【📣資料工程師來開講】在求職市場我有價值嗎?如何歸納經驗 成功攻略跨國新創

文/Chia-yu Hsu、汪品妤、Chava Chou、Hanna Tsai

在思考職涯發展時,你是否曾經想過朝海外發展?同時也在內心揣測自己的能力是否符合國際求職市場?這篇文章邀請到在日本新創公司擔任資料工程師的 Connor 來分享他的職涯經歷,從過去他如何累積專業知識到如何找到自己定位,以及分享在新創工作多年的觀察!🚦本篇目錄
1.我該成為通才還是專才?
2.不同階段的學習模式及挑戰
3.海外求職的契機
4.透過周遭人脈、面試了解市場需求
5.透過面試雙向了解公司與你的配適度
6.什麼樣的人格特質適合新創
7.如何避免在新創中雜學甚至瞎忙
photo credit: Connor

如何培養專業知識

1. 我該成為通才還是專才?

現在在職場上,靠單一一個專業領域做到退休是滿困難的,免不了得要跨領域,那重點就會是領域要跨到多開?有一種情況是雜學家,表面會的東西很多,但什麼都不精,這可能會是部分職涯發展會遇到的困難;Connor 認為合適的數量大概是選兩三個足夠有自信能當成主要領域的方向去努力。

他也提到,如果只專精在一個領域上的話可能會有兩個問題,第一個是取代性,比方說你只會訓練模型,現在很多深度學習模型,像 AutoML 一鍵就幫你訓練好,也不用非常懂模型。以這種取代的趨勢而言,取代掉的都是比較單一的領域。

第二個專才可能會碰到的問題是多數雇主不需要非常專精單一領域的人才。舉例來說,同時會 Data Pipeline 同時也會訓練模型的話,工作價值就會比較能彈性地發揮出來的。

兩個狀況有點類似,只有少數菁英的研究單位與分工精細且穩定的大公司,較有機會在單一領域發光發熱,一般的工程師工作都還是多少免不了雜活,多少都得了解一點跟自己專精的相關領域。

從 Connor 自己的經驗來看,當時在臺灣新創公司,同樣做 ML 的人很多,但缺少資料基礎建設,因此每個人都需要兼做一些 Data Pipeline、清資料,除了本身對這個部分有興趣,也覺得與其等別人慢慢去做,不如自己著手開始,就和同事開始專注在搭起數據架構(Data Infrastructure)及使用者(Data Scientist)之間的數據橋樑,擔任類似資料科學家後端的角色。在目前公司所待的團隊便是數據架構團隊,Connor 認為,假如當時在第一間公司沒有往這方面發展的話,跳到現在這個理想職位的機率不高。

2. 不同階段的學習模式及挑戰

主要會分成兩個階段,從研究所剛出社會時,主要靠的都是基礎科學(統計、數學),比較像從樹幹延伸到枝葉。比方說研究所和第一份工作都是做ML,但一個是做影像類型,一個是做文字,即使取的 feature、用的模型都不太一樣,但這一階段的差異還算是比較小,只要擁有基礎知識的底,就可以很快補齊所需技能。

第二階段是隨著越來越資深,公司一定會賦予更多非技術性的職務,此時學習的模式就不像以前可以從基礎知識開始,學習時間也會被壓縮,這不單只發生在資料科學領域。這時候就有點類似遷移學習(Transfer Learning)的概念,必須利用過去的經驗知識快速上手新的工具,沒有辦法等到把所有基礎都搞懂才開始做。

求職/轉職時如何找到自己的定位

3. 海外求職的契機

開始決定尋找海外工作機會的動機是因為在台灣經過許多次面試後,觀察到做資料科學領域的公司偏少,再加上自己的偏好是新創公司,導致選擇又減少了很多。

決定要踏上海外工作的路前做了很多功課,以在亞洲國家的資料科學、工程的發展程度、薪資,以及新創公司數來看,以中國、日本跟新加坡較為成熟,最後選擇日本是因為本身就喜愛日本文化,認為居住在日本是可以考慮的方向,也剛好幸運地拿到 offer。

在選擇就職的日本公司時,即使目標明確是新創,但同時也需要考慮這間新創公司文化、環境是否合適自己,以目前就職的公司文化組成舉例,工程師有將近一半非日本本國人,公司文化很多元、決策者也會願意放職權給員工、階級關係也沒那麼沈重,就是跟傳統日商蠻大的差異。

4. 透過周遭人脈、面試了解市場需求

一開始求職時,是先尋求有經驗的同事、前輩,藉由他們的分享來找尋自己未來可能的定位,但經過多次分享討論後,發現因為每個人背景經歷都不同,並不會有一個明確的指引,告訴他「下一步就一定是怎麼走」。再加上在當時資料科學是新興領域,要找到對資料科學領域非常資深的前輩不容易,更不用說想藉由討論得到一個符合自己背景的完整職涯規劃,抑或是每間公司的資料科學職缺所需要的技能與經驗等等。

反之,假如直接進入職場面試,藉由面試官的每一次問題,從問題反饋中,可以更快更有效率的認識自己,比方說得以知道哪些是公司會有興趣的經驗,進而可以在下一次的面試突出呈現,也能知道相關職缺所需要的人才,方便自己評估是否已經點齊相關技能。

另外 Connor 也提到與周遭人脈討論的最大收穫,會偏向是對於市場的趨勢認知以及從分享者的過往經驗了解自己所缺乏的部分,例如大公司、新創的數據團隊規模、在執行哪些專案、遇到困難時組織如何應對,解決方法又是什麼。有了這些經驗談,在未來如果遇到類似問題時,面試掌握的資訊量就會比較充足,實際工作後也可以減少一個人亂槍打鳥尋求解方的時間成本。

5. 透過面試雙向了解公司與你的配適度

了解組織結構很重要:了解公司對於資料科學相關組織的規劃、相關的分工以及員工數量後,能更清楚公司目前的規模、業務發展方向。

而想要了解組織架構,可以從幾個方法下手:首先,在面試以前,從 JD 不但能夠了解職責範圍,還可以透過預計合作的對象、需求的技能大約猜測到公司的分工。其次,還可以觀察同公司的不同職缺,例如資料工程師與資料科學家的職務範圍與需求數量來幫助你從側面了解公司目前的人才需求。進入面試後,也可以請主管分享目前的組織架構,幫助你更確定這樣的合作與分工模式是否符合你的偏好。

了解公司痛點幫助定位:在面試中,除了組織架構外,「將要面對的客戶」、「組織目前最急迫的問題」也是兩個可以幫助你確認是否適合這個職缺的重要方向。例如:面對內部客戶與外部客戶需要的溝通方式可能有所差異,需要的經驗也就有所不同,再思考自己過去是否有類似的經驗。另外,與主管面試時,若能挖掘到組織目前的痛點,就能讓你更清楚未來需要解決的問題方向,方便你評估是否符合自己想要的職涯發展。

新創工作大小事

6. 什麼樣的人格特質適合新創

新創的工作環境及氛圍,在大家的想像中是相對彈性甚至變化速度很快,一直以來的職涯大多都是待在新創的 Connor 提到以下幾個可以用來判斷個人適不適應的人格特質:

  • 適應能力:新創變動性較高,能不能隨時順應公司變動調整自己,比如頻繁更換專案或合作對象,這對於能否長期待在新創環境十分重要。
  • 成長性思維(Growth Mindset):保持彈性,把每段經驗都當成學習,面對不同情境能用「成長」思維替代遭遇失敗所帶來的挫折。
  • 學習能力:有人學新東西很快,有人則是喜歡做自己最熟悉的工作,如果是一個可以很快上手新技能的員工,會比較適合待在新創。
  • 喜歡追求影響力並願意協助他人:不喜歡只是當個螺絲釘,喜歡做的每件事都有意義且能影響、幫助到更多人。
  • 危機意識導向:保持變動,不喜歡太安逸,能促使自己不斷前進
  • 愛玩,喜歡挑戰!

7. 如何避免在新創中雜學甚至瞎忙

同時,在新創中每個人都需要處理很多不同層面的工作,這樣的工作型態可能帶來迅速的成長,但淪為瞎忙也時有所聞。Connor 提到這問題可以從幾個思考面向去探討:

  • 從公司角色去理解任務:反思公司為什麼需要這樣的做事流程及組織策略,再去思考如何同時滿足公司與自身的目標、把眾多繁瑣的工作變得更有效率及自動化,能夠站在公司角度思考,就比較容易說服主管,也能比較容易調整自身的心態、因應變化。
  • 主動提出解法:新創因為組織規模較小,在流程制度上沒有相對應的管理流程,也有較多的包容性去接受不同提案及做法,建議大家可以主動提出解決方案,來緩解自身在工作上的不方便,在新創很容易被實現!
  • 找到自身價值及確認目標:新創公司提供很多機會及可能性,需要負責及溝通的事情也非常多,有意識地隨時確認公司與自己的目標是否一致,除了比較不容易迷失之外,也有助於將自己的方向拉回正向的學習軌道、消除每天瞎忙的感覺,轉成帶有目的性激勵效果的工作狀態。

面試是一個繁瑣累人的過程,Connor 將面試作為一個個的檢測,逐步了解自己的經歷中哪些是市場價值,以及還有哪些技能樹該點滿,一次次迭代出屬於自己的職涯藍圖。「唯有面對市場,才不擔心被取代」是我們在訪談中看見的核心價值,重視每一次面試的反饋,在跨國的版圖上找到自己的定位,祝(嚮往海外工作者)早日登出臺灣!

📩 想知道 Connor 更多的職涯大小事與更多精彩的資料科學分享:
資料森友會:
https://t.me/all_about_data
寫作計畫與文章列表《米寫糕》:
https://leafwind.substack.com/

如果喜歡這篇文章,可以幫我們拍手 👏 👏👏 50下,並且follow我們的最新文章,支持我們繼續努力! (找找左側或左下角 “拍手符號👏”,長按可以連拍50下喔)

Taiwanese in Data Science

We aim to inspire and educate data scientists…

Taiwanese in Data Science

We aim to inspire and educate data scientists worldwide, regardless of gender, and support everyone in the field.

Taiwanese in Data Science

Written by

Unite data-savvy learners . Know more about us here: http://bit.ly/TWiDS

Taiwanese in Data Science

We aim to inspire and educate data scientists worldwide, regardless of gender, and support everyone in the field.