从SDE到Data Scientist，我在亚麻的故事

why SDE to DS? Your interest, most likely you would expect a comp decrease, is this right?

支持 和lz背景挺像 想听听ds好在哪以及升职的要求

就好奇问下楼主，据说亚麻applied scientist 几乎没有pip？

xiaokeishaobo35 发表于 2020-08-17 17:55:47
就好奇问下楼主，据说亚麻applied scientist 几乎没有pip？

szd szd

我想听听你怎么找到其他组收留你的

坐等楼主更新

不错不错mark

同关注一下。还有现在亚麻转组好像不能纯聊天了，也得技术面三轮。如果是SDE 没有 ML 的实战经验怎么说服 DS组的HM 收留呢？

很久没发帖子了，因为刚发出来的时候发现有编辑的选项，以为可以编辑的，失策了失策了！
今天来更一下转组换role篇
当时楼主做的事情就是打开jobfinder，搜索data scientist，当时其实也有在想，要不要妥协去一个工作内容比较偏machine learning/data experiment的组做sde，但还是决定第一步先专注于找data scientist/applied scientist的工作。于是开始了在job finder找manager，私下联系manager 的过程。内部找其实回复率还挺高的，印象中联系的ds职位有大于70%的回复率，as几乎没有回复，因为确实要求更高。回帖里面有人问没有经验怎么说服HM，补充一下我的背景，我之前做过4份DS相关实习，有大厂有独角兽有小公司，再加上写简历时的小技巧，所以简历还算能看的过眼。加之很多Scientist都在用我前组的产品，所以能有一些推销自己的机会。之后我会补充一些，怎么在做SDE的同时，增加自己工作数据相关内容浓度的tricks。

我做的面试准备比较简单，一方面是西瓜书，一方面是medium难度以下的刷题。

接受到了回复以后，一般会有以下几个流程（括号内的数字表示我进行了几次该流程）：
1. coffee chat和hm闲聊 （4）
2. 约几轮formal interviews （3）
3. 谈interviews feedbacks （3）

因为在组里也不承担很多工作，比较透明，于是偶尔消失一下出去面试也不是很难。当时和四个manager聊过，之后3个都约了formal interviews。接下来重点说一说我分别进行了面试的组。
1. 墨西哥女老板交通组，当时一轮applied scientist技术面涉及到简历里提到的算法的细节比如kmeans，以及entropy loss function推导，softmax layer等等，一轮潜在同事简历面，一轮大老板的behavior 面。applied scientist技术面面的不大好，这也为面这个组的戏剧性结果埋下了伏笔orz。面完过了一段时间，hm给我回邮件和我约时间要share good news，我心里觉得很稳很开心，在前组的工作都松懈了一些，与此同时另一个组的面试也觉得没必要了，所以面的相当随意，之后见面聊的时候才发现，原来是把我放waiting list了，另一个external candidate不接offer，我才能有offer。最后的结局就是waiting list没转正。这是转组过程中最magic的事件了
2. 印度大老板finance tech组，由于我本科也有学金融，背景和该组匹配程度很高，所以senior manager很想让我过去，让我和他手下几个小manager都聊了聊，和其中一位国人女老板约上了三轮正式面。一轮applied scientist面，就是上文中随意面的那次，主要面技术细节以及feature engineering，一轮算法面，一轮bq。可能因为背景比较匹配，最后大老板还是给我申请了一个ds岗位并且发了offer
3. 人力数据组，也是我最后去的组，这个组面试比较简单，和大老板聊了一波以后，和其中一个senior ds面试了一轮，面试内容聊简历，第二天发了offer。老板对我简历比较欣赏的一个原因也是我的finance背景，组内很多经济学家做casual inference的工作，finance背景一定程度也能和同事更好的交流。我麻盛产鸡尾酒码农，各种经历其实也有可能以某种方式发挥作用的嘛。

补充部分
如何增加SDE工作数据相关内容浓度的tricks：
1. 主动分析用户数据，因为engineer文化盛行的公司，工程师有很多主导权，所以完全可以以改进feature的名义，主动去获取用户行为数据，做一些简单的分析，也算是一种数据驱动产品设计的理念
2. 多和pm交流，pm通常对于产品商业价值有一些不错的看法，能从商业的角度思考产品或者政策，本身就是一个很valuable的技能或者说思维模式吧。
3. log数据处理，这算是对应着数据处理的工作
4. auditing，前组之前有过audit的工作，虽然比较杂活，但是相对也算靠近数据工作
5. 主动将一些数据平台应用到自己的场景上，比如elastic search的kibana

接下来更新Data Scientist的工作内容

joycevernon 发表于 2020-08-17 14:16:26
多深这个程度不好说，但是经典的ml算法，lr/boosting/bagging/knn/kmeans都需要了解到足够细节吧。deep learning不一定需要，得看面试官，祝好运。

谢谢呀！！lz的帖子很有帮助