還在準備AB testing? 回首求職路，談談疫情下我是如何拿到Facebook DS Offer的

想要上岸 就找上岸

在疫情的影響下，過去的一年對于身處北美的New Grad求職者們而言無疑充滿了坎坷與挑戰。我將分享自己過去一年里的經歷與心路歷程。希望大家也能通過我的經歷讓將來的自己少走彎路、未雨綢繆，趁著招聘期的回暖趨勢，提前做足準備，順順利利上岸。

接下來我將從職業規劃/面試準備/時間線/心路歷程等四個方面來分享自己的求職經歷。

01

職業規劃a. 為什么以DS作為自己的求職目標？

其實在開始投DS相關工作之前，我自己也做了不少search，讀到了很多熱門的所謂的DS勸退帖 ，相信大家或多或少也有看到過一些。

那么，為什么我還是選擇了優先尋找DS工作呢？

首先，個人背景。我本科是econ專業，沒有很系統地學習過CS知識，最難的CS課也就學到了本科算法，簡歷上完全沒有能看的CS項目，所以從零開始找SDE會有很大的gap要去追趕彌補；但相對地，我的計量經濟、統計學概率論相關的知識會牢靠一些，也學習過一些machine learning，已經有了很多前期投入，稍微修修改改簡歷就可以嘗試一下DS了。

第二點，根據以往課堂project的經驗。我對于DS/DA這個方向有一定的熱情，不管是deploy一個簡單的model還是通過做visualization來講好一個故事，做的事情會讓我比較有成就感。即使是清理數據這一類比較瑣碎的工作，如果我看著手頭的dataframe質量一步步變高，也會很開心。

第三點，從長遠角度，我對自己比較模糊的預判是想要往M崗轉 。

所以根據上述幾點，給自己草草制定了一下計劃，如果前五個月DS求職沒有什么進展，那再鐵了心轉投sde的懷抱。再不濟也能把leetcode的easy題給刷好了，不至于浪費太多時間。

b、BA track和ML track我是怎么選擇的？

定下優先找DS的基調之后，我會發現具體工作是不能光看title的，一定要細讀jd, 大致上可以分為以DA/BA為主的BA track，他們有的title叫DS，有的叫DA/BI/product analyst，這一類崗位強調統計知識的應用，需要比較強的product sense和實驗設計。FB的DS, analytics就屬于這個分類。

另一個則是ML track，會更加強調ML, DL的經驗和能力，對coding的要求毫無疑問要高一檔，甚至不少公司是把MLE放在SDE下面來招人的。這一類也有不少會要求有PhD或者碩士+多年工作經驗，比如Amazon的applied scientist和Google的data scientist。

我觀察下來，對于碩士應屆生工作崗位而言，BA track的opening會多一些。我的策略是兩邊都投，不放棄任意一邊的機會，但是主攻BA track。題外話，有些startup招DS會要求全才什么都會，stats + ML + NLP.... 本質上就是這兩個track的結合。投簡歷時，可以稍微修改一下，準備兩個版本的簡歷來應對。一些project經歷對申請這兩個track的DS都有幫助，比如說一個比較完整的ml項目申這些都能用。

前面有說到DS的面試體系會相對雜亂一點、經常會有些不按常理出牌的考官，所以我不建議走了BA就完全不看ml，或者走了ml track就完全不看統計，因為可能你就會在某個環節遇到了另一個track的題目。比如我有朋友去面JPM的DS，本以為是modeling為主，結果反而終面問了些distribution和貝葉斯的題目。

• ML、BA雙軌制，針對不同的職業發展路徑

• Case Study面試套路模板背誦

• 課上理論實踐——每節課都用真題，模擬面試般的體驗

• 課下高頻題鞏固，配合30+小時的老師錄制的獨家視頻、項目、和預習復習材料

• 大數據級別的設計與分析、機器學習+深度學習項目

• 內部職位推薦網絡

02

面試準備

a. 有哪些必不可少的學習資料？

FB的DS面試主要側重在四個環節，缺一不可。平心而論，面的問題都不算刁鉆，但是他們不希望面試者有任何一個明顯的短板。具體的應試上岸算法的DS小班課里全都會有cover到，這里我就僅僅是羅列出來自己的準備資料，僅供大家參考。

SQL：

• Mode SQL tutorial: FB官方推薦教學網站，界面感人，上手迅速

• 論壇面經：各大論壇有大量FB SQL面經，如果時間有限，一個個照著刷過來即可

• LeetCode: 題目不多，如果時間有限，遇到window function的題可以選擇略過

• W3School: 參考用的工具書網站

Stats:

• Khan Academy: 入門統計視頻。倍速觀看，用于復習。

• Brilliant: 統計刷題網站，例子比較像應用題，貼近面試。

• 論壇面經：略

• Seeing theory: 我沒有用過，但是看到很多人強推，據說可視化做得非常好，便于理解統計理論。

Product case:

• Stellapeers: FB推薦的產品學習網站，對學習metrics很有幫助，有些問題比較偏PM，需要自己做一定篩選

• Udacity AB testing: Google做的最優質的AB testing入門課，沒有之一

• Data-Informed Product Building：據說是產品面試圣經，我只翻了幾個看看，但是如果有時間系統學習，一定會很有幫助

Data case:

• Datamasked: 有40多題數據相關的case題目，討論了各種數據相關的問題，非常實戰，涵蓋了novelty effect, network effect等問題，對product sense也很有幫助，缺點是價格比較貴

• Medium blog: 有很多tech公司的blog, 也有ml design相關的case問題，缺點是需要自己花很多時間去篩選

  
  

b、不同材料的學習投入比重我是如何分配的？

學習重點的分配完完全全是因人而異的，對于我的情況來講，難點是：product case > data case > SQL > Stats。相信對于應屆畢業生而言情況都會比較類似，因為我們缺少相關的工作經驗，但是面試時候又需要很強的產品直覺，所以難免需要在產品問題的準備上多花時間，平日里有事沒事就去看看stellapeers，讓自己保持住一個狀態很重要。

data case我認為也是一個難點，因為這一輪的面試官似乎往往級別會高一點(也可能就是我的正巧遇到了級別高一點的)，問到一些ML design的問題自由度很高，會根據回答繼續細挖，并且夾雜著product sense考核。

在閱讀case題目答案的時候，不要滿足于答案，因為面試官往往也聽到了很多雷同的答案，會期待更多更新鮮的想法。例如，有一個問題是“如何判斷兩個FB用戶是不是最要好的朋友”。書上可能列舉了幾種measure closeness的方法，但面試官可能就會不停地詢問是否還有別的方法。與此同時，你可能還會被問到，為什么會需要launch這個功能，能給FB帶來什么好處之類的product問題。

SQL講道理語法什么都不是很難，最難的題用到一個subquery WITH t1 AS(...) 就能搞定，但是平時一定要常刷題保持手感，我看到地里好多人反映都是輕視了SQL，沒能夠快速理解題意，導致白板面試的時候腦子空白了5分鐘，最后就來不及寫完了，尤其是video chat的時候你沒有思路的話，場面會一度十分尷尬...... 其實這一輪是可以選擇用python (pandas)或者R (dplyr)來考的，但是出題邏輯是SQL做題最直觀，還是建議選用SQL。

統計題目的話 bayes, binomial distribution之類的大一大二統計知識是側重點，一半題目都會是排列組合、條件概率。

03

時間線

我是在9月初入學master, 大約入學前一個月，即8月左右開始尋覓朋友修改簡歷，開始內推。我申請的時候還沒有OA的要求，但聽說后來就開始發放OA了。

8月底填寫了一份內推問卷調查，9月初收到了hr的initial screening call，9月中旬參加了video面試(一輪SQL+一輪product)，最后10月中旬參加了on site (四個環節，每個一輪，疫情期間改為了video面)。 

總體上的時間是比較自由的，完全取決于你想什么時間參加下一輪面試，如果過程中準備時間不夠，可以多次和recruiter要求延期。但是opening開放的窗口比較短暫，所以我的建議是哪怕題目還不熟悉，只要有了一份qualified的簡歷，就先可以開始內推申請起來，隨后在面試的過程當中再不斷準備。

FB新添加的OA也從側面說明，應屆生似乎越來越有供大于求的趨勢，所以真的很有必要早點準備。哪怕是沒時間準備，過了initial screening隨意延期好了，我中途也延了兩周，但是錯過投遞簡歷的時間窗口就得不償失了。

此外，我和一些學弟學妹們有聊到，他們反映初來乍到，同時要兼顧學業和面試非常地有壓力。

我個人的想法是，對于不是學有余力的同學來講，重點一定是放在求職上會比較好，學業只要能順利畢業就行，哪怕是master degree拿了4.0 也不會有很多人care，面試期間的課內學習和課外學習的時間分配至少要在1:2這樣。

雖然今天我們的topic是FB的DS，但是你在準備面試期間，平均總是在一段時間內準備2-3家公司的面試的。尤其是第一學期，課業可能還沒有特別難，更需要多花時間在面試上，這樣一切順利的話，上岸以后再來補救課業也很穩妥。

如果你現在還沒有入學，那入學前的這幾個月簡直是準備面試、豐富簡歷的黃金時期，只要這個暑假克制自己保持學習做點project，一入學的同時就開始申請summer intern/或者直接申請全職就能水到渠成。

如果你已經臨近畢業，也不需要慌張，可以通過參加上岸的DS小班完善簡歷，沖刺掌握面試技巧，抓住每一個機會。

04

心路歷程

回首求職路，我發覺還是有很多方面可以去做到更好的，大約有如下這三點。

第一點，我花了太多的時間在udacity的ab testing課程上。我搜刮資料時候發現很多同學推薦這門課程，因此也認認真真從頭到尾看了兩邊，可能花了將近一整周的時間，這在面試期間是一段不小的投入，當然也學到了不少內容。可是面試期間幾乎沒有遇到ab testing的題目，遇到能和ab testing有所關聯的，面試官也有很刻意地避免聊ab testing。之后我去網上看了看近期面經，確實考核實驗設計的頻率較之從前有大幅減少，也看到了別的同學說“面試官不想聊ab testing”這樣的評論。我不確定這些樣本是否具有代表性、是否現在面試考核內容的趨勢有所改變，但是在當時那個情況下，我也許看看別人的課程筆記迅速了解一下ab testing會是一個更好的選擇，而不是選擇看視頻上一整門課。

第二點，投入了很多不必要的時間在leetcode刷題上。我一度以為對于DS一定要把leetcode的easy題目全部搞定，所以暑假期間花了很長時間用python和Java來做算法題。有一說一，這個倒是對我的python水平有了一定的幫助，但是現在看來我申請過的這些BA track沒有一個考核了算法題目，只有一些順帶申請的data engineer考了算法。如果我能夠更有針對性地提前了解一下DS的OA，我一定會適度減少刷題的時間，用來補充其他短版。刷題本身沒毛病，但是不可迷信、盲目地刷題。

第三點，忽略了面經的重要性。我面試的時候，至少遇到了四題在面經中瞥到過的題目。以此推斷，FB的DS題庫并不是很大, 甚至可能可以是暴力窮盡的。那一天，我每次被問到面經題時，內心都會不禁涌起一種懊悔感，“哎呀，早知道被問這題，當初何不把網上大佬們的解答都仔細看看，集思廣益呢”。這種懊悔感在我最后幾天等待面試結果期間愈發強烈，試想我都中了那么多題了，如果僅僅因為不夠重視面經最后給面掛的話，得多難受。如果讓我重新經歷一遍FB的面試，在最后的幾天里，我一定會把重點轉到面經上面，把每一道高頻題目翻來覆去地花式操練。

關于疫情期間的注意事項，這里我想重點講一個和求職不那么相關的題外話。那就是，無論是CPT和OPT千萬千萬要早做打算。

一方面是USCIS效率低下，另一方面有的opt是從學校DSO寄出來的，一旦出什么問題更正的材料寄去學校再寄回來前后又是10天時間。我當時就是因為想著已經有了工作，松懈了一下拖延到了10月底才寄出，誰知道最后竟然花了5個半月才收到EAD卡，defer了好幾個月的入職時間，四舍五入損失一大筆。我也聽說一些最近求職的朋友，就是因為手頭沒有EAD卡，公司卡著offer。更有甚者，因為EAD卡到得晚了，中小型的公司直接手撕了offer，得在畢業后重新開始面試找工作。

經歷了這輪波折，我才理解為什么大家都說求職就像打怪升級一樣，不到最后上岸不能喘息，疫情期間更是要格外重視這些身份相關的事情。也希望大家每一步都早一點規劃，每一步小心翼翼，每一步也走得更加順利。