从职业规划的角度谈为什么要转DS(下篇)+申请策略总结

4319
3
首先,回答几个上篇被问到的几个问题。 第一,我是不是中介?在上篇的时候很多同学因为看到我的ID就认为我是一个中介,虽然言语没有什么过激的地方,但是我能看出这样的回复背后应该是对中介的打软广行为的不屑和嘲笑吧。我声明一下,我不是中介,我也没有给任何中介打广告的意思。虽然我现在在一家刚刚起步不知名的公益留学咨询当mentor(目前为止一分钱没收),但是在文章中也没有任何露出。我来地里发帖纯粹是想回馈地里,并且搞个有米的账户,方便以后找工作而已。而且,我想说的是,不管是什么人,只要贡献干货,并且不强买强卖就是应该被欢迎的,难道不是吗?

第二,为什么这个上篇的方法似乎是什么专业都适用的?我在上篇文章末尾提到,我还会连载,所以上篇主要想放一个普遍适用的思维框架,然后下篇具体介绍我对DS行业包括申请的思考。假如其他专业的同学也能看到这篇帖子,认为对他们有帮助,那我就更开心了!欢迎转发给你们提到的CS/EE/BIO的同学哈哈哈!

下面开始正文~~~

近几年,各种大数据、人工智能的概念炒得火热,越来越多的人涌入这个风口。伴随着的,这个领域的争议也越来越多,涌现了一波DS的劝退党。比较典型劝退理由有:数据科学家的门槛太高,都是PHD;数据的工资没有SDE高,不划算;数据分析就是取数机;数据方向找工作难,找不到工作等等。这些问题有些是确实存在的,但是我们要用客观的、发展的、辩证的眼光去看待这些问题。

首先,我们要知道数据行业现在仍然处于发展期。从我的观察来看,在中国,即使是互联网巨头的数据体系也存在各种问题。比如,重复造轮子、元数据管理混乱、数据标准不一致等等。因为之前的十年,中国互联网行业一直在野蛮生长,发展速度太快,他们根本没时间,也没必要精细化运营。但是现在,移动端流量见顶,精细化运营的重要性程度不断上升。所以,最近各大巨头才逐渐开始重视数据的沉淀、归集,数据中台的建设和数据利用等等。这个相信大家从一些巨头们的组织架构和战略调整就可见端倪了。还有一些传统行业,也是近些年才开始互联网+,逐渐沉淀数据。所以,目前我对数据科学行业现状总得论断就是,现在各行业数据的基础设施都尚未建设完毕,数据驱动这种更高层次的思维模式的变革,也就很难实现。美国可能比国内先进一些,但是我相信也差不多是这种情况。这种行业现状,就造成了几个现象:

(1)数据分析(Data Analytics)方向的工作难找。我们要知道,数据分析提供的不是必须的价值,而是附加价值。过去没有数据分析师,公司也正常运转,业务照样能蒸蒸日上。在数据驱动理念还没有深入到全行业的时候,数据分析师的地位、影响力、坑位自然是有限的。而且,数据分析师的技术门槛不高,但是经验要求高,所以一般社招的岗位较多。大量的应届同学以为自己学会了SQL就能做数据分析师了,涌入这个行业,导致了现阶段的供过于求。

(2)数据分析师沦为取数机。目前大部分公司数据基础设施水平差,数据中台工具不完善,这导致分析师要花大量的时间在取数上,而没时间去产出更多有价值的insight。

(3)虽然数据分析岗位有限,但是数据开发等岗位,我感觉在现阶段还是非常缺人的。因为,任何数据价值挖掘,首先必须要有数据,其次必须保证数据的质量,否则都是全白搭。但是,很多转行的同学不具备成为数据开发的能力。

再讲数据科学家的现状,目前我的观察是,假如你说数据科学家,指的是那种在各大厂的研究院里面以发paper为主要任务的,那么确实都是PHD的战场。但是,假如你说算法工程师,其实并不是这样。在实际生产中,很多公司其实并不需要研究很高深的算法。一个算法工程师,假如能够将已经成熟的算法应用到自己公司的系统中来,其实就已经非常够格了。我现在实习公司的一个算法manager的slogan就是,be an algorithm engineer, you should first be a engineer。而且,很多时候最前沿的算法不一定比普通算法效果好,还有跟业务策略关系很大。那为什么大家都觉得DS需要PHD呢?第一是因为现在大家对于数据科学家的定位不清晰,很多人觉得不进flag的研究院,还需要自己清洗数据的就不算数据科学家;第二是现在成熟的应用场景太少,很多探索性的场景价值还未被验证,所以算法的坑位也不是很多;第三是大量高端人才涌入,内卷严重;第四是因为刚会调包就觉得自己会机器学习的人太多了。

所以,以我的眼光来看,数据行业现在正处于上升期,一切皆有可能。而且,在数据行业不同的发展阶段,每个岗位体现的价值可能是不一样的;在不同的公司,可能也会受公司文化,对数据部门的定位和数据基础设施建设情况的影响而不同。随着时间的推移,上述的问题可能都会得到解决,或者不会。就像我在上篇中说过的一样。假如每个人都是一家创业项目的话,那么选择数据领域的风险肯定比那些已经成熟的行业大。但是高风险意味着,你可能收获高收益。所以,在选择数据行业的时,我们要了解自身的风险偏好,为自己的选择负责。再者,我认为在职业发展的早期阶段,我们应该着重积累一些可复用、可迁移的能力,这对提升我们未来职业发展的天花板非常有帮助。而数据作为未来社会的重要战略资源,其相对应的岗位,无论是数据开发工程师,算法工程师,数据分析师甚至是数据产品等等,在工作中能积累的经验和技能都是可复用、可迁移性非常强的。并且,数据领域在兼具广度的同时,也具有深度。所以,在我看来,进入数据行业是非常好的职业选择。

最后,送大家两句话:第一句是我老板说的,数据行业可能现在存在很多坑,但是有坑才有我们存在的价值,要是没有坑的话要我们干嘛呢?第二句话是鸡汤,很多时候,不是因为存在,所以相信;而是因为相信,所以存在。假如你相信数据行业是有价值的,数据是有价值的,那么通过我们每一个从业者的努力,这种价值终究会被挖掘展示出来的!

以上关于职业规划的阶段,告一段落,因为我个人也只是有几段数据相关实习的经验而已,所以可能有些地方说得不太对。事实上,关于DS前途的讨论,在地里面每一个帖子都能被盖得很高,每个人都有自己的想法,我也从这些帖子里面受益良多。这次我借这个帖子,也算彻底把我自己的想法和思考方式展现给大家。我经过上个帖子之后发现我比较玻璃心,所以不喜勿喷,不赞同轻踩吧……

下面是关于DS申请部分的分界线~~~

首先,跟上篇职业规划一样,也是先上思考框架。我认为申请最重要的两个部分选校和背景提升,先讲选校。我总结了一些我在申请前选校的一些考虑因素:

; 项目是否STEM(3年的OPT,这对想要留美工作的同学至关重要)
; 项目时长(对于没有工作经验的应届毕业生,项目最好包含一个Summer Internship)
; 学校地理位置(影响安全、就业资源、气候、预算、生活质量等方方面面)
; 项目预计花销(是否有TA/RA机会;是否提供国际学生奖学金等)
; 学校综合排名/专业排名(一般来说,归国党考虑综排,留美党考虑专排)
; 项目课程
1.选课自由度(选课自由度大的非DS专业也能拼出DS的课表)
2.课程质量(硬课数量占比,任课Professor水平,课程是否有Project等)
3.课程工作量(压力过小可能学不到东西,压力过大可能影响找工作)
4.是否有Captone project(好的Capstone相当于一个美国实习)
; 项目录取情况
1.项目录取偏好(不同DS项目偏爱不同类型的Candidat)
2.项目录取Bar(Bar高说明你的同学质量有一定保证,但也不能迷信,认为Bar越高的项目就一定越好。因为录取陆本的人少,也是造成部分项目Bar高的关键因素。更重要的还是项目本身的质量和资源)
; 项目氛围
1.项目人数(人数太多,往往意味着内卷严重,而且同学间联系不够紧密)
2.项目找工氛围(当大家拼命找工作的时候,peer pressure会教你做人~)
3.项目多样性(虽然STEM专业基本都是印度人和中国人,但是还是期待有一些Diversity)
; 项目就业情况
1.项目历年就业数据(我们可以通过项目官方Career Report,Linkedin、在读同学等渠道了解往年就业数据,建议关注中国学生在美的就业情况,包括平均薪资,岗位Title等。要强调的是,项目就业数据代表着这个项目整体的就业水平,但是这并不代表进了某个项目就一定能找到工作或者一定不能找到工作,主要还是要靠大家个人的努力~)
2.项目就业资源(Career Fair,校友网络,简历修改等其他服务)
3.项目雇主声誉(同校同类型的项目之间的竞争;地头蛇项目在当地的口碑都非常好,比如德州UTA MSBA等)

根据每个人的目标和实际情况不同,在选校的时候可以给这些因素排一个优先级。以我自己为例,因为我的目标是毕业之后留美工作,工作方向是互联网大厂Data相关岗位,工作几年后打算回国。所以,我选项目的要求就是必须是STEM专业,项目时长1.5年为最佳,留美就业情况良好,课程质量硬(非对口专业灵活度要高),综排前三十名等等。而且,从数据科学的就业来看,这个方向对于专业对口的要求不是非常高,有非常多的专业最后都能找数据科学相关的工作,比如CS/DS/BA/OR/STAT/BIOSTAT等。过往的案例中也有一些其他专业的,甚至是非STEM专业的同学,早早打定主意要找data的工作,自学data相关的技能,积累项目经历,最后也成功找到了工作。所以,在我明确了自己大致的职业规划之后,我发现自己其实可以不那么拘泥于专业名称,这样大大扩大的我的选校范围。然后,在选校的过程中,我做了一个Excel表格,详细地整理了每个项目的信息,便于筛选。

本来想再放一下我对一些DS/BA/IEOR项目的了解和评价的,但是感觉放上来就太长了,所以假如有需求可以再开一个帖子吧。假如有学弟学妹有关于某个项目的问题,可以问,我知道的就会回答。下面是背景提升的part~~~

首先说一下,我觉得假如一所学校拒绝了你,仅仅说明你可能不符合他们对项目录取人的期待,至少不是最符合的那一批。但是这并不代表真实的你是怎么样的人,也不能决定你未来的发展到底是怎么样的。经历了申请季的同学都知道,很多东西都是玄学,不可说。但是,我们从申请的角度来讲,我们在制定背景提升策略的时候,必须知道我们的目标学校的录取策略是什么,这样才能有的放矢(包括写文书也是一样)。事实上,不同学校的录取策略真的很不一样(比如哈佛特别喜欢有哈佛校友或者教授推荐信的同学等等)。所以,我总结了我个人认为大概率能适用的申请策略,比较主观,只有我身边小样本的数据支撑,仅供参考!

(1)假如你想申请顶级的DS项目(我说的是四大和HMYPS之类),那么就请以PHD的标准要求自己,包括海外科研、推荐信、论文等等。假如,你没有办法找到DS的科研机会,交叉领域的科研也是非常好的!PHD的candidate对于理工科MS的申请人,绝对是降维打击。

(2)假如你想申请顶级的BA项目,那么就去实习。最好是能去大公司做长时间的实习。大公司指的是在美国有知名度的企业,时间最好在六个月以上。这样能大大提升你的被录取概率,包括你在美国找到实习和工作的概率。实习的岗位最好跟数据相关,但是不相关也关系不大(我看到纯咨询背景的申请人横扫BA的offer),只要在文书中能体现出从数据中发现商业价值就可以了。大部分在商学院下面的BA项目,录取风格其实还是非常商学院style的,不需要因为自己背景不是那么tech而担心。

(3)TG一般过105+325的线就不会被大部分学校卡了。但是,假如你想申请非常热门的项目,或者藤校(感觉几所藤校的录取人TG都很高),那么在保证基本盘的情况下(科研or实习),可以努力刷到110+330以上。更高的话,边际效应就很低了。

从近两年的行情来看,DS和BA专业水涨船高,申请人越来越多,录取的要求也越来越高。所以,我觉得大家一定要早点开始准备各方面的背景,最好要根据自己选择项目的偏好有针对性的背景提升策略。我个人一开始其实想申请BA专业,但是后来申请季的时候改申请DS,然后发现自己的策略选择其实有点问题,给人一种两不靠的感觉。所以最后申请季虽然顺利结束,但也不能说没有遗憾。我觉得,申请顶尖的program,最重要的是要有个人亮点,因为从我的观察来看,DS/BA虽然说是交叉学科,但是往往是在某个方向有突出特长的同学收获最顶尖的offer,而不是那些各方面都半桶水的人。因为大家的背景其实都非常同质化,在这个时候学校往往很难,也并没有时间细细甄别你背景里面实习或者科研的含金量。在这个时候,假如你有一个亮点,往往能会变得Diverse,从而脱颖而出。比如,今年申请我知道一个BA方向大满贯的同学(囊括西北、UCLA、哥大等你能想到的所有BA offer,我感觉他就是一个纯咨询背景,集齐了MBB的实习。虽然我不知道他的文书是怎么写的,但是我感觉他在录取委员会看起来一定非常outstanding)。当然只是我个人的看法,假如你用你的背景,能讲出一个很好的故事,给学校看到一个很不一样的你,那肯定也可以。

希望大家都一切顺利!连载结束啦~~~
  • 31
3条回复