聊一聊统计/DS就业(含3tech+3bank+2insurance DS职位简介及面试概要)

献上本人地里首帖，希望一些信息和经验能对后来者有所帮助，如果觉得有些用，还请赏米~~


本贴可能对刚工作不久跳槽或刚要毕业的统计或相关专业MS/PHD更有帮助（后续有空会另发新帖追加更多多年职场感悟和一些行业DS职位、部门、大致工作内容、面试等分享)。

先大致讲一下背景及信息来源： 统计博，DS业界x年，本文选聊的3tech+3bank+2insurance公司的DS职位及面试简介，信息来源为几年内亲历（~_~不会回答现在在哪），多数拿了offer(~_~不会回答具体钱数)，少数无offer但有多轮面试 (注意不是今年面的，发帖晚了，加之多数都签了保密，所以具体的考题就不上了，但职位，大致面试内容方向等均可作参考)，最后会稍聊一点点整体统计职业感悟。若有错漏或不同观点的，请好言指正讨论。

废话尽量少说，直接上干货：

3 tech: 这几家公司在地里讨论太多了，我只简单说说

• 谷歌：曾经统计职位叫quant anlayst, 后来改为data scientist 因为这个名字更时髦，再后来从DS分化出更偏商业一点的 product analyst, data science。 HR会发面试准备大纲， 让我不解的是，似乎员工大牛们过于随意，问题完全看面试官，往往不按大纲来，考察范围无法预测，个人被考到的包含但不限于基础统计，深度统计，机器学习，开放问题，产品直觉，白板代码，白板证明，白板算多重积分......从面试和内部消息来看，我的感觉是他家(一些组）DS是tech公司里（少数）真的比较看重（硕士以上）统计（注意是统计非ML) 方法的（看完后面公司，你会知道这句话啥意思）
• 脸书：DS大致分为core DS 和 DS analytics, 之外还有一些小的分支有别的名字在此不做讨论。core DS 好像都是大牛phd主要作算法和方法研究以及做内部工具的，DS analytics 其实更像product analyst(当然股票比传统行业analyst多太多), 面试主要考察的就是SQL白板和product sense，个人感觉统计要求是本科初步，当然了FB数据大，ab test就可以了，甚至直接求个均值也能有大impact......
• 亚麻：有Data scientist, research scientist 后来又有了applied scientist; research scientist 有不少是真做applied ML或优化研究; applied scientist 有点介于半码农和DS之间的感觉，代码要求高一些，工作写码内容也更多；data scientist 感觉很杂，同样的title，在不同组干啥的都有，有做ML的，有只做SQL的等等；从面试来看包含SQL白板（难度看人，遇到过一次天竺本土的, 只用SQL, 用了20年，上来就给我一个炸弹，感觉远超leetcode hard....，还听不懂口音...第二次还是天竺大师，难度就OK, 只有leetcode medium)，代码白板（leetcode easy, medium), 统计 + ML, project or case, 最后提醒他家会考亚麻的leadership principle，不知道的去查，考的方法大概是，让你举一个你的例子，体现你有他列的某个leadership......
  

关于tech DS 讨论太多了，在这就提这些吧

3 banks:

• Wells fargo: 据我所知，这家在银行里（注意是银行里不含投行）是最大方的，没有之一(可能chase能比较接近？)；他家长期有quant program，2个track，一个是传统quant，一个是stat-model，职位都叫quant associate/ quant analyst, 校招时2track共几十号人在NC夏洛特集体onsite1-2天，大多数phd，场面壮观，在米国还第一次见这个多phd来PK，工作1-2年的有时也会被安排到这一起面；我是stat-model track, 面试有好多轮，大多为ms-level统计知识，做过的项目，给的case建model，有什么问题怎么解决，等等；这个quant program进去以后有大量的培训和几次轮岗，而且可以认识很多朋友，几年后大家会在各行各业ds，个人觉得对职场新人还是挺好的；另外很有意思的是，初始地点可选三藩或夏洛特，工资居然一样！如果喜欢卷，选三藩方便找下家，如果比较佛，选夏洛特拿三藩一样的工资可以过的非常非常爽。
• BOA: 主要职位在NC夏洛特，职位叫statistician或DS，不知道不同组区别大不大，我当时面的是个人银行业务，包含个人存储借贷和信用卡等，面试比较特别，在电面之前有一轮指定地点的机试（类似于考托福或考SAS证书那种），包括数据处理统计编程（比如什么样的数据处理成什么样的）和一篇小论述（比如如何理解某个统计概念或模型），其他面试多为统计+ML+SAS/R +case
• Capital One: 本人面的职位principal DS, Mclean, VA;他家面试是我见过最烦人的，先是一个数据很差的home work data challenge, 然后是一个指定网站指定规则的coding test (此处coding 跟data半毛钱关系都没), 然后onsite先是统计+ML+项目+大数据(传统行业唯一一个考了我mapreduce和linux command的),这也OK，然后2轮跟consulting firm一样的case题，最后还来一个角色扮演题， 给你一个(打印出来的一堆纸上)某人已经做好的做的极烂的模型，让你扮演一个consultant，他扮演客户，让我模拟讲解加销售这个破活.....hr自信的说他家要的人是代码建模商业策略销售多线一流....可问题是最后你家给的钱看起来真不是一流啊....当然他家面试提供的车和酒店确实是我面过的最好的......他家相比其他传统行业也确实在穿着和wfh上是更open和flexible一些
  

2 insurance:

• Liberty mutual: 主要职位在波士顿或西雅图，初始title为analyst/ sr. analyst, data science, 面试主要为统计+ML+项目+behavior；这家是我所知保险里最透明的，甚至职位工资范围都直接贴在招聘广告里，运气好有好项目或好老板升职也是比较快的，另外很多组很flexible，知道大量人在疫情前就一周某些天wfh
• Travelers: 地点以CT哈特福德为主，小地方但其实离纽约波士顿都很近，不算偏。初始职位为consultant/sr. consultant, advaned analytics，后来有一些新组貌似也开始直接用ds职位名称了；刚毕业ms/phd或毕业不久的会直接进AALDP(actuarial & advanced analytics leadership development),有点类似wells fargo的quant program, 但时间稍长，提供行业培训，集体活动和轮岗换组机会，而且可以认识很多朋友，几年后大家会在各行各业ds，个人觉得对职场新人还是挺好的。面试主要为统计+ML+sas/R/python+项目+open question；
  

最后小聊一些毕业多年对统计、DS职业的零散的感受，当然再过几年也许新的感受会直接刷新或纠错目前的感受，不过还是先写出来吧，希望能稍稍有帮助，若有错漏或不同观点的，请好言指正讨论。

• 从统计本行，工作体验和部门地位上来说，也许药厂/FDA还是传统统计(尤其生统)博(不含ML/AI研究方向的人)最本能和最好的出路 (绝对核心部门并且监管要求统计师签字)
• 若研究方向或个人强烈兴趣是ML/AI, 需要直接朝码农走转MLE；如果只是DS那大概率是无缘真正ML/AI项目的(也许统计巨牛除外)
• DS号称某世纪最火(原词不是‘火’是xx)的职业, 我多年看到的却是这貌似是跳槽率最高的职业（也是某些行业的二等公民），这其中可能有很多原因，也许有市场过热(pao mo)，也许有很多职位理想与现实的严重不符（面试造火箭，工作扫xx)，也许一个事实是在很多公司, 统计DS更像是奢侈品，不要不足以显得自己时尚，要了也不知有什么真正价值；即使被正确使用，这个职业的特性也使它更像游戏里的“辅助”型英雄，正确使用也许能提高其他主力攻击英雄的效率，但自己却很难有那种冲锋陷阵的成就感，等等等等，读者以后自己慢慢体会和思考吧
• 当然也不要悲观，首先目前ds热还是让这行待遇不错，至于长远发展生存，个人觉得还是软硬技术两手都要抓，两手都要硬，硬技术就不多说了，理工科ms、phd本能的就会重视，这里强调一下软技能，上学的时候如果可选TA vs RA, 大多数人会选RA听起来高大上，现在回想起来TA能给人的提升绝不比RA少，在任何一行做模型，发你钱的几乎都是外行，怎么能让那些小白听懂和买单，是一个大学问.
• 最后强烈建议在校同学毕业前“多元”实习，别实习一个觉得够了，也别觉得这次实习还行，下次再来这同一家实习. 如果有明确行业方向则最好实习多家该行业公司，如果不确定行业，建议尽量实习多个不同行业及地址，不同行业文化、项目、强度等会很不一样，不同地址风格和消费也千差万别(某些跳槽offer在你的小村看起来是巨包，等一搬家发现在新地方生活质量降2档，这种例子屡见不鲜).
• 当然也不能把实习的感受和项目完全等同想象为全职以后的位置，要打折。等你自己带过实习生以后，你就明白了以下道理，很多公司招intern要达到以下目的：1.找猎物 2.忽悠猎物上船 3.安排猎物探测有趣但未知有风险的新路（因为万一成功可用来吹，即使是只有一部分成功并不能实施，但万一失败没有人需要背锅，实习一结束自然停止项目即可），基于后两者可知：很多公司对实习比对全职热情和人性，也很常见实习项目比全职干的活更有趣更开放（很多实习探索AI,全职以后清理火坑)。
  

第一个帖子就这样吧，有空再发二贴我们接着聊。

如果有丝毫帮助，还请赏米哦~~


























补充内容 (2021-11-04 22:21 +8:00):
最近看到有些热心读者留私信问问题及问微信号。。。首先感谢关注。
在此集中回复一下：
1.因为各种原因，暂时不考虑为此贴发出微信号，非常抱歉，还请谅解。
2.地里确实不鼓励私信，我打算一一回复私信，结果每次需要鳄梨之类，我没有，兑换还很贵，所以也没法回复私信，抱歉。
3.如果对该主题你有后续问题，请直接在帖子留言，如果你实在是有问题希望私下讨论，那也理解，请在私信里注明电子邮箱，我尽力回复，谢谢

“统计DS更像是奢侈品，不要不足以显得自己时尚，要了也不知有什么真正价值“ -> 深有同感，我做的产品是图像搜索，在公司地位尴尬，是属于ceo可以拿来吹牛，表示我们也有做，我们很时尚，但是业绩小，永远排在第二顺位的产品....

另外我在这行业两年左右，觉得MLE换工作比较自由。原因是DS的技术护城河在data experience。所以你在一个data领域深耕已久，那之后找这领域就容易（例如电脑视觉找电脑视觉工作）。相对的，你想转其他领域也没那么简单，不像是刷题和distributed system方向很单纯，每个面试都制式化的内容。

frizfealer 发表于 2021-10-24 09:07
“统计DS更像是奢侈品，不要不足以显得自己时尚，要了也不知有什么真正价值“ -> 深有同感，我做的产品是图 ...

谢谢，你的回复提醒我来加一个对新人的提醒：刚毕业前2个职位做的东西非常重要，应届面试初级岗位和跳槽面试稍高级岗位有一个很大区别是：前者往往更全面考察你软硬实力，而后者经常会被直接衡量你之前做的和新组要做的有多‘相似’， 因为跳槽时，很多公司不愿意花时间或没有资源去让你熟悉一个新赛道。

楼主总结的非常不错，本人恰好在投行和Tech都工作过，稍微补充一点点。。

Tech里面，Amazon楼主总结的三个DS/RS/AS很全面了。。理论上RS和AS是研究和开发ML model的，AS做的东西要更production一些，engineering 工作的量也是看组，但是整体上很少，大概平均modeling(including pulling data/adhoc analysis etc.):engineering is close to 8:2 or 9:1 。。然后DS的话有的DS主要就是SQL，另外一些组里其实DS也做ML model，和RS/AS工作没有本质区别，只是RS/AS升职需要考量发paper的因素（亚麻内部ML conference）。。

FB除了楼主说的两种职位（Core DS/DS Analytics)之外，还有一个很大的分支是Research Data Scientist，之前一直叫做DS infra。区别于DS Analytics，RDS做更多的ML模型，面试也侧重ML，没有太多的SQL和business sense方面的内容。。而FB的MLE做一些ML model，也做很多engineering的工作，具体比例看组，少数几个数据点大概modeling和engineering各一半，跟亚麻的AS还是很不一样的。。

然后银行里，包括投行，DS的定义都很不一样。。比如投行里也有consumer banking的类型，DS就跟其他银行是差不多的。。传统投行trading quant里的DS，其实ML的东西做的很基础，因为投行还是有很多restrictions，侧重点不太一样。。其他的business就不一定了，很多投行收购或者开发出各种各样的business，可能有一些DS会有比较多的ML modeling的机会。。当然Finance里DS做ML最多的应该还是买方的QR，不少fund也招DS，跟QR的工作可能有一些重合吧，具体的不了解得买方工作的朋友来解释了。。

生统PhD转MLE上岸了，lz说的自己也挺有体会的，主要面试了科技公司～

请问tech公司白板代码是考刷题水平，还是一般会用python那些function就够了？

eveliu11 发表于 2021-10-23 17:47
请问tech公司白板代码是考刷题水平，还是一般会用python那些function就够了？

更类似leetcode，有时会告诉你需要某个功能，输入什么输出什么，让你实现这个function

zpinthehouse 发表于 2021-10-24 11:16
楼主总结的非常不错，本人恰好在投行和Tech都工作过，稍微补充一点点。。

Tech里面 ...

很好的补充信息，谢谢

谢谢lz的总结~ 我也刚好在保险业和银行（恰好是lz提到的银行之一）工作过+正在工作 真的深有体会
想往科技公司发展， 但之前做的东西几乎全是ML我只能自学product相关的东西 想做ML又似乎MS不太够， 处于一个很尴尬的地位
目前只好一边学product相关的东西一边刷题练代码， sql写的不错但真的算法刷题太少了。。。 保险和银行都占了， 希望以后也能去tech体验一下， 感觉在传统行业DS真的二级公民可能还是tech前景好一点

Ayyoki 发表于 2021-10-24 14:49
谢谢lz的总结~ 我也刚好在保险业和银行（恰好是lz提到的银行之一）工作过+正在工作 真的深有体会
想往科技 ...

嗯~~同学加油，向往科技公司发展挺好，希望早日去体验圆梦，但是关于"二等公民"，请注意我说的是在某些行业，我可没说(只)在传统行业二等公民.......哈哈.......