决定是否要给你offer，他们对你感兴趣对话，可以帮你拿到HR面（100%概率），甚至还能跳过HR面，直接到HM。recruiter，很忙，一般不会回复也不会看，但是看见之后还是有机会跳过网申。Alumni会看校友情谊给你refer，如果不是熟人他们其实也不会很用心给你去说好话。entry level employee in same field，很谨慎，一般会因为怕毁声誉不refer，而且他们对refer分量也不大。random employee in irrelevant field，啊，和网申一个流程。ok，直接联系老板或高层这么棒，是不是就稳了？No，你需要在这些人身上花足够对时间，让他们真正对你产生兴趣。我对策略就是，在职位介绍看到部门相关信息，LinkedIn找到这个部门相关负责人，加好友 with note （简短对自我介绍和对职位对兴趣）。如果加好友成功，发一段类似cover letter的段落（一定得说为什么想加入我们），切记不要让别人觉得你是复制黏贴模版，让后静候回复。我发现，LinkedIn一般段位比较高的人相对还活跃些，回复我的也是他们最多，给我面试的也是他们。所以记住，你发的信息他们基本都会看，感兴趣就会联系你。不感兴趣，也就不用指望网申了，因为HR也要看他们脸色。

先写这么多，想到再继续补充！

感谢这么多人的支持！真的没想到也有很多和我类似背景的人在朝这个方向努力，你们也一定能做到的。抱歉，因为最近工作比较忙，拖到现在才回复。首先先po一些面经出来（手写字母排序），趁我还记得一些：

Adobe：俩面试，一个是business analyst，一个是business intelligence analyst。面试都是在LinkedIn上用premium发邮件给hr拿到的。感觉他们很重视statistics这块，问的很细，比如几种不同的hypothesis testing。第二个面试因为接了offer，就没有去了。Adobe很laid back，面试官经常不在公司，因为休假或公司closed，所以整个流程在1个月以上很正常。
Apple：App Store Analytics下的Data Scientist...jd上写需要4年工作经验...在LinkedIn上内推的面试，直接skip到hiring manager。面试基本是产品上的问题，你用我们产品说明感受、怎么改进我们产品之类的。还有就是why apple，他们好像很重视对文化的认同。
Chewy：pricing analyst，给了个SQL test，不难，差不多15分钟能做完...要注意别点错按钮（我就是点错，然后exit了）。
DISH：广告部门下面的Data Scientist，hr面-智商情商测试-hiring manager Skype。这三关面试都表现很好，最后因为要relocate没给on-site。DISH工资不高，面试主要看written test，口头的问题都很behavior，看culture fit，很重视对年轻员工的training。
Fanatic：data analyst，LinkedIn上找HM拿的面试。第一轮hr zoom视频，比较随意。不过hr一上来开出3万9的年薪还是很惊讶的，后来基本就凉了。
Genesys：BI Analyst，LinkedIn上找HM拿的面试，直接跳过HR面，面了HM和colleague。他们很重视statistics和对Genesys的了解，得做好研究再上场。
Google：YouTube的business analyst。LinkedIn上找HM拿的面试，HR面我表现的很好，因为HR连面的职位都没弄清楚就给我挂了。后来，给HM发邮件解释我是如何fit这个职位，以及HR对这个职位的重点认识错误，HM直接给我跳到了第二轮技术面。可惜的是，因为已经接受offer了，就婉拒了这个机会。
Groupon：product analyst。LinkedIn上找HR要的面试...然后，另一个HR面的我...因为无法说出我是找哪个HR要的面试（reach的人太多的缺点），直接给我拒了...最郁闷的一次面试。
Havas：一家4A广告公司的analyst。面了三轮，感觉都很好，因为要relocate到加州就没给onsite。这家公司主要就是看communication能力，对marketing要有基础的了解。
Hulu：面试来得很早，那个时候根本就没有像样准备面试，答得一塌糊涂，一轮游。只记得他们的culture很好。
Indeed：很多职位不sponsor，或者要求3年以上的经验。俩面试，一个迟到10分钟，一个没来。他们公司有很严格的保密文化。
Netflix：payment analytics的Associate，也是在LinkedIn上找HM要到。在接受offer后来的...HM面...郁闷。要求有支付风险防范的domain knowledge。
NIKE：data analytics部门下的analyst，LinkedIn上找HM要的。他们没有e-verified，很多职位不sponsor h1b。
Priceline：有点understaff，HR说要pass我的resume给HM，然后就没信了...后来follow up说已经招满了。
SurveyMonkey：marketing analyst。culture和pay都不错，但是职位很偏SEM，不是很fit。
Target：operation analyst，LinkedIn上找他们的COO要的面试。他们sponsor很多职位，但是很多偏supply chain，要一些经验。
Thumbtack: product analyst，LinkedIn上找人要的面试。HR面的时候和我说那个职位已经没有headcount了，要我1个月后再找她。再找她的时候说还是没headcount...然后看他们的product analyst的jd上的experience要求好像从1-2年变成4年了..只招senior了。
Walmart：media group的analyst，在加州。面的很好，还是因为relocate的问题没有进入next step。
Wayfair：Supply Chain Analytics下的Operation Analyst, 海投拿的面试，HR-HM-onsite，迄今为止最难的面试。那个组全是top 10 engineering school的phd。onsite有4轮，每轮2人面你，都是technical+case，前后被问了至少6个case。需要对sql和python有非常扎实的基本功，至少刷过一遍case in point，对wayfair的业务有比较用心的研究。面试官给的pressure很大，需要做好心理准备。
WB Games: 时代华纳的游戏部门，在SF，在LinkedIn上找HM要的面试。本身拿到了on-site，都准备sponsor我到SF了，但因为那段期间被AT&T收购了，突然headcount的budget被revisited，然后告诉我一切都hold on until they have more information。

LinkedIn的networking帮我拿到了很多比较难从海投拿到的面试，下次有时间我会再写一些关于如何用LinkedIn拿到面试。

Royisaboy 发表于 2019-1-17 12:16
没想到有这么多人支持，我就再写一些关于简历和LinkedIn多心得。

简历：无非就是要做到知己知彼。首先， ...

想请教 找hiring manager的话就是加了好友后甩一段介绍么？需要寒暄两句么？一般寒暄的话节奏很慢，很有可能到一半就没人理了，但是不含蓄加了好友就甩一段介绍又怕被认为很rude，求多分享networking技巧。另外楼主有过打电话和coffee chat么？

非常有用的信息，同在TX 同为文科生转专业，很受鼓舞

恭喜露珠~果然机会是留给有准备的人
露珠准备的十分充分 拿到offer也是意料之中
弱问一下 露珠可否抽时间写一些面经？

我觉得楼主能拿到google的面试已经很厉害了！另外恭喜找到了全职的工作！

chase99 发表于 2018-8-27 13:34
非常有用的信息，同在TX 同为文科生转专业，很受鼓舞

谢谢，一起加油！

管理元 发表于 2018-8-27 14:15
恭喜露珠~果然机会是留给有准备的人
露珠准备的十分充分 拿到offer也是意料之中
弱问一下 露珠可否抽时间 ...

可以的，等我有空就动笔！

doskevin123 发表于 2018-8-28 07:03
我觉得楼主能拿到google的面试已经很厉害了！另外恭喜找到了全职的工作！

Google算比较可惜了，接了offer后才来的第二轮...

Royisaboy 发表于 2018-8-28 07:18
可以的，等我有空就动笔！

赞  搬个凳子等

恭喜lz 都是很有用的经验啊

好棒好棒