從高中以來一直在 PTT 潛水，從前輩們身上學到許多經驗，我也來回饋分享這篇求職經歷
，希望跟我一樣略有工作經驗、想挑戰海內外資料科學家職位的板友，可以少走一點彎路
、為面試戰場做更有效率的準備。
2021 年接近尾聲，這篇文是我今年的求職經驗整理，著重在數據分析或產品分析相關職缺，
我選出我自己覺得面試中最重視的面向：數據指標、溝通能力、與統計學專業知識，
並在此分享重要的面試題目。
為了 PTT 排版我稍微精簡了文章，完整的好讀版文章在我的個人部落格：
https://reurl.cc/g0vW3Q
## 求職背景與結果
我是 112 管理學院學士學歷，開始面試前，我在手機遊戲公司擔任資料科學家已有兩年半
的時間，工作經驗以數據化營運策略、儀表板設計、以及 A/B Testing 為主。本業外的時
間，會拿去打機器學習競賽，都是國內賽事、沒有 Kaggle 成績。
本文的經驗是來自四間我有進入面試關卡的外商：Google、Agoda、Shopee、以及 LINE，
其中只有 Agoda 我主動放棄面試，其他都拿到 Offer。
## 面試經驗與建議
### 數據指標
數據分析最核心的能力，就是為商業策略找出適合的數據指標（Metric），這也是數據分
析面試必定會出現的考點。指標是否「適合」，其實沒有標準答案，面試的重點在於如何
說服對方：你是否知道自己選擇這個指標的優缺點？為什麼選擇使用此指標？
我認為數據指標的面試，最常會問的可分成三種類型：定義、性質、與變化。
#### 指標定義
出現了商業問題，資料科學家需要定義出合適的指標來協助決策。通常會以情境題的方式
出現：如果你是某產品的經營者，你覺得什麼數據最重要？
- 假設 Amazon 要招攬廠商放在首頁、增加曝光，要用什麼數據來兜售這個策略給可能有
興趣的廠商？
- 假設你是 Netflix 老闆，想推出短影片觀看精華片段的功能，要用什麼指標來追蹤新功
能的成效？
- 假設你在 Uber 工作，你會在儀表板上看什麼指標？你覺得什麼指標最重要？
我們設計出的指標需要能夠與商業策略連結、並且指引出下一步該怎麼行動，我們可以用
產品價值（A-Ha Moment）來發想，例如上方的第二個例子，要提高 Netflix 的續訂率，
我們定義看完完整一集影片是 A-Ha Moment、並且此影集完成率指標會提高續訂率，我們
可依此檢驗提高短精華影片的點閱率是否也會提高影集完成率，如果可以，短影片的新功
能就值得推出，這就是用數據引導行動的商業邏輯。
#### 指標性質
面試官會質疑某些數學性質、造成該數據指標不夠好，你需要適當地說服對方你選擇該數
據指標時，做了什麼權衡（Trade-off）。
- 儀表板監看 DAU 可能會有什麼問題？能用什麼指標改進？
- 假設你是餐廳老闆，翻桌率是個好指標嗎？如果冷門時段翻桌率是零，會怎麼影響數據
？
- 想知道使用者喜歡影片的程度，至少觀看 30 秒的人數比例與平均觀看時間，哪個是更
好的指標？
#### 指標變化
老闆盯著數據儀表板，發現某個數字突然變高或變低了，跑來問數據團隊該怎麼辦，這完
全就是資料科學家每天都要面對的情境！
- 某商品購買率這兩天突然變低了，你怎麼找出問題？
- 每日指標必定會上上下下變化、究竟變化多大才值得我們額外花費心力調查？
- 產品經理發現我們的社交軟體產品，這週的按讚人數快速下降，所以來向你求助，你會
怎麼回應他？
- 我們投放了新的廣告，APP 的新使用者明顯比以前多，我們可以立即增加預算在這項新
廣告上嗎？
指標變化的題型重視解決問題的維度，你可以從數據變化的時間範圍、涉及的國家、客群
類型等等角度切入，重點在於展現出自己是用很有條理的方式抽絲剝繭、找出核心問題。
對於此類面試題，我個人喜歡採用的策略是：假設情境，舉例而言，我認為按讚人數的急
劇下降可能來自新使用者的大量導入，在我的分析經驗裡，新使用者的平均沈浸程度相對
較低，因此我會選擇從新舊使用者的客群結構開始調查。
以上數據指標問題的三個面向，也只是概括分類、問題之間可能會有交集，但是整體而言
，都是在檢驗面試者能否結合數據分析與商業思維
Stellar Peers 的部落格 有很多範例題、以及分析模板示範，可以讓你自己練習產品分析
模擬面試。
https://medium.com/@stellarpeers
---
## 溝通能力
如果這段求職旅程重來，我會花更多心力準備溝通能力相關的面試問題。
資料科學家是需要長時間跟不同部門與不同領域專家合作的角色，技術專業與溝通能力同
等重要，因此，資料科學面試的每分每秒也都在檢視你是否善於溝通合作。
### 講清楚自己的經歷
常遇到的經歷相關問題包括：
- 為什麼要做這個專案？目標是什麼？
- 為什麼需要用這個統計模型？原本數據儀表板為什麼不足以幫助決策？
- 這項專案用什麼形式呈現結果？造成了什麼改變？
回答資歷與專案經驗相關問題，許多人推崇使用 STAR 架構 來讓你以更清晰的邏輯來交代
你的實力與貢獻，實際在使用 STAR 架構回答的時候，我個人會格外注意兩個要點：
- 講清楚問題的挑戰性，強調為什麼這項挑戰非我不可
- 盡量用量化、有實際數字的方式來呈現戰績，並且說明的數字需反映出商業目標
經歷相關的面試，我是從 Dan Croitor 的 YouTube 頻道 學習的，他分享了很多大公司在
乎的人格特質，你需要練習讓自己能成功透過敘述專案經驗、向面試官表達出自己具有他
們想要的特質。
https://www.youtube.com/channel/UCw0uQHve23oMWgQcTTpgQsQ
也與板友分享我的失敗經歷，剛開始面試的時候，因為我自己很喜歡統計模型與機器學習
，常常在分享專案經歷的時候，一個不小心就講太多模型架構或實驗流程，最後才發現面
試官覺得這些資訊太過細節、而他們其實只在乎專案最後造成了什麼改變。因此提醒各位
：不要只是一直講你會做超炫超複雜的模型，要講出你的模型提供的商業價值。
### 職場專業溝通的經驗
專業溝通指的是向他人介紹自己的專業技術、以及說服對方自己產出的結果可信，專業溝
通面試要考驗的是你能否順利 與不同背景的人合作：
- 請介紹你被刁難過的經驗
- 你有跟其他部門的人合作過嗎？遇到過什麼困難？
- 你與其他分析師意見不合怎麼辦？又如果是跟你的老闆意見不合呢？
- 你的老闆會看懂你的統計模型嗎？如果他不懂、你怎麼說服他採用你發掘的洞見？
我自己面對這類問題的小技巧，是事先整理多則故事、準備好在面試中分享。以上這些問
題，要是只一味說著「我的能力一定能克服困難、順利溝通」，聽起來太過虛無縹緲，如
果能用實戰經歷的故事來說明，會更有說服力，例如我會說：「在我履歷所寫的某某專案
，主管起初確實反對我提出的洞見，因此我採取的行動是…」。
### 與面試官的溝通
面對面的面試，你需要掌握面試官的一顰一笑、還有他心裡想要的答案可能是什麼，其實
籠統地說就是人與人溝通的技巧，所以這裡三言兩語也說不完，這裡就分享兩個在我的經
驗中、特別重要也容易忽略的面對面溝通要點。
首先，一定要釐清對方問的問題。不管是情境題、經歷問題、甚至是寫程式面試的過程，
時常要注意釐清問題，要搞清楚對方究竟想知道的重點是什麼、還有他希望回答要多少細
節。最忌諱的是面試者不在乎對方想不想聽，自顧自地一直講話，但是講很久之後才發現
，回答內容不是面試官問的核心議題。
第二個要點：當對方想開口的時候，千萬不要搶先他說話，因為他已經沒在聽了。
這是我從以下模擬面試影片學到的溝通要點
https://www.youtube.com/watch?v=CD3V4Z5hCgM
影片中的面試官扮黑臉，有時故意冷冷地不講話、有時還插話糾正面試者，影片後半段分
析師前輩也介紹了該如何應對，建議直接從影片中學習這項關於對話節奏的要點，實戰面
試的時候，偶爾的確會遇到這樣有點冷酷的面試官喔。
### 寫程式面試也在考溝通
在我的經驗中，應徵較 Senior 的分析職位，把 SQL 題目 100% 寫正確已是基本要求，要
讓自己在眾多面試者中脫穎而出的得分點，就是溝通。寫程式面試的溝通，請至少需要注
意以下三件事：
- 開始寫程式前釐清問題
- 善用 Pseudo Code 呈現思考流程
- 寫完程式後，分析現有結果
---
## 資料科學專業知識
應徵數據分析工作，具備統計知識是基本、A/B Testing 是超重要技能、因果推斷能幫助
你再加分。
### 統計學
資料分析工作在面試會考的統計學都不會太難，不會超出大學一年級統計課本的範圍，也
沒有人會有閒問你數學證明，大多會問統計學的名詞解釋與應用。
光是 P-value 我就遇見過超多種變化題：
- 請說明什麼是 P-value
- 如果對方從來沒學過統計學，你會怎麼向他介紹 P-value
- P-value 有什麼缺點
假設檢定與迴歸分析問題也是非常常見的：
- 請解釋中央極限定理
- 請介紹一個你使用假設檢定的情境
- 什麼是型一與型二錯誤
- 線性迴歸背後有什麼假設？怎麼檢驗？違反了會怎樣？
- 怎麼解釋羅吉斯迴歸的結果是好是壞？
我面試數據分析與產品分析的相關職位時，機器學習相關的統計學議題通常問得不多、頂
多聊一些應用場景，所以即使機器學習跟人工智慧在現在的資料科學領域是又新潮又炫，
如果你是找數據分析師工作、請不要花太多時間練習機器學習問題。
（此為我的主觀經驗，市場上當然也存在需要大量機器學習技能的數據分析職缺，請各位
以自己看到的職缺要求為準）
要準備統計學的面試題目，如果你大學沒有修過統計學課程、或者已經忘光光了，推薦你
看 YouTube 頻道：JB Statistics 打好基礎
https://www.youtube.com/user/jbstatistics/featured
若是面試在即，可以用以下這個題庫快速複習
https://reurl.cc/OpbA6D
我覺得想在統計學面試題脫穎而出，講得出數學定義與解釋只是第一步，更重要的是要能
用老嫗能解的方式說明。資料科學家非常重視跨部門合作，你未來的溝通對象可能是產品
經理、使用者體驗設計師、或者是 CEO，他們不見得有深厚的數學背景、但你依然需要說
服他們！因此，在數據分析面試，「如何向非技術人員介紹你的分析技術」是重要的考點
。關於這點，StatQuest 這個 YouTube 頻道做得特別好
https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw
### A/B Testing
只要是網路相關產業的資料科學工作，A/B Testing 已是必備的技能。雖然像是 Google
Analytics 這樣的工具越來越流行且強大，讓執行 A/B Testing 變得很容易、按幾個按鈕
就能做到，但實際上，商業實驗的作法有太多眉眉角角，如果沒有扎實的統計學知識，實
驗結果就會導向錯誤結論、沒辦法真正提升產品的品質。
A/B Testing 基本款的面試考法，是直接請你說明 A/B Testing 的所有流程，從這個開放
式問題中，面試者回答的分析框架、詳細程度、以及考慮的維度，就可以看出面試者究竟
多有料、對 A/B Testing 實驗熟不熟悉。
A/B Testing 的流程該怎麼回答？我這裡寫其中一種範例：
1. 釐清新功能細節以及商業目標
2. 定義數據指標
3. 建立假說
4. 為假設檢定設定參數：顯著水準與檢定力、期望最小差異、所需樣本數
5. 估計實驗所需時間
6. 執行實驗
7. 解釋結果
以上流程的細節，請參考這篇部落格文章：
https://www.kdnuggets.com/2021/04/ab-testing-data-science-interviews.html
隨著每個人的工作經驗不同，回答的實驗作法或重視的細節也略有差異，要是你的 A/B
Testing 實戰資歷不夠多，請多方參考各個資料科學家的思考方式，例如，可以看看數據
分析師 Passion 在她的粉絲專頁分享的 A/B Testing 實驗流程。
https://www.facebook.com/helloimpassion/posts/194733982665686
A/B Testing 這個領域的水真的很深，些只找有經驗應徵者的 Senior 職缺，面試中還會
問更進階的 A/B Testing 的實驗方法問題：
- 多重檢定（Multiple Testing）是什麼？該怎麼解決？
- 請介紹一個使用 A/B/C Test (Multivariate Test) 的場景
- A/A Test 是什麼？為什麼需要做這個？
- 假設 Uber 想要測試給客人優惠券折扣是否會提升搭乘數，A/B Testing 怎麼設計？可
能遇到什麼問題？
這些進階 A/B Testing 的議題，我常會參考此領域重量級人物 Ron Kohavi 的論文，先推
薦一定要看他個人網站的 FAQ 頁面，準備面試超實用
https://experimentguide.com/faq/
### 加分題：因果推斷
我們都知道 相關不代表因果，因果推斷（Causal Inference）就是辨別出因果關係的科學
方法。
推論因果關係常用的方法就是 A/B Testing，但是在實戰中，有很多 A/B Testing 無法進
行實驗的情境，例如，曾在本版發文的新加坡蝦皮 Eric 前輩在他的工作分享文提到，電
商的雙十一是一年一度的大活動，公司不會接受犧牲鉅額業績來做商業實驗，這時還想推
論某變數的影響力、就需要用到因果推斷方法。
https://www.ptt.cc/bbs/Soft_Job/M.1584274940.A.FA3.html
因果推斷除了在上述 A/B Testing 不適用的場合、也屢見於電商與 MarTech 領域應用，
我得強調，在我 2021 年的面試經驗中，會問起因果推斷的公司還不多，只是我主動提出
因果推斷方法後，面試官都給我正向反饋，所以我自己把因果推斷視為加分項目，有空多
看、調劑身心即可。
如果你還沒接觸過因果推斷的任何方法，我自己與面試官聊起 Uplift Modeling 的經驗都
滿愉快的，推薦你從這項方法開始學習起
例如參考 LINE 的 Uplift Modeling MarTech 應用案例
https://engineering.linecorp.com/zh-hant/blog/lets-play-in-data-park/
較正式的 uplift modeling 學習資源可以看以下這本 eXplainable AI 課本：
https://pbiecek.github.io/xai_stories/story-uplift-marketing1.html
---
## 結語
總結而言，資料科學家百百種，如果你的目標是數據分析或者產品分析職缺，小心不要被
酷炫的機器學習或人工智慧沖昏頭，請專心準備數據指標、溝通能力、以及統計學的專業
知識，我希望這篇文章能幫助到要挑戰海內外資料科學家職位的朋友們
除了數據分析的求職經驗，我在這年同時也挑戰了機器學習開發職缺，我整理好心得後，
未來會再跟 PTT 的板友分享經驗
--