2019 我的資料科學轉職歷程：對外如何定位自己

by leafwind

內容目錄

系列文列表

專精的資料科學職缺 vs. 通用的軟體工程師

有些時候，我面試完得到的 offer 職稱，跟原本一樣是軟體工程師（Software Engineer），這並不是說我的工作就跟資料科學無關，反而是因為恰好都有相關，所以才無法歸類成其中一種。

至於哪一種路比較好，則是見仁見智。有時候興趣才能讓你精進，有時候廣泛接觸各種領域能讓你選擇更多，也有時候不夠專精會容易被特定領域的強者比下來。

為什麼自己的資料科學之路並不像其他人比較專精的資料科學家（Data Scientist）／資料工程師（Data Engineer）／資料分析師（Data Analyst）？我歸納出幾個原因：

資料科學領域還不成熟，特別是當經驗來自新創

除了極少數大企業的研究單位能夠鑽研純科學的技術之外，多數小公司資料科學的工作可能比工程團隊更接近業務端，結果就是會面對各種不確定性、解決很實際，卻不是純技術的問題。

而前幾年的台灣業界在資料科學發展還沒有很成熟，不管你是什麼職缺，實際上的工作很可能都不是職稱字面上的意思，在新創公司之中，更可能一人身兼多職，什麼都碰，當然也就會擔心自己不夠精通。

沒有限制自己的想像與發展

有些資料科學家喜歡研究理論，對於鑽研最新的論文與學術趨勢、如何應用在商業問題上非常有熱情，對於工程實務比較沒興趣；有些資料工程師則是對導入平台技術、研究服務如何擴展比較有熱情，對於商業邏輯就沒太多興趣。

也有一些人像我，既喜歡研究如何將資料科學應用在商業邏輯，也對於如何實現資料工程的工作很有興趣。所以當團隊需要做模型或討論演算法的時候，我可以參與、當團隊需要把產品落地的時候，背後的工程我也可以支援。

這是一把雙面刃，我的時間與精力有限，所以不可能同時精通兩邊。所以上面的敘述也可以反過來看：當團隊需要精通資料科學建模與理論研究的時候，我不會是最好的科學家；當團隊需要精通資料工程擴展性、導入最新框架、設計資料流系統的時候，我也不會是最好的工程師。

講到這裡，你應該可以稍微理解「定位」這件事情對於通才的重要性。

面試官（公司）的想像不同

每個人對資料科學的想像都不一樣，而每間公司的業務、需要的技術、部門負責的領域又非常的不同。

面試官可能只會注意到他最熟悉的關鍵字：廣告領域可能在意預測各種轉換模型的經驗、電商可能在意對人屬性的分析、資料工程可能注意到 ETL 資料流的經驗；更廣泛一點，也有可能參考一般軟體工程的經驗，或是專案管理的經驗。

因此，我自己可以應徵的職缺不只一種，而面試官也不見得會選到我最擅長的那一種，通常每個職缺之間都有重疊的地方，但也有可能我們認為的是很接近的角色，只是職稱不同罷了。

再者，很多新創公司通常只開出特定專精的職缺，但不代表他們不需要其他專業職缺跟通才。我就遇過原本只開後端工程師職缺，但內部討論後轉為面試資料工程師，也有資料工程師面試之後正式 offer 變成軟體工程師，或是應徵資料工程師變成 MLOps 的職缺。

所以有時候，找到有興趣而且你能發揮的公司，會比你只去應徵某個特定職缺來得有效益。而過程中如果遇到好的獵頭或 recruiter 幫你導向正確的職缺，也會讓你少走很多冤枉路。

通才要怎麼總結經驗

我知道自己有一些優點是專精角色所沒有的，但如果面試的時候沒有好好處理，說自己是通才，反而會讓人覺得是「鬆才」，所以我認為花一些時間在總結自己的經驗是必要的。

以下是我用的方法，其中並沒有什麼厲害的技巧，簡單來說大致分成「整理資訊」、「如何呈現」、「收集回饋並改進」幾個面向。

總結出脈絡，比起平舖直敘的流水帳經歷更好

你可能會想，跨領域的人才只要說自己是 T 型人就好了，的確，很多說法都強調 T 型人才的重要性，現實中也需要這樣的人，但「需要 T 型能力的角色很多，真正空缺出來的 T 型職缺並不多」。

換句話說，跨領域溝通是不可或缺的，但公司並不會有很多「跨領域溝通的專職角色」，因為這些技能可能隱性地存在於所有角色之中，而不是一個摸得到的職缺。

因此，面對還未合作過的對象，如何說服對方我是 T 型（藉由跨領域的經驗幫助專業的部份）而不是一型（樣樣通、樣樣鬆）的人；並且把這些看似很雜的經驗總結，就變得非常重要。

畫圖說故事：組織分工一目了然

以下這段是我面試初期介紹自己的說詞，建議先略過往下，有興趣再回來讀：

首先，我將自己經驗劃分成兩個階段簡述

我在目前公司的前兩年屬於 data science team，產品主要圍繞在數位廣告，從跟使用者討論業務需求、制定簡單spec、訓練模型、deploy model，上線之後分析成效與找出問題，簡單來說是一條龍負責。

這個階段比較多是 PoC 的快速迭代驗證，產品能存活遠比品質重要，但我得到很多產品面的經驗。

接著後半階段，有感於在 data science 遇到的各種火坑，必須要有人處理工程活，於是在上層（資料科學）與下層（通用資料基礎建設）中間，跟夥伴們一起建立了負責通用資料服務的「膠水」團隊。

接下來，我會解釋跨團隊、跨領域的重要性

多數人都知道資料科學家，可能也知道資料工程師，但這兩種角色性質剛好相反：前者解決問題的方式非常的專一且垂直、後者的作法則是傾向通用且水平。

如果是需求非常明確且固定的公司，或許能比較無痛地整合，但在一個高速成長且快速迭代需求、不確定性極高的團隊中，中間這一層跨領域的「橋樑」，有時候擔任「膠水」組合出確實能動的產品，或是變成「潤滑油」讓組織運作順暢的職責，就不可或缺。

這算是資料科學實務上很重要、卻也最常被忽略的一塊，在大公司中或許還有資源建立這樣的團隊，但小組織中則可能只是由一個資深成員、或其中一個 manager/lead 來分擔。

恰巧我經歷了公司從 30 人到 300 人的過程，在這之中不可避免地會需要處理很多這樣的事情。

最後補充其他 T 型的周邊經驗

這些東西未必是我的專精領域，但作為一個資料科學領域的工程師，做過、且願意做這些事情，會是一項有利的因素

專案管理與跨團隊協調也是很常需要做的事情，很常遇到兩邊能力都很強，但是做出來的東西沒有真正切合業務需求，或者是用錯方法事倍功半，其實只要簡單的解法就能滿足需求，都是因為溝通不良導致。

因為我看過各種錯誤，自己也犯了很多錯誤，所以或許能幫助公司在這些地方少走一些冤枉路。

這五年雖然是個蠻長的時間，但我做的事情一直有在跟著公司經歷不同階段的組織變化而改變，目標都是在幫助 AI 業務與產品成長。

除了工程師的工作之外，我偶爾也會接觸到專案管理，另外資料管理（data management）或資料治理（data governance）也是我有實務經驗的領域。

嘗試與改進

原本我嘗試用講的，經過一兩次面試之後，我發現光是總結、說故事還不夠，必須要快速、一目瞭然。

因此我開始嘗試畫圖，從時間與空間來切分我的經驗，並解釋為什麼我在不同的階段做出這些選擇、這些工作為什麼重要。

後來我大概可以在兩分鐘內，把上面整段落落長的文字，用三個關鍵字（兩階段、橋樑、T 型）解釋清楚。

這個是經過面試一陣子之後重新整理的圖，當然，面試的時候不會畫這麼仔細。

畫圖的好處是可以先畫出最粗略的時空關係，有需要的話再根據面試官的反應去細部講解，所以如果面試官有興趣，或者是他不熟悉的地方，就會根據情況補充。

用講的當然也可以準備簡單版跟完整版，但就比較難有這種階層關係，比如我講完簡單版，再講完整版的時候，面試官可能已經忘了對應到簡單版的哪個部分。

小結

能夠畫圖說明、跟面試官解釋得口沫橫飛，固然是好事；但說到底還是需要先對內探索並說服自己，才有辦法對外說服別人。這需要從自己的經驗總結、以及價值觀的累積而來，也是對我來說真正重要的課題。

下一篇我會試著進一步解釋這些較抽象的價值觀，希望看到本篇的結果之後會比較多人有興趣。