【職涯分享】資料科學工作怎麼找？Google 產品分析師來解惑！
NTUDAC 除了提供充實的資料分析課程，我們也致力於幫助同學們找到未來的方向與目標。在第三屆最後一堂社課，非常榮幸邀請到了任職於 Google 的 Wilson 學長，為我們帶來近三小時、精彩的職涯分享。過程中，Wilson 學長除了細數過去的職涯選擇與工作挑戰外，更毫不藏私的提供了分析師職位的面試準備技巧，希望透過此次公開講座能讓同學們更了解產品分析師工作內容，並對面試心法有更透徹的掌握。
Wilson Huang 學長分享
現於 Google 台灣擔任產品分析師 ( Product Analyst ) 的 Wilson 學長，主要負責最佳化 Pixel 手機的使用者體驗統籌資料科學方案，熱衷的領域有因果推論、資料視覺化以及推薦系統。同時學長也經營部落格「好豪筆記」，主要分享資料科學、商業思維以及讀書心得。
一、資料科學探索旅程：從財金學士到 Google 產品分析師
【大學探索－台大財金系】2013~2017
修課：Wilson 學長提到，大學四年就是在探索自己的未來方向。在 2013～2014 年時，「大數據」這個名詞開始在台灣逐漸火紅，因此當時修讀財金系的 Wilson 學長去修了 C++，開啟寫程式的契機。而當時也想了解自己是否適合財務工程這個領域，所以去修了數學系的高等微積分等課程。
實習：當時整個管院的實習風氣濃厚，因此在大學期間參與三項實習計畫，包括
- 零售業：設計問卷、發問卷、分析問卷等工作。
- 中研院暑期實習：學習用 R 語言寫爬蟲程式，幫研究員做研究以及學習資料視覺化。
- 金融業（投信業）：應用 Excel 以及 R 語言，進行量化交易回測。
專題：參與各一學期心理系以及資工系的專題，在心理系專題（從臉書資料找出特殊宗教）中學習平行運算、機器學習的分群技巧、社群網路分析；資工系專題中實作機器學習最新 Paper 中的技術。
【第一份工作－中研院研究助理】2017~2018
參與專題是 Wilson 學長認為在大學四年間學到最多的活動，也越做越有興趣，因此畢業後第一份工作便是往這個方向邁進。而中研院研究助理主要工作內容是深度學習與資料採樣方法的研究，以及跟金融業產學合作開發推薦系統，在這段時間內磨練了很多數據科學、分析的基本功。
【第二份工作－雷亞遊戲】2018~2021
Wilson 學長原本的計畫是要申請研究所，不過當時也有投遞一些公司的履歷，獲得進入雷亞遊戲的機會，而選擇雷亞的動機很簡單，就是對於這間公司以及對其產品的熱愛。三年間的工作內容主要有成長策略分析（找出什麼樣的廣告投放方式最有效率）、量化遊戲營運（遊戲道具的存量是否如預期，又或是對戰遊戲中，利用量化分析判斷卡牌強度）、開發 A/B testing 流程。
【第三份工作－Google】2021~
為了嘗試不同領域以及工作內容，Wilson 學長選擇轉職並加入 Google。而在 Google 的工作內容主要可以分為三件事：
- 建立產品指標：為最主要的工作內容。包括定義產品所需數據（北極星指標）、資料埋點、倉儲建立、SQL 以及 Python 的Pipeline，最後產出完整的數據儀表板讓 PM 可以使用。
- 建立模型：衡量產品成效，用統計模型定位出產品的問題，並且依此建立解決方案。
- 實驗設計：產品分析師要主導產品團隊開發整個實驗設計的流程，驅動決策並且迭代。
實際上在執行時，比較像是 Case by Case，根據負責的產品經歷不同週期：
而 Wilson 學長也解答了大家對於產品分析師最常見的三個疑問：
1. 產品分析師在團隊中的定位與角色：
各部門的好夥伴，會和產品經理、UX 研究員、工程師合作，合作內容如下：
- 產品經理：了解現在產品走向以及決策方向，依照現在正在發想的 Idea 提供數據佐證，執行 POC (proof of concept) 的階段性任務。
- UX 研究員：提供量化的數據讓 UX 去做質性分析；或是拿 UX 分析的 User Study 去做更第二層量化的驗證。
- 工程師：與工程師設計 Log、埋 Log。
2. 工作中所使用的重要能力：
- 溝通能力：發揮影響力的前提是要有成功的溝通，也就是聽懂各部門的需求、找出需求的交集。
- 商業思維：知道目前策略著重方向，並且讓決策因為數據的支持而更加清晰。
3. Google 的資料科學職位間的差異：
- Product Analyst：有效且快速地推動專案，分析的議題淺而廣。會以平台與生態系類型產品為主，著重數據驅動決策。
- Data Scientist：投入長期開發的專案，會深入的分析單一議題。以成熟期產品為大宗，會以數據的品質與精準度為重。
二、找工作的刻意練習:專注在明確且有效的目標
Wilson 學長認為找工作的大原則，就是要找到夠明確且有效的目標與方法，並且專注地往這個方向前進。因此知道面試的遊戲規則（上機考的內容），找到最省力的方法 （蒐集面試到底會問什麼問題）是準備工作面試最有效率的方式。而針對面試準備，給予以下六項提點：
【Job Description 閱讀的重要性】
要特別注意每個職位的工作內容與人才需求，這樣找工作、面試可以更專注於特定領域的準備。舉例來說，Product Analyst 的 JD 提到：
Experience articulating product questions, pulling data from datasets(SQL), and using statistics to arrive at an answer.
這就傳達了在準備這個職位時需要表現你的溝通能力、能依照產品價值設定產品指標、擁有 SQL 技能與統計知識。
【Data Analyst / Product Analyst 面試考點一：SQL】
SQL 技術非常重要：職缺關鍵字只要有 ”Analyst”，絕對必考 SQL。由於我們在學校比較少學習到 SQL，所以一定要自己另外練習。而 Python 也會考，但不會是必考，所以準備的優先順序一定以 SQL 為先。
而使用 SQL 的技術要多精熟呢？以下為 Wilson 學長提供值得練習的加分項目：
另外學長也有特別提到，CTE 不是必學，但因為面試時會需要與面試官溝通撰寫 Query 的思考流程，而 CTE 能夠幫助與面試官溝通，會是很加分的小技巧。
SQL 面試技巧：
大原則：在動手開始寫之前先主動詢問，釐清資料需求。在拿到資料之後，很重要的是先思考資料的潛在問題，並且跟面試官互動、提問、釐清，所以絕對不是低頭寫程式碼，與面試官做完整的溝通是最重要的。
SQL 面試準備方式：
常考的指令一個下午就可以看完，可以參考 W3School。而 LeetCode 的免費 SQL 題目也至少寫過兩遍。
【Data Analyst / Product Analyst 面試考點二：產品指標】
簡單來說，產品指標就是回答「需要什麼數據？」以及「數據怎麼用？」兩大問題。詳細可以分成以下三大類：
- 指標定義：如果你是某個產品的經營者，你覺得什麼數據最重要？
- 指標性質：這個數據最有可能會有什麼問題，或是潛在的風險？
- 指標變化：指標往上或是往下走，該怎麼辦，如何解釋？
產品指標面試技巧：
產品指標面試可以分為兩個核心步驟，我們來看看一個例子：
LinkedIn 職缺推薦系統如果要更新版本，該用什麼指標定義成效？
- 第一步，釐清與溝通：先用 5W1H 的方式詢問。例如：定義何謂成效（使用者的成長、收入）、確定哪個數據最重要（先向面試官對焦產品價值以及目標）、更新版本的詳細定義（演算法更新、使用者介面更新）。最後再重新敘述一次你所理解的題目以及產品定義，與面試官對焦雙方的理解一致。
- 第二步，定義指標並回答：根據前一步驟面試官的回答以及自己的理解，提出問題的答案。例如：點擊率（CTR）、應徵率（轉化率），並提出 Guardrail Metric：其他指標成效變好的同時，此指標成效不能變差。以此題為例，若面試官提到系統為演算法的更新，則 Guardrail Metric 可以是平均回傳結果的時間。
產品指標面試準備方式：
- 指標定義：推薦書籍 Lean Analytics，YouTube 創作者 課代表立正（一位Facebook資深分析師）。
- 指標性質：平時自主思考訓練，Wilson 學長主要是靠工作經驗累積。
- 指標變化：推薦書籍 Crack the PM Interview、參考 Stellar Peers 部落格的題庫。
【Data Analyst / Product Analyst 面試考點三：統計學與 A/B Testing】
以 Google 產品分析師來說，「初等統計學」知識肯定夠用，但仍然要花一些時間複習、釐清觀念與細節。一些重要觀念的舉例如下：
- P-Value、檢定力、顯著水準是什麼？
- 線性回歸的假設為何？如何檢驗？違反的話要怎麼解決？
- 如何診斷羅吉斯迴歸的結果？
而技術面試也很重視 A/B Testing，所以除了統計學之外，必備知識還有 A/B Testing 的完整流程以及實務上的常見陷阱，以下為幾個常見考點：
- Continuous Monitoring：不能在每天監控結果時，看到結果為顯著就馬上結束實驗，這樣會增加 Type 1 error。
- Guardrail Metric：除了要求某些指標要變好，也要要求特定項指標不可以變糟。
- Multiple Testing：同時做一堆實驗時，有很高的機率有至少一組為顯著。
- Novelty Effect / Primary Effect：使用者單純是因為該項功能為新的，因此嘗試或是排斥它，並不是因為是否好用。
- Network Effect / Competitive Market：某些情況下，對某單位的操控或影響，實際上會波及其他單位。
統計學與 A/B Testing 面試技巧：
絕對不要等面試官來質疑你所提出的 A/B Testing 流程是否會產生 Error，而是你要自己知道有這些陷阱存在，在面試的時候主動提出來並且給出解決方法。
統計學與 A/B Testing 面試準備方式：
- 讀透一本初等統計學課本，並且整理出自己比較不熟悉的地方。
- 看看資料科學 YouTube 創作者最熱門的影片，優先複習。推薦 StatQuest with Josh Starmer。
- Wilson 學長的 A/B Testing 部落格文章。
- 大科技公司的部落格，推薦 Netflix 與 Booking.com。
- 多讀一些 Paper，會更深入提及 A/B Testing 應用時的偏誤。
【Data Analyst / Product Analyst 面試考點四：個人經驗問題】
就算是自己過去的經歷，也一定要事先梳理，可以嘗試利用 STAR 架構。以下為 Wilson 學長過去遇到的必問面試題：
- 跨部門合作中的挑戰與相關經驗
- 未來職涯規劃與目標
- 更換工作以及應徵本公司的動機
- （跨國企業）臺灣已有該企業分公司，而選擇投遞外國分公司的動機
【面試核心能力：溝通力的展現】
好的溝通是雙方都有理解對方的意思，因此有兩個環節特別重要，釐清問題：確認自己有聽懂對方的意思；以及 Think Out Loud：讓對方了解自己的思考邏輯。
不論是 SQL 問題、指標問題、統計問題，最重要的都是要與面試官互動、溝通，確保自己分析的內容與面試官想要聽到的是雙方對焦過的。
而針對面試相關問題，Wilson 學長也以自己在 Google 的面試經驗提供同學們建議：
Google 非常重視 Ownership，意思是員工能否在提出一個 Idea 之後，有能力且有責任感的想出完整的專案流程並且執行，而這項特質會反映在開放式問題上。
開放式問題的過程中，面試官不會提醒你也不會給過多的資訊，都需要面試者主動提問、釐清問題，所以才會提到面試最重要的就是溝通力的展現。舉例來說，面試官給出的問題為：
請你為 YouTube 設計一個新功能。
面試官在過程中會不斷詢問你「為什麼？」以及「然後呢？」，而面試者就需要不斷自由發揮，根據經驗以及專案管理的思維，去分析如何產生 Idea，如何利用數據去證明它可行，並且讓這個 Idea 去落地。
三、想成為資料科學家，沒有典型的路
好豪學長在講座的尾聲也給予在校學生五點建議：
- 軟實力重要性大於硬實力：若論該學習的統計工具或程式，SQL 為必學，其他工具怎麼學都行，但最重要的是累積分析經驗以及訓練思考模式。
- 學生時期盡力探索興趣：用力的嘗試、犯錯，同時思考 Data + X 或是 X + Data，也就是在目前投入的事情中創造資料分析的機會，進而解決問題、推動專案。
- 重視工作的學習內容與成長曲線：第一份工作薪水不是重點，重點是你能否從中學到你想要的知識、幫助你未來想要發展的方向。可以去找尋主管、同事的背景，或是直接在面試時主動與同事互動，了解這份工作的學習內容是否是自己想要的。
- 面試刻意練習：如同前文中提到，面試會問什麼就準備什麼，基本題的熟練大於加分題。
- 積極找尋內推機會：要跟學長姐或是業內人士保持良好的關係，並且主動且適度的行銷自己。而加他人 LinkedIn 記得要寫自我介紹以及為何想建立關係的訊息，否則很容易被忽略。
最後，要成為不可取代的 Data Analyst 不只是用 SQL 撈數據或是跑幾個 A/B Test ，更需要有用數據定義問題的能力；如果沒有數據，那就幫助團隊設計出資料蒐集的策略，Data Analyst 最核心的價值就是用數據解決問題、創造改變。
