►前言：
今天小编邀请到了毕业于UC Davis统计专业的Samuel导师接受采访。他目前任职于Square，这是一家移动支付公司，作为一家2009年才成立的明星独角兽公司现已成为了支付的新贵。在2019《财富》未来50强榜单中Square排名第2. 它的待遇薪资也十分优厚，其平均薪资达到了22.7万刀。
Samuel导师本想申请MFE，却误打误撞选择了统计学并最终走上了DS的方向。就让我们一起来看看Samuel导师分享的求职经验吧！
►作者介绍：
导师的话：求职是一个不断失败，试错，进步的漫长的过程。
Q：是什么让你申请DS方向的？
最初来美国之前是想申请MFE的，但无奈本科没有足够的相关实习经验，就选择了看似相近实则千差万别的统计学。因为学校离硅谷很近，耳濡目染之下走上了Data Science的方向。
Q：对该岗位未来的career path有什么理解？
Data Science从我开始工作的时候的全能多面手逐渐细化分类为Product Analyst, ML Scientist, ML Engineer.未来应该还是这个趋势吧。我个人感觉未来ML Scientist会逐渐消失，极化为专攻分析的PA 和专攻可以deploy production model的Engineer. PA由于工作性质的关系，有着较为宽的发展路径，既可以在本赛道越走越远，也可以跨赛道去做咨询，产品经理等等。ML Engineer职业发展较为固定一些，而且专攻深度学习算法应用的职位非常依赖拥有强大财力和算力支持的大型科技公司。
Q：对工作地点的选择有什么心得？
我本人在硅谷和纽约都工作过。生活我更喜欢纽约，但科技行业的工作机会还是硅谷多一些，很适合职业前期去寻找合适自己且感兴趣的工作方向。
Q：对找工作networking有什么心得？
重要，重要，很重要。动一动嘴往往比埋头投简历来的有效率的多。建议准备一些ice breaking的template，针对linkedin上每一个想“骚扰”的人，稍微改一改template然后发inmail建立联系。我个人的经验是，平均我每个月要收到十几个networking的邀请，很难逐一回复，但是嘴甜，态度诚恳的inmail我大多都愿意去回复一下。
Q：整个读研/本科期间申请工作准备面试的timeline是怎样的呢？
我的master项目是两年制的，我在第二年的秋季学期一边上学一边part time实习，错过了最佳的秋招时间。从第二年的春季开始全力找fulltime工作，基本上是边面试边训练，通过面试不断总结打磨自己的简历，面试技巧。暑假的时候入职第一份全职工作。
Q：最后录取公司的面试流程和每轮面试考点大概是怎样的呢？
以LinkedIn为例，首先是HR的screen，接下来是一轮电话sql， 一轮电话case study.
Onsite共有五轮:
- coding(python+Sql)
- Machine Learning
- Math and Statistics
- behavior/leadership
- Case study
Q：面试前准备了哪几类知识点？每类是如何准备的？
我第一份工作是全能DS，所以当时基本各个知识板块都做了充足的准备。ML的话西瓜书是非常推荐的，有人把这本书奉为ML圣经哈哈哈。算法的话有基础直接leetcode走起，没有基础的建议报一个算法班突击一下。
Product的话我个人是看过两本书：
- lean analytics
- Cracking the PM interview
SQL的话leetcode medium难度如果bug free的话基本也差不多了。
Q：觉得求职最大的难点是什么？如何克服的呢？
一般来说，对于经验不足的毕业生来说，找工作的难点之一是无法将学校学的知识融入面试，经常会遇到比如：这个东西学校学过，但我一时不知道如何组织语言去清晰的阐述。我个人的建议是用面试去检查自己知识的漏洞，通过不断总结面试中回答不好的问题，去加深对于学校学过知识的理解，同时避免在以后的面试中被同类型的问题难倒。除此之外，面试中的交流方式也是毕业生遇到的难点之一，我强烈建议可以看看victor cheng的关于consulting的讲座。咨询行业的沟通方式真的是金标杆了。
Q：如果重来一次有哪些求职策略会进行调整呢？
我在毕业后最初的求职过程中networking还是做得不够，导致有一段时间自己没有头绪的胡乱学习，浪费了很多时间。如果当时能多向业界的人请教，相信会更有效的利用自己的时间。
Q：对正在求职的学弟学妹还有什么想说的呢？
求职是一个不断失败，试错，进步的漫长的过程。不要因为被拒就自我怀疑，永远不要停止学习，拿到offer之前永远不要放弃。
►结语：
PH求职会继续不忘初心！用最一手、最专业的信息与态度帮助大家用最触手可及的成本去最优化申请效果！