【職涯分享】自學成為資料科學家
NTUDAC 的社課規劃不只著重分析能力的養成、商業思維的洞察，也重視未來職涯的展望。「職涯分享」便是以此為核心誕生的課程，同時兼具台大學長姐回校傳承的特殊意義。透過來自各行業的學長姐分享心路歷程，我們有幸一窺各產業與職位的真實樣貌，進而勾勒未來的職涯藍圖。
在第三屆尾聲，我們非常榮幸邀請到在 ASML（全球頂尖半導體設備供應商）擔任全球營運資料分析師的 Preston Yu 學長，分享如何運用自學的力量成為資料科學家。前輩的職涯故事十分精彩，一起往下看吧！
本文目錄一、踏上「資料」這條路二、Preston 的「自學方程式」三、成功轉職數據領域工作四、找工作常見五大問
Preston Yu 學長分享
踏上「資料」這條路
跟許多非本科的你我一樣，Preston 最初是一張白紙，甚至不會任何 Excel 語法。但在求學與職涯路途歷經多樣契機，促使他主動鑽研 Excel、SQL、R、機器學習等資料分析工具。為了理解其中意涵，還會模仿主管寫的 code、一個一個比對商業邏輯，直到可以獨立撰寫。
在這樣一步一步的成長中，Preston 啟發自身對於商業分析師/商業顧問一途的嚮往，為了彌補不足之處，更著重四大技能補強方向：
- 程式：運用在校資源修習 R 語言課程；上網學習 Python 課程
- 數學：學習基本統計學、微積分（以瞭解資料分析背後的數學概念）
- 商業邏輯：麥肯錫金字塔原理、問題分析與解決技巧等
- 職場運用：將學到的程式應用於分析離峰時段的乘車需求等
然而求職過程並非旗開得勝，雖然準備很久、有足夠自信，卻在面試期間發現自己對於市場、職位、數理統計知識等缺乏足夠全面的了解，誤以為過去實習所處理的資料量足以代表分析實力，但實際上業界處理的資料更為困難而龐大。以這個挫折為警惕，Preston 呼籲大家不可輕忽「達克效應」 — 也就是新手易產生的認知偏差。
繼續閱讀｜回到目錄Preston 的「自學方程式」
求職初期的挫折沒有因此打擊 Preston，相反的，他進一步省思自己的不足處，並逐漸開發專屬於自己的「自學方程式」。
1. 深入剖析求職市場：
了解數據職能的要求，也因此發現各家公司 Data Analyst 所須具備技能大不同，在求職前要格外注意並提早做準備。
2. 考取技能證照：
藉由考取證書的過程加強數理統計跳脫 danger zone，以接軌商業應用並增加職場競爭力，並且證照放 LinkedIn 也有打破科系既定印象的效果。
（證照舉例：Google Ads、Google Analytics、Google Data Analytics、Google Professional Data Engineer、IBM Data Scientist、Stanford Machine Learning…）
3. 機器學習馬拉松：
每天下班後花費 3 小時參加「機器學習百日馬拉松」，在 100 天的堅持中奠定機器學習、深度學習知識基礎，了解程式語法及參數設定變化。
4. 參加資料分析競賽：
面對競賽中多變的挑戰、實際的商業個案，不僅可以增加實戰經驗，還能接軌商業應用，增加職場競爭力。
5. 實際應用於工作：
嘗試將學理基礎、程式基礎應用於生活中，熟練之後就能化為反射動作。
在這條奮鬥的路上，很多人問 Preston 為什麼選擇自學，而不考慮轉系/雙主修/讀研？我們將 Preston 的回應整理成以下表格，希望能提供其他面對同樣問題的同學參考。
繼續閱讀｜回到目錄成功轉職數據領域工作
Preston 二次求職成功，除了有自學方程式奠下根基，還因為掌握兩個求職步驟：善用資源、釐清目標。
第一步：善用資源行銷自己
【LinkedIn】
- 開放職場意向，吸引獵頭
- 放上專長關鍵字，提升搜尋
【Headhunter】
- 掌握獵頭人脈，以獲得隱藏版職缺
- 透過獵頭圈轉介，媒合適合職缺
第二步：釐清目標，提升求職效率
釐清自己想從事的工作方向是以下何者，進而擬定下一步戰略。
1. 工程師相關（包含 Data Engineer、Software Engineer）
→ 刷 LeetCode（蒐集超過 1000 題工程師面試題目的網站）
2. 著重商業應用（將數據分析應用多方領域，如營運、產品、行銷）
→ 不能僅關注「Data」開頭相關職缺
→ Kaggle 要多做才能掌握業界應用
→ 累積相關作品、實戰經驗
「轉職成功只是一個開始，建議大家以數據為核心之餘，也要擁有第二專長，發展更多職涯可能性！」
繼續閱讀｜回到目錄找工作常見五大問
演講的最後，Preston 針對找工作常見五個問題，整合自己的心路歷程分享給大家。
1. 這真的跟我想像的工作內容一樣嗎？
投遞職缺前，熟讀 JD 為必要。當自身條件符合 JD 80%~120% 即可嘗試投遞（可多參閱 PTT、Dcard 或是其他網路分享文章，也推薦使用 Glassdoor 查詢職缺資訊）。
2. 選公司？還是選職缺？
兼顧最好，但切記不要為了特定公司，選定與自己目標不相關的職缺。
3. 我在數據領域，算專家等級嗎？
數據分析的技巧和工具隨時都有新玩意不斷產生，與時俱進學習才能不斷豐富自身經歷。
4. 這個職位名稱看起來好初階，我可以不要投嗎？
工作幾年後通常會遇到這個問題！新創公司與大公司給予的頭銜難免會有所落差，千萬不要被頭銜名稱誤導，而錯失難能可貴的機會。
5. 現在工作的產業別會影響我之後的職涯發展嗎？
答案是「會」！以台灣職場不成文的規定來看，第一份工作絕對會影響之後的職涯發展。
第一份工作就像給予求職圈的第一印象，當能力不夠突出時，往往下一份工作會吸引到相同產業的職缺。通常主管要的是即戰力，因此若主動去投遞其他產業的職缺，除非有非常強而有力的理由（或機緣），否則一般不太能接受缺乏相關 business background 的人加入。因此建議與前一份工作的產業有相關性，domain knowledge 比較能有所銜接。
