2021清大服科所 技術組 推甄/ 考試入學/申請、面試分享

靈芝 LING-ZHI
11 min readDec 8, 2021

--

Call me meme mining expert
Call me master of meme mining.

目錄:

一,自我介紹

二,我眼裡的服科所

1. 技術組的體驗

2. 服科所的人的特質

三,備審準備

四,面試關鍵

五,面試問題

六,最後結論

一,自我介紹

大家好,我是目前就讀清華大學服務科學研究所 數據組的 Leo。

吃果子,拜樹頭,過去從許多學長姊身上得到寶貴意見才得以順利錄取,但是因為開學後就過著沒有假日的生活,遲遲無法動工,因此決定寫一篇簡略的清大服務科學研究所 技術組(系統/ 分析)考試申請入學介紹,在開始前,小弟先介紹背景:

18年畢業自政大經濟(GPA 3.59)/ 多益金色

- 曾任職於美商花旗銀行與 區塊鏈交易所Bitfinex

主要從事營運數據分析,有支援法務遵循部門、業務部門,與帶領數據分析與預測專案,並常態在長期專案中負責資料前處理與資料流建立。

- 數據分析/機器學習經驗:

1. 工研院ML培訓結業,使用Transformer針對假新聞偵測,擔任專案組長,負責算法與建模

2. 針對全球虛擬貨幣高資產客戶進行高風險分析,依照頻率、交易模式、單日淨額、幣種、等時間序列資料,並建立半自動化的資料清理、基本風險預測與視覺化設計。

3. 營運自動化設計,幫助法務遵循與風險部門加速進行KYC/EDD與視覺化

課外進修/專業證照 表列如下:

後來2020年年中辭職跑去考資管所,

正取/備取 錄取 清大服科/ 資應成大工資管中正中央中興、中山,衡量資源與教授方向後,選擇清華大學 服務科學研究所 就讀。

考試入學碩士生,大致上分成兩大階段,分別是

Stage 1: 備審

Stage 2: 面試

對於服科,其實個人因為當時在重心放在準備資管所的考試,服科備審並沒特別花時間準備,而且每年錄取率頗低,原本其實是不抱期待的準備。

因此本文重點會在Stage 2: 面試準備跟一些小建議

儘管如此,就結果來說,貌似有打中教授對技術組考試入學學生的要求,鑒於準備面試期間時常爬文,受惠良多,因此腆顏寫下紀錄,希望能讓學弟妹有更多方向。

二,我眼裡的服科所

1. 技術組的體驗

服科所對於技術上的要求是有一定程度的,部分碩一原先本來就是資管/工本科或是本身就是工程師,時常專案/課程都是偏重實作( ex, SOA),當然吃重也不會到資工硬課(20 hr+ / w)那麼重,就像大家去資工所不會期待老師慢慢教你寫程式、怎麼寫各種算法一樣,只要是研究所,技術開發能力應該是必須的,不足之處自然就得努力補上。

但是,服科所有個好處,服科所的師生比很高,技術課程很優質,所以課程幾乎不會出現lab(實作作業) 跟授課內容脫節的情況,就像授課內容是理論,作業是把系統架出來這種狀況,而且其實還有適合初學者的課程,許多外所都會來修課。

而如果你本身是想跨領域到技術組的同學,其實可以提前入學或是參與校外的計畫/實習填補上榜到入學這段時間(獻祭你人生最後快樂時光),因為碩一有必修服科導,該門課是非技術課程,但會佔據你部分時間。

2. 服科所的人的特質是什麼?

入學半年,其實隱隱有覺得教授是不是在用十六型人格挑人(純粹亂說)

(1) 忙碌

許多人入學前,就有自己原本就在進行的計畫/專案/ 工作,開學後也會持續進行,希望利用清大所學投入在自己的研究領域/計畫中。

所上未來目標明確的同學,比例不少,但是也有可能是因為我們這屆非應屆的比例偏高,許多人都有工作經驗的關係。

此外,服科所的畢業學分是至少修滿39學分,屬於管理學院正常,但是,修課不限制模組,所以如果課都修技術課程,其實有害身體健康,所以妥善調查各所開課與規劃課程很重要。

(PS: 同校資應所 碩士班研究生除論文外至少須修滿24學分。)

(2) 扎根專業領域

以前工作大家同質性強,處理的事情也性質類似,會輕易知道誰更拿手甚麼事情。 但是,錄取所上時的自我介紹,讓人清楚感受到長期投資時間到特定領域的同儕真的是大多數,而服科所就像一個大家庭,討論風氣盛行,更多機會從別人身上學習。

例如,我個人的服科合作方式比較接近,一組五人,數據+後端+行銷+ 設計,人數比例各組不一,但是這種模式就會輕易地感受到自己在其他領域被帶飛的感覺。

(3) 溝通力

我的同儕中,內向者具備同理心或外向者溝通能力都遠勝於我,是非常棒的合作夥伴。

例如,我很享受跟設計組(Design Team)的人合作,他們做事很有條理與具備許多流程改變設計的know how,除了提供UI/UX的專業能力外,能讓改變過程變得更人性化、更舒服、更有效率的建立有效溝通。

如果說數據分析師是用數字讓組織效率更高,設計組就是讓人與人之間協作效率與體驗進步的關鍵。

(大喊 每群工程師/ 分析師,都應該配一個專業的設計人!!

三,備審準備

- 爬蟲出所上教授近年所有研究生研究論文與其meta data與全校往年開課紀錄。

- 拿到教授與前主管的推薦信,並連同履歷寄出

- 依所上課程去研究往年教學大綱,研究我的規畫的skillset是否跟課程相符,

其實在這方面並沒有做什麼裝飾,就是誠實寫上去,備上平時就有準備的履歷,省力又省時。

我的經驗是積累是平時的事,遇到麻煩時,就用自己最適合的方式簡單應對就好。

對此,基於我本身備審回應的問題都是以職場經驗為主,對於應屆考生可能幫助不大,就不多贅述,但是有幾點工作習慣可以供大家參考:

1. 主動參與具有價值的專案

這是累積個人職場亮點的好機會,並讓面試教授感受到你的熱情與動力。

對我而言,專案價值之於面試取決於

(1) 運用的技術:

該技術專業是否跟申請服科所後,想要借助資源而到的職涯領域有所媒合。

當然,如果你的專業在A,但是你其實想申請服科的A模組以便錄取,之後再跨領域到B領域也是可以,這是個好策略,可能開學後會比較辛苦,但這樣的同學也不少,不用擔心沒有人陪你一起賣肝

(2) 跨領域的程度:

例如,我從事資料分析,跨領域跟法務遵循專家開會、IT 後端合作、了解UX的方向會是很棒的綜合型專案

例如,跨國協作經驗,至少讓教授知道你英文溝通可以,因為技術組的教授全是外師。

(3) 擔任角色

例如,你申請技術組,結果負責是做行銷,那這個專案可能含金量就沒那麼高,不過,如果是擔任懂技術的PM/開發者/ UX Designer,我想很符合服科 所注重跨領域溝通這個keyword。

2. 永遠做的比期待的好10%

培養專業簡單,培養熱情困難,而熱情可以驅動匠人精神,匠人精神專注於細節,最後細節決定成敗。

因為達到預期並不會讓主管或客戶下次有機會時叫你一聲,但是有了這10%的細節,也許結果就不一樣了。

例如, 我們最終不僅建立data cleaning 的pipeline,搭建一個風險模型輔助法務遵循與風險部門的同事進行審閱EDD,並且建立了友善的使用者介面以利後續接手的人維護使用,並能自動生成圖表,連動系統資料,將原本數小時的風險報告縮短成數秒鐘。

3. 多元領域進修的習慣

維持進修專業領域的習慣,從線上課程如Coursera, EDx等平台,各學校的推廣中心,或是公開的競賽以及產業活動參與都是很好的來源,例如,MS SQL Management, 系統開發、黑客松、專案、創業經驗等等,而這些經驗有放訊號表示上進與open minded的功能,小弟入學後,發現大部分同學具有這類特質,有趣的人很多。

4. 言之有物

我們常常會遇到長篇大論的人,講話篇幅過長沒有好壞,但除了容易混淆焦點,也會讓對話的互動性降低,因此面試時,我個人習慣說話說重點,精確為首要考量。

言之有物是講話講對方在乎的重點,再用對方能產生共鳴的方式與對方傳遞你的想法,這一點在面試上幫助筆者良多,也持續在學習中。

四,面試關鍵

  • 心態平和

其實面試多就不慌了,但是如果你跟我一樣,屬於易慌張的體質,偷偷告訴你可以搜尋Interview Hack (噓

  • 了解自己想要做什麼

這一點是我認為最重要的,教授除了想找能從過去經驗看出這個學生很積極、多元嘗試個性以外,最重要的是要知道自己的目標, 其實,貌似教授很看重是否該學生過去經歷能體現出self-motivated的能力。

五,面試問題

(以下面試為全英文)

Q1. 自我介紹

技術組(包含系統組與數據組)的教授都是外師,英文流利與否很重要的。

Q2. 你目前有上成大xx所與清大xx所,那服科對你來說,並不是唯一的選擇不是嗎?

事實上,我認為服科是我目前最好的選擇,因為我是傾向走軟工技術組的,而成大偏工管,偏資管的教授是比較少的,而清大xx所我備上時仍然有名額的教授偏向硬體或是資安,並非我擅長的領域。而詢問服科學長姐後了解有許多技術組的學生都是跟電資外所一起修課,最後,服科所上開設的數據分析課程偏向實務導向,若有其他延伸領域想學習,再去外所修習特定領域,對我來說是很好的選擇。

Q3. 你大學是經濟背景,申請我們數據組/系統組,怎麼不考資工所?統研所? 服科對你的優勢在哪?

老實說,我大學主修經濟,我不覺得我的程式能力會贏過資工四年本科。

然而,我的優勢在跨領域的背景。我在金融業與金融科技業待過,對於產業見地與跨部門的跨領域合作經驗多於專職編程的同學,而恰巧,在資料科學領域中,Domain insight是相當重要的能力,因此我與其他人不同的地方在我能在跨領域合作上做得更好,除了建立連結,我能利用主導數據分析專案的經驗,讓所謂的跨專業的合作不僅是溝通,而是能進一步將我的價值帶給對方。

而服科強調的是跨領域合作,經濟背景與資管所備考過程為我打下對數理基礎,因此,我能了解商管領域的人的想法,同時也能跟資工資管的人進行有效溝通,若有機會加入服科,也會得到大量與UI/UX Designer, BackEnd Developer的合作經驗,所以相性較高,因此申請服科所。

Q4. 詢問過去工作內容

據實回答,這部分包含少量技術問題和看法的詢問,佐以量化的呈現方式,應對時主要扣緊兩個主題

(1) 服科所有我需要的資源

(2) 我能為服科所帶來的價值跟其他人有甚麼不同

Q5. 如果你沒有上,你會有什麼規劃?

因為我有錨定的職涯目標,如果沒有上,我還是有其他備案達成我的目標,例如,.......,但是如果幸運加入服科所,能讓我更快的接近我的理想職業。

六,最後結論

其實,服科對於學生背景是相當多元的,而這屆同學中技術組(商業分析/ 系統) 的比例大概接近4成左右,以系統組為大宗,數據分析為次,所上主要是設計組(個人感受),但是許多人的修課都選擇跨模組。

此外,我除了鼓勵資管所的考生可以順便準備,也覺得這是一條風景不一樣軟體工程師/數據分析旅程,因為,隨著UI/UX興起,除了質性研究,Quant UX也偶有耳聞,並且在硬體業甲方(例如BenQ) UserResearch Team是相當靠近決策層的單位,同時,能讓你輕易跨領域學習的機會不多,值得把握。

系統與分析組

所上數據分析課程,比較著重在利用R語言進行分析,如果想要往資料工程、資料科學家走,可以多往統研所、資工所修課,雖然會很累,但是你的黑眼圈會見證你的變強,再搭配學程課程修課,讓你修硬課同時領域知識能互相呼應,功力大增可期。

而系統組推薦SOA,讓你進化成寫出quality code的工程師,但是要空出一定時間學習。

設計與行銷組

而設計與行銷模組有興趣的,除了所上課程,許多人會去上交大Stanley的課程。

跨領域

而對於想要跨領域的學弟妹,所上某重量級教授曾經提及,跨領域是指深耕一個領域後,為其他領域的人建立連結,可以以此為核心跟自己的背景作連結。

但是單純過個水的跨領域其實是很可惜的,價值並不高,因此擬定未來職涯發展方向之後,深耕一門領域並跨足另一門領域會是更好的做法

例如,

  • 深耕數據分析並往系統組後端走,定位就會偏向Data Engineer
  • 深耕數據分析但是跨足設計組,職業定位會偏向可能與視覺化、市場端掛勾較深的BA的角色
  • 深耕設計組(UX) 跨足數據組BA的方向,同為UX Researcher時,競爭力會優於缺乏量化分析能力的UX 設計師,對非設計背景的利益相關人說服力也更強。

因此,想好要跨甚麼領域後,也務必對該領域深入了解(尤其是技術組的部分),才能更好的對未來做準備。

深耕單一領域

基本上,高薪職位像是Backend engineer (系統組), Data Scientist or DataEngineer(分析組)的未來發展都得先具備深耕自身領域

我個人選擇是先聚焦在自己擅長的領域,以數據組來說,選擇先到達到Scientist的程度再往後端靠,透過這樣的學習路徑,對獨立研究、開發、ML\DL都能兼顧,乃至往巨量數據探勘的技術都能涉略,目前也成功找到Data Engineer的實習來補齊model deployment技術,對於想要走專家之路的朋友/學弟妹,記得技能質精重要程度遠勝量多。

最重要的是,時間是寶貴的,不要想著全部我都要,這樣反而容易兩頭空喔!

有任何有問題,歡迎透過LinkedIn或是Email聯繫我。

如果你喜歡這篇文章,幫我拍手追蹤,我會更有動力撰文 !

感謝你的閱讀。

--

--

靈芝 LING-ZHI

清華大學服務科學研究所碩二,商業分析與資訊系統組,從事資料科學、巨量數據探勘、平行運算,閒暇時喜歡從事藝術創作、街舞、登山、種靈芝、香水製作。 LinkedIn: https://www.linkedin.com/in/leo-shr-709704152/