[心得] 2024 美國地獄模式上岸DS/MLE經驗分享

2024 美國地獄模式上岸DS/MLE經驗分享(壹) — 求職總結和找工策略

Medium好讀版：https://medium.com/@bertmclee/d9f4b0f1e558

上次寫求職心得分享文是2021.11.13，時光匆匆，兩年半的歲月過去，我不再是那個初到北京中關村的小毛頭，而是在耶魯大學宿舍裡敲鍵盤碼字，準備下個月畢業的老小毛頭了。

https://bertmclee.medium.com/c36b0138b86b
2021年末發布了一篇在北京、新加坡、台北的DS求職經驗分享文，淺淺體驗了一把流量暴漲。

前言

在過去的兩年半，我經歷了在北京Disney+ 一年八個月的職場洗禮，經歷了Yale的統計碩士訓練，從亞洲市場到美國市場再次成功上岸，決定重新提筆分享這次我在DS求職上不一樣的心得、體驗和成長。希望能幫助到2024年仍然想要投入Data就業市場的朋友，specifically for：
- Data工作經驗：NG (new graduate)、轉專業、Early career (1–3 years), Mid-level (4–6 years)
- Data崗位方向：DA (Data Analyst), DS (Data Scientist), MLE (Machine LearningEngineer)

本次求職系列文Outline：
- 2024美國求職經歷總結和找工策略
- 2024美國求職背景介紹
- 2024美國求職Timeline & Results
- 如何在2024艱難的就業市場中拿到面試？
- 個人心得和感謝

- 如何準備Product Case (& A/B Testing) Interview (Meta)
- Meta DSA面試準備經驗、框架、熱門考題和參考回答分享

- 如何準備ML Knowledge、Statistics、ML Design、ML Coding Interview
- 匯總過去準備過和面試上實際遇到的問題 (Expedia, AppLovin, Warner Bros、Walmart...)
- 匯總相關準備資源

- 如何準備SQL、Python Coding Interview
- 匯總過去準備過和面試上實際遇到的問題 (Meta, Warner Bros, Expedia, Shopify, CVS...)
- 匯總相關溯備資源

- 也許、也許還會寫一寫：
- 美中台星英DS機會、求職、就業發展比較
- DA, DS, MLE機會、求職、就業發展比較

過去兩年半世界變化了很多，全球疫情、經濟、科技都有劇烈變動，Data相關工作的就業市場在世界各地經歷了很大的起伏 — 整體來說， 供給大量的提升，需求則是上上下下
下下，科技大廠如Meta、Amazon、Google等都經歷了疫情後的瘋狂擴招和慘烈裁員。就以2024年到目前為止來說，Tesla昨天(4/15)宣布裁員超過10%；Google在二月裁員了超過一千人，包括我的一個強者朋友也受影響；Amazon、Microsoft、eBay、PayPal、Snap、Expedia等也都是今年裁員影響比較大的公司。每天打開一畝三分地、小紅書都是：「2023、24 NG (new graduate)該何去何從」、「投了一千封簡歷只收到3個OA (online assessment)、1個面試、0 offer」、「找工焦慮、心態有點崩了」...。這個情況似乎在全球都差不多，如今在美國、加拿大、英國、中國的畢業生都是相當艱難，跟科技業大擴招時代，人手好幾個大廠offer的景況實在相差甚遠。什麼時候會再次好轉？窩不知道。對我來說，我不敢期待未來會好轉，也許現在就是未來十年內的最佳時機了，我能做的就是NCAA女籃UConn球星Paige說的：“I did all I could so God can do all I can’t.” 我盡我
渺小的所能，剩下大部分只能交託給上帝。

https://i.imgur.com/TQrzoce.jpeg

2024美國求職Timeline & Results

在2023年六月底辭去Disney+的工作，離開北京後，我在八月中來到耶魯。Yale的Statistics & Data Science Department有兩種Master：
- Master of Science in Statistics & Data Science — 這是一個為期一年半(2023.8–2024.12)，三個學期的Program。
- Master of Arts in Statistics — 這是一個為期一年(2023.8–2024.5)，兩個學期
的Program。

這兩個Program互相轉換非常容易，但是除了我以外所有同學都是選擇讀1.5年的M.S. Program，如此一來可以先找2024 Summer Intern而不用馬上找Full time position，時間比較充裕。

一開始我也是M.S.，第一學期整個還在思考人生，入學前完全沒有準備找DS的工作，在想說是不是該轉換賽道去做Sports Science，後來發覺轉換的難度有點高、不是很順利。再後來功課開始多起來，一時感覺自己數學還是太差讀得有點痛苦，覺得自己不適合做DS/ML，在思考自己是不是該去當PM，但是也沒有做PM的能力，甚至連去當醫生的想法都開始冒出來。總之第一學期，就是隨便海投了可能幾十個DS Intern/Full Time崗，幾乎也沒什麼面試就胡亂地過去了。

到了一月也不知道哪來的靈感，決定從M.S. Program轉到M.A.提前在五月畢業，也就是距離畢業突然縮短到剩下四個月，並且要全力找Full Time崗，當時看美國的求職市場一片淒慘，想著也許找不到工作就準備回國或去其他國家了。

從1/9開始海投，投了幾天都沒回應就開始追劇擺爛了(繁花不錯的、花少還好)，一度覺得Data市場已經徹底關門，連耶魯學生都沒人要。不過後來就陸續開始收到面試，以下是本次求職過程的完整流量轉換圖和詳細的求職、面試時間線：

https://i.imgur.com/LriRvsp.jpeg

https://i.imgur.com/iG0UBFF.jpeg

總共投了大概有250–300家公司，300–350個崗位，接到18通HR Call，跟13家公司進行
了Technical Interview，6次走到終面/VO (virtual onsite)，最終拿下三個offer，分別是：
- AppLovin — Machine Learning Engineer Intern (80–100% conversion opportuni
ty after summer)
- Expedia — Machine Learning Scientist II
- Warner Bros. Discovery — Data Scientist II

按照面試涉及的內容來分類的話一共經歷：
- General HR Call: 18
- SQL coding: 7 (Kafene, Expedia, Meta*2, CVS, Shopify, Warner Bros)
- Python coding: 10 (①Leetcode: Expedia, AppLovin銚Pandas: Home Depot(Offlin
e), CVS銫PyTorch Modeling: Walmart鉹ML Implementation: Expedia銗OOP: Shopif
y鉿General Coding: DataVisor*2, Warner Bros)
- Product Case: 2 (Meta*2)
- Statistics: 4 (Expedia, Meta, DataVisor, CVS)
- ML Knowledge: 7 (Expedia*2, AppLovin*2, CVS, Warner Bros*2)
- ML Design: 5 (Expedia*2, AppLovin*2, Warner Bros)
- BQ (Behavioral Questions): 7 (Expedia, Meta, Home Depot, AppLovin, DataVisor, Shopify, Warner Bros)
- Experience, Projects: Probably all, more or less.
- Take-Home Project: 1 (DataVisor)

我計畫在這個DS求職系列文中針對以上幾個面試項目，逐一分享我的準備經驗、資源和面試真題，有興趣了解的朋友可以持續關注。

如何在2024艱難的就業市場中拿到面試？
首先，我必須說現在以一個國際生的身份在美國想拿到面試真的很難，我完全沒有信心跟你說讀完這段分享你就可以有超過10%的拿面率，或著在一個月內可以拿到超過10個面試，但是如果有任何人因為參考了我的方法多拿了兩三個面試，那我就覺得足夠了，也許這兩三個面試就能改變一個人的人生軌跡，in a good or bad way lol。

首先簡單描述我的背景：我是台大工科系畢業，算是工程轉專業到數據，畢業後在台北的DBS Bank做DA十個月，在北京的Disney+做DS一年八個月，因此我這次找工作的身份就是將近三年非美國工作經驗(actually 2.5yrs)的Early Career Data Scientist，同時因為重新讀書，也可以算是NG (new graduate)。

我這次主要找的崗位還是DS和少部分的MLE、ML Scientist，從要求0–2 YoE的NG崗到要
求2–5 YoE的Early Career, Mid-level DS崗都有投，主要以後者為主。NG崗開的不多，每個applicant隨便都上千人，我一個面試都沒拿到...，所以我的經驗也許不能完全適用於沒有工作經驗的NG，
但是希望還是能提供一些思路。

以下是我在2021年寫關於如何拿到大量面試：

前期準備之後，如何得到大量的面試？

簡單總結這個題目：
1. 一份包裝漂亮的履歷。
2. 找內推、Refer。

怎麼寫好履歷？
(---這段對大部分讀者比較沒有參考價值，略過---)

怎麼找人內推、Refer？
1. 平時經營好自己的LinkedIn、Medium：新加坡Twitter的機會，就是台大學姊在LinkedIn關注到我，主動幫我內推的。另外像是Binance, Garena, McKinsey, 新加坡SeaMoney的機會都是HR或Hunter在LinkedIn主動介紹給我的。
2. 找學長姐、前輩、朋友們：我很幸運有認識在各國Facebook、Amazon、Google...的人，有些職缺可以跨國內推，有些有限制，可以請朋友看看。
3. 關注Facebook、Medium、PTT、LinkedIn等社群：很多朋友有分享工作或面試經驗並協助內推，比如說新加坡TikTok的Junlin前輩、新加坡Shopee、SEA、泰國Agoda也都有一些朋友經常分享。
4. 一畝三分地：我有很多內推是在上面找的，包含Disney+、快手、螞蟻金服、小紅書、拼多多...，都是在上面請人內推的。包含亞太、美國的機會都有，當然美國的前提是要有
簽證。
5. LinkedIn Cold Message：新加坡Ninja Van、GBD、台北Line TV就是我在LinkedIn上發Cold Message得到內推的，但整體來說，成功率不是很高。
6. 半路出家軟體工程師在矽谷：這個部落格也可以參考。

2024年，來到美國回頭再看這段分享，還是相當relevant的。在談如何拿面試之前，首先我覺得有個想法給大家參考：
在現在這麼艱難的求職市場，其實更容易對自己妥協，更容易覺得反正我已經把簡歷寫好了，反正我今天已經投了十封、二十封簡歷，就這樣吧，但是其實大部分時間都是在做無效的努力，真的要一直動腦子想如果有不知道幾萬人每天在跟你競爭，每天都在做一樣的事，你能比別人多做一點什麼，或著做什麼跟別人不一樣的事，可以怎麼做優化，不然你憑什麼贏。

這次再聊如何拿面試，依舊按照兩個部分來聊：

如何寫好履歷？
這個題目還是挺大的，很難用幾段話涵蓋，我就分享一些點，很多都是老生常談：
- 排版：要做到吹毛求疵、讓讀者覺得很舒服、一目瞭然，將重點放在讀者容易注意到的地方，畢竟Recruiter可能只會花幾十秒看你的簡歷。
- 文法、Typo：確保語句順暢、沒有文法錯誤、Typo，ChatGPT是你的朋友。
- 內容：What you did, how you did it, what is the outcome. Couple of things to keep in mind: 1. Highlight & Quantify your impact. 2. Think of your strengths that can help you stand out in thousands of resumes. What makes your resumedifferent? Why recruiter should choose your resume over others? You are not just writing a “good resume” that “clearly outline what you have done”, but
why your experience makes you an excellent candidate for the company.
- 長度：上一次求職的時候，我的英文resume是1.5頁的長度，但是經過了將近兩年的工作經驗，我最後反而把簡歷濃縮到1 page — 經過一次一次的修改，會發現有些比較重複、比較久以前做的，或著根本不是那麼重要、對簡歷沒什麼提升的東西其實不用放。
- ATS(application tracking system)：盡量加上投遞崗位的關鍵字(可能是某些Technical Skills, Models, Business Applications)，公司通常都會先用ATS自動篩過一遍，如果掃不到關鍵字就直接拒掉了，可以找一找ATS Resume Checker，網上應該不少，像Yale Career Service網站就有可以自動給履歷打分的系統可以用用看。
- 熟悉JD：其實很像上面第五點，區別在於第五點加入關鍵字是為了通過電腦篩選，這點是為了真的提升簡歷內容。我建議可以先去找至少十篇你很想投的崗位的JD (job description)，盡量將崗位細膩的分類(比如Marketing DS, Product DS, Forecasting DS, Fraud Detection DS, Ads MLE, Business DS, BA, BIE, DA)，然後爭對每個分類的崗位划重點、找關鍵字，整理出高頻關鍵字，然後將你的履歷盡可能的match那一個類型的崗位JD。比如我投到後來，簡歷看多了以後，發現以DS來說，有的崗位特別想看到Causal Inference, A/B Testing, User Segmentation, Personalization, Recommendation system, Marketing, Finance, Cross-functional collaboration, Fraud Detection, Forecasting, Pricing, Risk, Ads, Ranking等等，你如果沒有的話，在投該崗位時可能就會有很大的劣勢；相對的如果你能把你的經歷包裝出這些關鍵字的話，就有優勢。也許可以參考一下一個小紅書博主[能量果汁工作室]寫的一些JD精讀：https://www.xiaohongshu.com/user/profile/62cee92d000000000200355a
- 針對職能客製化簡歷模板：因為我一開始DA, BA, BIE, DE, DS, MLE都有在投，顯然這裡每一個職能都有些不同，最好能夠針對每種職能都有一個版本的簡歷，甚至有發現到現在光是DS都分得很細了，也許有空也可以準備不同的版本。
- 針對公司崗位客製化：對於我特別想要把握住的機會，我會在針對職能客製化的履歷模板基礎上，再針對該崗位讓ChatGPT幫我Customize簡歷中的Summary Section (in LaTex)，Prompt如下：
I found a job posting and need a standout summary in my resume, tailored to the specific job requirements. I'll provide 3 examples, the job description (JD) and my resume to ensure the message (in 3 lines, similar to the length of the examples) accurately reflects my real skills and experience, highlighting my3 years in data science and relevant achievements. It's important the summaryis attention-grabbing, considering the high volume of applications hiring managers receive, and showcases my suitability for the role without embellishing.

Examples:
\begin{rSection}{Summary}
\noindent Versatile Data Scientist with 3 YOE at Disney+, DBS and ongoing MSDS at Yale, excelling in Python, SQL, and BI tools. Proven track record in data-driven product development, analytics, and cross-functional collaboration. Ready to leverage advanced analytics and machine learning skills to innovate in Meta's dynamic product ecosystem.
\end{rSection}

\begin{rSection}{Summary}
\noindent Data Scientist with 3 years of experience, adept in developing scalable data pipelines and analytics solutions, transitioning to Data Engineering. Proficient in Python, SQL, and big data tools like AWS, PySpark. Proven capabilities in data processing and optimization, with significant achievements atDisney+.
\end{rSection}

\begin{rSection}{Summary}
\noindent Yale MSDS candidate with 3 years at Disney+ and DBS Bank, specializing in ML/DL/NLP. Proficient in Python, SQL, and big data tools. My experiencein user segmentation, coupled with skills in fraud detection and risk analysis, is well-suited for Stripe's data science roles. Eager to contribute my expertise and drive strategic insights.
\end{rSection}

[The JD here]

在寫好履歷後，如何拿到面試？
先說說這次我有遇到真人的公司都是怎麼遇到的吧：
1. Kafene DE: 小紅書上刷到HM (Hiring Manger)發說要招DE，於是就聯絡上了。
2. Rize Education - Full stack DS: HR主動email reach out。
3. Expedia - ML Scientist III, Paid App: 官網海投+LinkedIn cold message該崗位在招聘的recruiter (看到她發Post)。
4. Stripe - DS: 看到HM在LinkedIn發Post後找朋友內推。
5. Meta - DS, Product: LinkedIn找校友內推。
6. The Home Depot - DS, Marketing: LinkedIn看到HM & Recruiter發Post，cold message HM & Recruiter，LinkedIn找朋友內推。
7. Rippling - Sr. DS, Marketing: 官網海投。
8. AppLovin - MLE Summer Intern: 小紅書看到說這家在招人，LinkedIn找朋友內推。9. CVS - Sr. DS, Patient Engagement: LinkedIn找校友內推。
10. CVS - Sr. DS, Product Platform: LinkedIn找校友內推。
11. CVS - Sr. DS, CMX: LinkedIn找校友內推。
12. 2K Sports: LinkedIn Easy Apply.
13. AvalonBay - DS: 小紅書上看到說有在招人，官網海投。
14. Walmart - Sr. DS: 朋友內推。
15. The Trade Desk - DS II, Forecasting: LinkedIn看到Recruiter的Post，Cold message recruiter。
16. DataVisor - DS, Fraud Detection: LinkedIn Easy Apply.
17. Shopify - Sr. Product DS: 忘了在哪看到說在招人，找不到人內推，官網海投。
18. Warner Brothers Discovery - Sr. DS: HR LinkedIn reach out.
19. Capital One - Principal DS, US Card: HR LinkedIn reach out.

總結拿到的面試按照方法分類如下：
- 內推：8 (Stripe, Meta, Home Depot, AppLovin, CVS*3, Walmart)/33 = 拿面率24.2%
- 海投：①官網海投：4 (Expedia, Rippling, AvalonBay, Shopify) ②LinkedIn Easy
Apply：2 (DataVisor, 2k Sports)，6/275= 拿面率2.2%
- HR主動Reach out: 3 (Rize Education, Warner Bros, Capital One)
- 直接聯繫到Recruiter or HM：2 (Kafene, The Trade Desk)

我覺得關於怎麼投履歷，一樣可以分成兩個部分來說：
①如何找到有效崗位：
首先是關於平台的使用選擇，一般美國求職比較熱門的平台就是LinkedIn, Indeed, Handshake, Glassdoor吧，聽說Indeed, Handshake會有比較多小公司的崗位，因為LinkedInPost Job似乎比較貴。不過因為Indeed介面太醜我就沒用，然後因為我已經深耕LinkedIn許久，比較用心的經營LinkedIn Profile，也累積了上千connection，因次我覺得用LinkedIn對我來說優勢比較大，因次都是以LinkedIn為主，但是使用上也是有許多講究。

我個人認為崗位投遞優先順序是：
- Recruiter or HM在LinkedIn Newsfeed上Post說他們要招人，那應該就是真的在積極招人。有一些人會在LinkedIn上整理每週他們在LinkedIn Newsfeed看到的招聘Post (not job board)，可以follow他們。
- 一畝三分地組內直招、積極提供內推的文。
- 小紅書上有人每天整理當日new opening，投最新的。
- LinkedIn系統推薦崗位、小紅書、一畝三分地看到什麼公司就去官網查查有沒有適合的崗位可以投。
- LinkedIn Job Board，Filter Today/This Week，Applicant under 100 is better，reposting with 100+ applicants are usually not really hiring people (green card purposes)。但是通常Job Board的排序很不好，常常會有一些合適的崗被排到很後面很難被發現，前面的崗大家都投過了，所以最好是自己找想投的公司去官網Check。
- LinkedIn Easy Apply還是有機會的，我拿到兩個easy apply的面試都是post了挺久了但是applicant不太多，估計都是job board排在很後面的崗，沒人發現。

至於Sponsor的問題，以下是個人做法僅供參考：我到後來一律不管，在填需不需要sponsor的時候我就說不用（我也確實想說或許OPT用完就走了），反正先遇到真人(recruiter)再說，遇到這麼多recruiter也幾乎沒有一個說不sponsor H1B的，可能我遇到的基本都是規模比較大的公司。

②如何有效地讓履歷被Recruiter/HM看到：
- 直接聯繫Recruiter/HM。主要分成兩種方法：①LinkedIn cold message recruiter/HM。我花了許多時間嘗試這個方法，具體就是在recruiter/HM post opening on newsfeed後馬上send connect invitation with notes，我還有一些Prompt讓ChatGPT幫我customize invitation notes，但是後來發現效率偏低，估計這個方法已經被印度兄弟玩爛了，recruiter/HM在LinkedIn一發文就會收到數百、數千個connect invitation，但是並不是說完全沒用了，有時間還是可以衝。② 請找工夥伴分享Recruiter聯繫方式。找一些同領域的找工搭子，互相分享recruiter/HM的聯繫方式，這招我沒有試過不知道效果怎麼樣。 - 內推。怎麼找內推我在2021年的文裡就說過了，我的管道基本還是一樣。
- 快速海投。盡量想辦法能夠成為前100個applicant，用一些插件比如Simplify可以提高海投速度。

以下補充兩點：
關於Coffee Chat & Networking：首先我個人是沒有什麼透過Coffee Chat拿refer，主要是我認真開始找工的時間偏晚，希望能將戰線縮短，快速上岸，因此沒有花那麼多時間在Coffee Chat，如果幾個管道都沒有人幫我refer就自己投了。除了LinkedIn cold message以外我基本也沒什麼特別networking，Networking Event、Career Fair我都沒參加，either是忘了或是太懶/忙了，好像也沒聽系上的同學靠這些上岸的，但對於商學院的同學應該就很重要了。如果時間足夠，我覺得networking、coffee chat還是很好的，不僅是為了一個refer，包括對業界的認識、長期職涯發展上的人脈、短期對面試上的幫助都是很好的。

如何在找內推與快速海投之間做取捨與平衡：這感覺是一個概率問題，如果我今天直接海投，拿面率可能是2%；如果我花兩天時間找到人幫我內推，拿面率是8%，而我能在兩天之內能找到人幫我內推的機率是25%，如果過兩天再海投拿面率是0.5％，差不多是這種感覺。具體的機率因人而異，所以只能自己實驗一下、感受一下才知道怎麼取捨比較好，我的情況是透過內推的話拿面率會提高非常多，所以對於比較想去的崗位還是先以找內推為主，實在找不到才海投。

個人心得和感謝
從去年八月來到美國至今245天，也就是八個月吧，說實在挺短的，都還沒怎麼來得及體驗美國留學生活，英語還是一樣破而不自信，餐廳點菜仍然很多菜名都看不懂，除了面試中用到的英語已經比較順暢，其他部分實在還是有很大的進步空間。美國文化、歷史仍然非常生疏，也許只有地理因為實際走過一些地方而進步一點點。值得慶幸的是我暫時爭取到了繼續留在美國學習和成長的機會，心裡是相當期待的，也知道得付出更多的努力在各方面持續提升。

這次求職的過程中，自己也是經歷了數次小崩潰的過程。單以面試的表現和結果來說，除了Meta沒有上這點比較失望，Stripe、The Trade Desk被掛覺得有一點不知道為什麼，CVS一個組被掛覺得你憑啥（於是也Decline了CVS另一個組的面試報仇 ，不過仔細想想還是有很多可能被掛的原因的、不足的部分），還有幾個HR Call過來說你Start Date太晚、你YoE太短...以外，其實個人覺得都是比較順利或是可以接受的。但是持續約三個月全力找工、0娛樂、minimal運動&社交、瘋狂投履歷、LinkedIn Networking、18通HR Call、33個技術面試，一度手上有超過十個ongoing的面試要準備，時不時還是會感到恐慌和疲憊。

很感謝在這段過程中支持、鼓勵我的人，感謝每一個為我的禱告，感謝跟我一起Mock Interview、分享面經、面試資源的小夥伴們，感謝每一個願意幫我refer的朋友，也很感謝在面試過程中遇到的很多面試官，整體面試下來大部分的面試體驗還是相當良好、友善的，無論是什麼樣的面試官。最後感謝神的奇妙帶領，從台大到北京，從迪士尼到耶魯，如今又要從紐黑文到下一個目的地，在每一個地方，祂總是厚待我、總是看顧我、總是給我超乎所求所想的。
“But to him that is able to do far exceedingly above all which we ask or think, according to the power which works in us” — Ephesians 3:20

--

太難了QQ

是的，其實應該還是算需要Sponsor的

原來，學習了感謝！