分享血泪教训：拖家带口物理土博的艰辛转行路

Techlent 出品

原创：李果

演讲视频请翻至底部观看

前言

我是在国内读的物理学博士。毕业后，到美国的一个国家实验室做了四年多的博士后。后来转行到湾区的一个中型公司做data scientist。现在是data science team lead，带着一支四个人的队伍。我整个转行过程历时两年。期间走了不少的弯路。我在这里把我的血泪教训写下来，或许对之后想转行的同学会有帮助。

转行初期

在刚开始转行的很长一段时间里，我是非常迷茫和困惑的，因为根本不知道怎么才能转行。听人说转data science需要统计知识，我就跑去问了一个统计学博士。他扔给我门板厚的一本书，说是统计硕士的教材。我努力看了看，但是没有能啃下来。后来，有人跟我说应该学习机器学习，还推荐了吴恩达的课。我学了一遍，却很难想象这些知识跟工作有什么联系。再后来，又听说了kaggle competition，我于是又花了好几个月的时间没日没夜地做比赛。。。

这样没头没脑地学了一通，觉得不是个办法。只好硬着头皮开始投简历。我当时是直接海投，回复率非常低。平均一个月只有一个面试，而且一面就挂。我记得很清楚，第一个面试的时候，我说我会编程、会机器学习、还参加过kaggle。面试官问：“你会sql吗？”我就挂了。我只好回头去学sql。后来再面试，面试官问：你会ab testing吗？我就又挂了。等我学好了ab testing。第三次面试的时候，面试官说：你知道哪些optimization的算法？我就又一次挂了。。。

越面越迷茫，只好再另外想办法。又有人告诉我说参加data science的Boot Camp会对找工作有帮助。于是开始申请insight data science。因为这家是免费的。但是申请了两三次都没申请上。实在没办法，就申请了一家收费的Boot Camp。学费一万六美元，而且需要全日制学习三个月。这个资金和时间的支出，对于一个有家有口的博士后来说还是很多的。但是我想，如果我转行后一年有十万的话，我每多做一个月的博士后，就损失好几千美元。于是我一咬牙，贷款了一万五，辞了博士后的工作，一心一意地去上了Boot Camp。

Boot Camp跟我想象的很不一样。一个班的同学，背景千差万别。有各种学位（本科，硕士，博士）和各种专业（理工科，商科，社会学）的组合。于是，有不少内容对于一部分同学来说太难，但是对另一部分同学来说又太简单。

其实从我自身的感觉来说，我在Boot Camp最大的收获是认识了一位人特别好的同胞姐姐。她是MBA出身，在进Boot Camp学习之前就已经在一个大公司做了好几年的senior manager。她给我讲了很多business cases的东西。我把我自己之前经历过的面试一个个地摆出来跟她说。她也非常耐心地给我一个个地分析。我那时候才恍然大悟：原来面试是有很多套路的。而且意识到自己之前的很多猜测也都是错的。比如之前面一个大公司，面试官问我一个case study的问题。问的时候提供了ABC三个选项。我选了一个，然后就挂了。我后来就一直想，那应该选哪个呢？直到这位姐姐帮我做了分析，我才知道这个根本就不是一个选择题。我应该先跟面试官确认目标，定义metrics。然后分别说这三个选项的优缺点以及他们能产生的效果。那之后，她还给我改了简历。非常仔细地问了我每一个项目的各种细节，然后把这些细节拼成一个故事。她跟我逐字逐句地把我的简历足足改了三次。在那之后，我才对找工作有一个比较清楚的概念。

前三次onsite

早在我在参加Boot Camp之前，我就拿到过一个onsite。那是一个游戏公司。岗位是marketing data scientist。onsite之前只做了一个take home challenge，并没有电面。onsite的时候，hiring manager 现场给我一些数据，让我花几个小时做一下，看看有什么有意思的东西。我当时对marketing一窍不通。根本不知道他们想让我干嘛。想着，既然是data science，那就应该上machine learning。于是，我那里憋了半天，套了一个random forest的模型。后来讲的时候，marketing部门来了两个人，听得一脸茫然。我就知道我挂了。现在回头想想，那其实是一个analytic data scientist的岗位。技术上要做的应该只是一些aggregation和visualization，更重要的是做business analysis，从数据里头找出insights并且提供一些actionable的suggestions。

Boot Camp刚开始的时候，我又拿到了一个科技公司的onsite。岗位是data science engineer。那个位置很偏码。面试的时候，面试官虽然也问了些machine learning的问题，但是主要考的还是coding。那是我第一次白板面coding，发现面试和自己刷题是两回事。第一，面试官其实也很想candidate写出来，会给各种提示。第二，面试官会就问题本身聊很多的东西，所以candidate要认真听，进行有效交流。当时四轮coding，我都在面试官的提示下磕磕绊绊地做出来了。HR的反馈是positive，但是让我去要reference letter。然后，等了一周却收了到拒信。那个姐姐帮我分析说，湾区科技公司一般都不要reference。我应该当时是weak positive，于是他们通过要reference来拖时间，看看排我前面的candidate是否接offer。

在Boot Camp快结束的时候，我又拿到了startup的onsite。面试官问的问题非常杂。SQL，coding，machine learning全都考了。然后给了一个口头offer。工资十万都不到。那个同胞姐姐强烈建议我不要去，说不利于我的职业发展。还教我去问了那家公司funding round是多少，burning rate是多少之类我从没听过的问题。公司那边也是很着急，不断催我，告诉我去不去都快点给答复，说后头还有六七个人等消息呢。这对我触动也很大。原来是否能拿到offer很大程度取决于别的candidates面的怎样，还有比自己面得好的candidates是否接offer。最后，我还是听从了那个姐姐的建议，没有接这个offer。

混沌初开

现在回头来看，我之前的三个面试其实是三个不同的方向。一个偏分析，一个偏码，还有一个比较general。一般大公司的ds部门分工比较明确。而小公司或者一些还不明确ds职能的中型公司往往就会考的杂一些。Boot Camp正式结束之后，我又足足全职面试了四个月，面了各种各样的公司。上面说的三个方向的岗位，都又分别拿到了些onsite。

偏分析类的岗位，我面试了几个大公司的product和marketing的ds岗位。他们都只考SQL，统计，还有business case study。比如某FLAG公司，我和几个朋友的总结了一下，觉得如果一个candidate聊了五分钟没有绕到SQL，八成是要挂的。我onsite的时候，五轮面试，其中都四轮都挺好的。但是，有一轮，面试问了一个似乎跟NLP有关的问题。我一激动就说了好些NLP的解决方案。说了差不多十分钟，我问：“Does that make sense to you?”他说：“I’am not sure.”我就知道我挂了。在开车回家的路上，我仔细回想了下，才反应过来，那题其实也是一个sql问题，根本用不着什么machine learning的技术。不过话说回来，这类岗位只面sql并不意味着面试会容易。sql是可以考的很难的。而且business case study也有很深的套路。半个小时的一轮面试需要一气呵成。没有专门准备过，是几乎不可能过的。

而偏码的岗位会考coding，对machine learning也会问的很深入。比如某大公司，前后三轮的coding，中间聊了很多machine learning的细节问题。面我的那位senior manager是个同胞。技术非常好。我跟他电面一轮，onsite吃饭的时候又聊了一个小时。他问了我很多问题，有不少我自己之前都没仔细想过。虽然我后来没拿到offer，但是就跟他聊这么两个小时，我都觉得收获巨大，非常值得。

General DS岗位的onsite来自一个有一定规模的startup。他们想招第一个marketing data scientist。面试的时候，他们把coding，sql，statistics，marketing全都问了一遍。sql考的比较细，但是都不难。coding六道题，特别简单，居然有一道fizzbuzz。很显然，他们当时其实并不是很清楚data scientist具体要什么样的技术。所以把能想到的东西都拿来考了一遍。不过他们的marketing部门的面试官问了我很多跟marketing domain相关的东西，比如funnel analysis还有multi-touch model。我自然是不熟悉。我讲了一些time series的模型，他们也不太买账。所以onsite过后，他们纠结了一阵子，给我加了一轮面试。还是考我case study，还问怎么跟marketing部门里不同的队伍交流。虽然我在加面之前找了一个marketing出身的朋友帮我补了补知识，但是我的domain knowledge还是没法应付这些问题。其实回头想想，这就是一个偏分析的位置。他们应该侧重于有marketing背景的candidates，而且没必要考coding。

调整策略

磕磕碰碰面了这么些公司后，我逐渐对data science的市场有了比较清楚的认识。第一，data science是一个很宽泛的概念。不同公司的data scientist需要的技能完全不同。而且，这些知识非常的庞杂，没有人能全部学下来。第二，不论哪条track，面试都是很全面和深入的，candidates需要相应地做很充分和细致的准备。最怕的就是那种每一个方向都学一点，又都没有学透的情况。

基于这些认识，我重新整理了一下思路。首先，大方向上，我根据自己的兴趣和之前项目经历，放弃了偏分析的track。然后，在偏码的track上，我把重心放在NLP，因为我之前做的比较透彻的两个项目都是NLP的。定好方向后，一切就比较容易了。我把主要的学习时间都用来加强自己的coding和NLP的知识。并且调整简历，专门投相关的岗位。而且，我对面试也比较有心得了。每投三五个岗位就会有一个回复。而且只要开始面试流程，超过一半的几率我都能走到onsite。

不过那个时候我的压力非常大。最后那一个来月，我一口气挂了五个onsite，挂的我怀疑人生。特别是其中几个面试，我感觉面都不错。比如说一个公司，我一路技术面试过关斩将，做出了很多很难的问题。但是，最后hiring manager跟我聊了一阵子，气场没对上，就挂了。内推我的朋友跟我说：“hm想招有工业界经验的人。如果没有经验，就需要‘特别出类拔萃’。但是怎么算是‘特别出类拔萃’是一个很主观的概念。”

还有另外一个公司，挂我的原因是“没有大数据的经验”。我仔细回想了下，问我所谓大数据经验的是其中一个很junior的成员。他考了我一道极其简单的coding题，然后就只问了我处理过最大数据有多大。更有意思的是，另一个面试官知道我挂了后比我还惊讶。写信鼓励了我，并且把我推给一些recruiter。

所以说，面试有许多随机的因素。我们能做的就是尽量做好准备，然后不断地去试。

拿到offer

拒掉第一个口头offer后，过三个多月我才拿到新的offer。给offer的是一个初具规模的startup。面试也就是考一些coding还有machine learning，都不难。Hiring mananger对我很不错，在电面和onsite的时候都跟我聊了很久。所以面试还是看缘分，互相看着顺眼就会聊的比较好。

那之后，第二个offer也紧接着来了，那是一个中型公司。他们的recruiter刚开始跟我聊的时候，我还没有拿到offer，但是他了解到我跟几个公司约了onsite，就开始催着我约面试。还叮嘱我说：如果拿到offer先别签，一定要跟他先说一下。我做了一个online的coding challenge之后，很快就电面了。那天是周四。我上午跟他们一个senior director聊完后，recruiter跟我约了下一周onsite。但是，我那天下午收到了第一个公司的offer，并被告知在下周一之前给回信。我打电话告诉了第二个公司的recruiter。他马上把onsite挪到了第二天，也就是周五。

那次onsite，技术上考了coding，统计，还有machine learning，此外就是跟一个product mananger吃了个午饭。到最后一轮的时候，那个电面我的senior director来了，跟我说：“大家都很喜欢你。换我们以前还是startup的时候，我们就可以把offer letter放桌子上了。但是，我们现在是一个上市公司，需要走一个流程。应该明天会把offer letter email给你。你另一个offer给多少钱？你看，我们得报一个你能接受的offer吧。”我现在回想起来，一直觉得他最后这两句话是挖了一个坑。我当时很老实地说了，后来谈offer的时候，这个底薪就说死也谈不上去了。

拿了这两个offer后，我就把别的面试都停了。第一，这两个offer都还不错，比最早的那个口头offer多了不少。第二，别的面试要么还在比较早期，要么就不在湾区，而我自己经济压力也已经巨大无比。然后，我就开始非常认真地跟他们谈offer。为了保证谈判效果，我每次电话前都把要说的话写下来，甚至标注上该用什么样都语速和语气。最后，两边都加了些钱。综合考虑后，我就从了第二家。结束了我长达两年的转行历程。

李博士6月29号活动时的演讲视频

(腾讯视频）

视频地址：

https://v.qq.com/x/page/m0892xjaki9.html

YouTube视频地址请戳