云咖啡讲座推荐
哪些专业适合转型Business Intelligence？
行业中BI工具演变、求职重点技能
大型科技公司BI岗位分类&适合人群
扫码回复【BI 0】报名
特殊时间，一杯咖啡钱
足不出户，和大厂导师“Coffee Chat”
美国当地时间5月25日，一位名叫George Floyd的黑人男子在美国明尼苏达州阿波利斯街头被白人警察公开处以私刑。George的脖子被警察的膝盖死死压住长达7分钟，导致最后因无法呼吸，不治身亡。
（图/微博）
消息一出，引得全网热议。大家都在声讨美国警察的过分执法行为，为受害的黑人男子抱不平并倡导种族平等。
（图/Instagram）
欧美各路明星也纷纷在社交媒体上为此暴力执法致黑人死亡事件发声。
（图/Instagram）
目前，参与暴力执法的四名警察已被解雇，但这仍然不能平息民众心中的怒火。美国各地纷纷展开了以种族歧视为主题的抗议活动，使得此次事件进一步发酵。
最先开始游行示威的是此次事件的发生地明尼苏达州阿波利斯市。
（图/Today）
示威在持续两天后，升级成了暴力事件。抗议者们闯入并放火烧毁了阿波利斯市当地警局。
（图/CNN）
（图/Global News）
遭到暴乱威胁的不仅是警察局，阿波利斯市的其他公司和商铺也受到了很大程度上的迫害：Wendy's、Target、沃尔玛、DollarTree和汽车配件点AutoZone等都遭到严重破坏。
（图/Fox）
暴乱不是解决问题的最优方法，但勇于朝着目标奋斗的精神值得每位求职者学习。
从求职不顺，到手握多份大厂Offer，最终进入Amazon成为数据科学家，一路靠着这种精神成功翻身的K导师今天也将为我们传授独家求职兵法！
毕业环境太凄惨，索性转行求发展
说起K导师，在出国之前，他在国内有一份相当体面的工作，公司在金融行业也是数一数二，但是希望自己的事业更上一个台阶，他选择到美帝深造，专业也是金融相关的，学校排名也非常靠前。本想着毕业之后要大干一场的K导师，却正好赶上了川普上台，美国一系列的政策紧缩，许多金融公司都减少了招收国际学生的名额，有些公司甚至直接宣布Entry Level（入门级）的职位Sponsor H1B（办理工作签证），对于国际学生而言，可以说是“就业寒冬”。
但不服输的K导师还想留在美国多尝试一下，总是积极去参加线下的Meetup（见面会）和校友会，想认识多一些行业人士得到指点。碰巧，他碰到了自己的直系学弟，在聊天中，他建议K导师可以试一试数据方向的求职，也是近几年大火，各个行业都需要的人才。
学弟的建议点燃了K导师心中的希望，但是对于一个已经毕业的人来说，临时转行，还是有门槛的Data Scientist（数据科学家），难度会不会太大？一般来说，很多人在上学的时候，发现自己的专业是“天坑”专业，不好找工作，就转专业了，还有是时间来补充相关的知识；或者是相关专业有底子，转到Data Science （数据科学）属于顺理成章的事情，比如统计、物理、数学等专业。但是K导师不是，他已经开始了OPT，每一秒都经不起浪费。一个错误的选择，也很可能让他在留美求职的道路上越走越远。
不甘于浑浑噩噩在美国混掉三年OPT的K导师，分析了一下自己的优势和劣势，优势是金融数学出身的他数学、统计基础扎实。劣势也非常的明显，就是时间紧、任务重，要尽快补足自己和业界需要的Data Scientist（数据科学家）之间的差距。好在，K导师懂得从有经验的人身上取经验，行业朋友给他指出了他需要成的Roadmap（里程线），哪些技能需要掌握到熟练程度，哪些知识点了解初级就可以了。现在作为职图导师的K导师，也是这样在教导自己的学生，学会将别人的经验转化成自己的优势，才能事半功倍。
美帝没有铁饭碗，入行还需“身段软”
决定转行的K导师，在Data Science 的求职道路上也不是一帆风顺，投出去的简历95%都没有回复。因为没有相关的课程和实习经验，想要一步到位去申请像Facebook、Airbnb这样重数据的顶尖科技公司工作，得到面试的几率就更小了。K导师一边补充自己的知识和技能，一边海投简历，和所有的求职者一样，备受煎熬。
可以想象，如果没有工作，整天呆在家里，实际上是一种非常恐惧，非常无所事事的感觉。这时，他遇到了一个机会，是一家华人公司。虽然这家公司比起之前在国内K导师的东家，规模要小很多，但是最终他决定接受这个Offer（工作）。先入行，让自己忙起来。
就像K导师经常跟职图学员说的，你第一份工作可能看起来不是非常的好，或者说小公司或者说不是很相关，或者你做的东西更多的是打杂，那不要紧，先入行比什么都重要。这个一方面是你心态的一个转变，从学生到工作的一个转型，从职场的转变，还有一个功利一点讲，你在换工作，不叫找新工作，你不叫New Graduate(刚毕业的学生)，而叫做跳槽，是完全不一样的。
K导师向学姐分享，能够如此的Flexible（可塑造高），跟他的第一份工作有关系。K导师第一份工作是在国内做债券的，金融市场看似高大上，实际上是一个身段很软的行业。金融说到底，再高深最后也是Sales（销售）。你要想如何把你的这些金融产品卖出去，也就是说你要有跟不同的人打交道，而同时你要会换自己的形态，在不同的场合在不同的环境，你要知道怎么样表现自己。
不得不说，K导师的可塑性非常高，什么样的公司都可以驾驭，Finance（金融）、保险、Tech（科技）都做的游刃有余，除了快速的学习能力之外，更重要的是“放软身段”的心态。
想知道如何转行成为数据分析师、商业分析师？
报名6月4日的线上云咖啡讲座，立即学习！
在忐忑中过河，从闲聊里找活儿
K导师也曾怀疑过，自己的选择是否是正确。如果当时有职图的导师和小伙伴，可以告诉他能够做什么，他都会更加有信心，但是当时的他只能忐忑地自己摸着石头过河。虽然在所在的公司，数据量不会像科技公司那么大，但是对于刚刚入门的K导师，是非常有利的，因为它的数据相对来说，是比较干净的，K导师不需要在一开始就遇到特别复杂的Data Cleaning（数据清洗）任务。
都说Data Science是“三分天注定，七分洗数据”，你要花大量的时间去做Data Cleaning，数据量小、数据简单，相当于你不用花很长时间去处理一些脏活累活，对于初学者是一个很友好的环境。对每一个同学而言，不管怎么样，先进入到业界里面去，不管是什么行业，先在Data Scientist（数据科学家） / Data Analyst（数据分析师）的角色上面做一下，看自己到底有什么差距，或者是新出来的技术和工具，自己再去补充相关的知识。
除了自己通过网上的课程持续提升，多参加一些行业的聚会，和行业资深人士交流。因为背靠CMU（卡麦基梅隆大学）和匹兹堡大学，优秀人才多，所以像Google、Facebook、Microsoft都在匹兹堡开设了办公室，并且经常有Professionals 组织线下活动。K导师就经常参加匹兹堡当地的Meetup（见面会），他的第二份工作，便是在活动中和一位资深人士闲聊聊出来的。在闲聊的最后，对方问K导师想不想找工作，并且留下自己的联系方式让他发一份简历给自己。K导师当然不想错过一次跳槽机会，于是将简历发送过去。没想到，那天和他闲聊的行业人士，是一家保险公司的 Supervisor （管理者），将K导师的简历转发给他后来的Hiring Manager（招聘经理），没过多久K导师就收到了面试邀请。
距离面试还有一周时间，K导师看到Job Description（职位说明） 需要会SAS，但是之前从未学习和使用过，于是K导师就突击学习SAS还考了个Certificate （执照）。到现在K导师还说自己很幸运，和CMU和匹兹堡大学那么多专业毕业生竞争，还能够拿到保险公司的Offer（工作）。但学姐不这么看，虽然是闲聊，但是K导师在聊一些数据分析专业性的东西的时候，让这位保险公司的高管看到了他的潜质，并且通过了面试的层层考验，才能够跳槽成功的。
值得分享的是，中国留学生对于保险行业不熟悉，光看名字还以为是不知名的野鸡公司，但经过调研之后，K导师发现，这是一家全美Top 5（前五名）的保险公司。所以，同学们在求职的时候，可以去查一下Landscape（行业概览），看看行业中有哪些知名的公司和品牌，千万别出现把大厂当做“野鸡”的悲剧。
并且保险业是一个Work and Life Balance（工作和生活平衡）极好的行业，很少出现加班情况。K导师刚进入公司，自己周五想要带电脑回家调Model（模型），部门的大老板按住他的肩膀说“不，周末一定不要工作”。这么看来，保险行业对于不喜欢快节奏工作环境的同学，不失为一个选择。那保险行业有没有什么不好的呢？保险行业因为是重监管的行业，组织结构冗杂并且有严格的Hierarchy（层级），对于新东西的接受和推行都需要层层把关，很多时候好的想法很难立刻实现，在里面工作会觉得掣肘。这也是K导师深深感受到的，随着自己能力的逐步提升，他想要去数据人更有话语权的公司。
来自纽约、波士顿、美西、中部等地区的500+好友已集合，扫码回复你的学校名称，立即进群与学长学姐交流！
面试犹如高手过招，考官也有类型偏好
想要再次跳槽的K导师，开始新的一次求职之战。
1、求职第一步：找对公司，找准机会
求职过程人人平等，哪怕是经验丰富的导师们也同样要从寻找职位开始，不同的是他们知道如何高效地寻找职位。第一个大家想到的途径，肯定是LinkedIn、Indeed、Monster和公司官网，但是这些地方大家都看到了，竞争最激烈。第二种是有些岗位是看不见的，是指Internal Candidate（内部申请者），这些东西我们可以挖，但是不好挖，就需要通过去Networking（社交）企业中的人来了解；第三种是，有一部分岗位看似跟你没关系，看似你投不了，但实际上可以投，而且公司非常的缺人。就像K导师在保险公司的这个岗位，看上去他不太适合，实际上这个岗位需要的技能他是有基础的，并且对于一些工具的掌握，他能够短时间地去学习和掌握。针对第三种情况，一定要分析清楚JD，了解到日常的工作内容是怎样的，如果能够联系到企业中的人来聊一聊，胜算就更大。
因为Data Science（数据科学）和其他专业很不一样，如果学金融，出来的对口行业就是银行和咨询公司，但是数据科学没有一个对应的行业，各行各业都需要数据分析师和数据科学家，所以机会很多，但是要懂得如何去找到机会，有的放矢。有一种方式，就是在LinkedIn上看，这家公司招的中国Employee （雇员）多不多，看看中国人都去哪儿了，你就知道要往哪些方向去投了，中国人不去的公司，可能意味着给国际学生的“坑”就比较少了。例如Tech公司，对华人就比保险业更加友好一些，机会也更多一些。其次，就是你过往实习、工作经历相关的行业，可以试着投简历，像K导师出国前就是在证券公司工作，他就投了许多咨询、信用卡行业的数据科学岗位，因为公司可以节省去培训你行业术语和商业运作规范的时间。
而不同行业不同公司，也都有自己招人的Bar（标准线），也就是说公司存在最优的类型，Hiring Manager（招聘经理）就会按照这个最优类型来找合适的Candidate（候选人） 。每个公司都会有不一样的Bar，同学们面试很多家之后，才会慢慢感受出来。
比如， 麦肯锡招人的两大偏好，一是名校毕业MBA毕业，一个是有工作经验的候选者，K导师能够走到麦肯锡DS的Onsite（实地）面试邀请，就是因为他之前的Finance工作经历。信用卡银行业，和金融行业一样，喜欢学校排名靠前的毕业生，在招DS的时候，也会找名校的Computer Science（计算机）专业和Statistics （统计）专业的学生；而像Facebook、Google这样的科技公司大厂，对于New Graduate来说就会就比较少，因为他们的数据在混乱程度和数据量，不是说你在学校上了一些基础课程，做过几个School Project （学校的项目）就能够应付得了的，因此他们更加喜欢有工作经验的申请者，来减少培训成本。
2.求职第二步：简历、技术、Case，全面准备
简历准备，一定要看清楚JD。数据相关的Title（职位名称）五花八门，有时候让人摸不清头脑；并且，有时候同一个Data Analyst（数据分析师），因为所在行业和组不同，做的事情和需要会的技能也完全不同。例如Amazon的Business Intelligence Analyst（商业智能分析师），是一个包罗万象的Title（职位名称），完全取决于不同组的Function，有些是需要会Coding（编程），做Data Pipeline （数据管道）相关的工作，有些则是更多需要去调模型，分析预测结果。
所以，对于Data相关的职位而言，我们准备简历的时候，应该根据JD上面的要求，结合自己过往的经历，找出闪光点，最好把Model （模型）和Tool（工具），以及结果写出来。
技术面试，白板面试，都考些什么？一般而言，都会有一轮技术面试，还会要求当场写白板，即考官给你出道题，你需要将语句或分析写出来，手写的时候你要讲你的思路是什么。会考SAS，SQL,Python，R的语句；也会问一些统计知识，比如Linear Regression（线性回归），Logistic Regression(逻辑回归)；也会问ETL Process（ETL是Extract, Transform, Load --提取，转换，加载，三个数据库函数的缩写，它们组合成一个工具，将数据从一个数据库中提取出来并放入另一个数据库), 以及Machine Learning（机器学习），例如KNN 和 K-means Clustering(K均值聚类)的区别，什么是Bayes’ Theorem（贝叶斯定理），如何给Decision Tree（决策树）剪枝等等。
数据岗要不要刷题，刷什么题，去哪里刷？虽然数据岗位刷题性价比不高，但一定要刷。数据岗不像码农，刷什么考什么，码农们去LeetCode上刷三四百道题目之后，基本心中是有底的，但是Data Scientist（数据科学家） 就不太好找题库了。首先，变化多，像SQL这样的题目灵活度非常大，可以变形组合出非常多的题目；其次，方向广，根据不同组专注的方向不一样，考的内容也会有很大的区别，所以要准备的东西非常多；并且，所在的行业需要有附加知识，比如MarTech（Marketing Technology 营销科技）公司，要了解营销Funnel（漏斗），FinTech公司，需要懂得Finance（金融）知识，而快消行业则希望有对物流或者仓储的感念有所了解。
去哪里刷题？比如说最入门的应该叫W3school, 还有SQL Zoom, LeetCode 刷到Easy和Medium，就可以了。然后接下来就是机经，和我们做的托福GRE机经一样，一定要珍惜地刷，不能说一边听着音乐一边看着直播刷，刷题的时候一定要想想有什么套路，有必要的话甚至可以找人帮你做一个Mock（模拟），因为你在自己写，跟你在跟你在真实面试时是不一样的，所以说还是要珍惜地刷。首先有量有总结，你才能有质的提高。
搞数据的要不要学Coding（编程）？答案是如果你想做Data Engineer 或者 Business Intelligence Engineer，是需要会编程的，但是要求要比CS要低一些，而且像一些大公司，Data Pipeline已经有了很成熟的体系，很多东西可以去模仿去学习了，这一点比在小公司需要你一点一点你从零开始学要好很多。当然，在工作之后，你会发现学习一些Coding 是非常有利于你和Engineer去沟通，不会导致“你觉得Engineer（工程师）这都搞不定，Engineer（工程师）觉得你提的是什么破需求”的尴尬状况发生。当你懂得一些编程的能力时，还非常有助于你搭模型，因为有时候模型需要反复的去测试，在失败中再次调试的，自己调整模型编程会更加高效。
3.求职第三步：面试 一场场和高手对决的比赛
作为学生找第一份工作时，费尽千辛万苦才拿到一个面试，那时候你的心态肯定是能有工作就不错了，但当你后来你拿的面试越来越多，你会发现你有资本去选择工作了，这个时候面试官就是你对这个公司留下第一印象的人，面试官的一些表现实际上也能左右你最后的选择。
K导师的求职过程中，就对几个面试官印象非常深刻。
前两位是来自一家独角兽保险科技公司的面试官。K导师告诉学姐，面试时，他们一开口就能感觉到非常聪明，开始面试的时候，对话是非常舒服的，但是面到后面就会有一种恐惧，你怕你加入之后拖了团队的后腿。面试的第一轮是就是一位来自MIT（麻省理工）的小哥，这是K导师第一次和一个MIT本科毕业生的对话，当时跟小哥非常的谦和，就根本看出来是来自MIT并且在Goldman Sachs工作过，在面试过程中交流让K导师觉得能力超群但又很如沐春风，让人有一种非常想加入公司的冲动，第二轮面试官是一位来自于芝加哥大学的Ph.D.(博士)，脑子转的非常快并且思路清晰，K导师需要非常专注才能跟上他的节奏，和这两位面试官聊过后，K导师对这家独角兽公司好感度翻倍。
还有一位是麦肯锡Onsite（实地）面试的招聘官，他的来历也不小，曾经担任过几年法国LV电商的负责人，后来来到了美国进入麦肯锡。当时他面试K导师Case Study（案例研究）时，几个问题就让K导师感受到了他的功力。中规中矩的面试官是会一个一个问题问你的，而这位麦肯锡面试官，从头到位就一个Case Study，不停的发问，K导师需要不停的去思考，每一个问题自己都没准备，但每一个问题却都可以用之前的一些知识去回答。面试完之后，K导师总结后发现，虽然只是一个Case Study，但它包含了很多的知识，都给串到一起了，这个面试问题设计的太好了。而这些案例，可能就是你未来工作真实场景中需要解决的问题。
Case Study（案例研究）很多时候不是能够准备的，因为很有可能就是面试官们上周遇到的新鲜问题，很可能是你未来工作场景中，需要解决的问题。当你开始回答时，就要做好心理准备，他们会有一系列的连环问，问的还非常细，去细究你提出的解决方案，甚至会与一些Push（施予压力），看起来十分的吹毛求疵。这主要一方面是看你的抗压能力，一方面是看你的业务能力熟不熟练，看申请者的Limitation（极限）在哪里。
而作为面试者，尤其是作为Data Analyst和Data Scientist（数据科学家）的面试者来说，很可能会被问到新问题，这个时候只要你对数据处理的流程，在心中有清晰的脉络，了解具体如何去实施，记住对于不同模型应用中的一些细节的处理，就能够体现出你是一个基本功扎实，有条理、并且懂得Deep Dive（深究）的人。
而Case Study（案例研究），在Tech 公司几乎是跑不掉的题型。比如说像Visa他们可能就会问，比如说有一个合作商家，跟他们不合作了，因为手续费问题不合作，你怎么去衡量影响？比如说Uber，可能就会说我们新推出一个Feature(功能)，怎么样去衡量它的好坏？又比如说Amazon，可能会给面试者几个Table，让你从一个大方向上来分析，有什么问题。像Facebook则有可能会问，Ins推出一个新功能，你怎么去衡量这个功能是否有效？Case Study（案例研究）更多的还是贴近于公司的业务本身，所以在面试前也要去了解公司的业务和行业的动向。
数据岗的前期准备，其实像在雾里航行的感觉。如果说你能找到在公司或者在同行业任职的人，提前了解一下职位的日常职责和行业环境等等，那真的是事半功倍了。作为职图导师，K导师深知这一点，也尽可能地帮助每一位学员，了解到更加真实的数据分析和数据科学，在各个行业的应用。
每一段经历都需珍惜，不停歇学习才能无敌
回首自己的跳槽之路，不管是在小型公司，在中国公司，在金融名企，还是在保险巨头，以及现在在Amazon，每一段经历都让自己成长，都学习到了新东西，对未来的转变都是有用的。 在国内的金融工作经历，让K导师成功走到麦肯锡最后一轮面试；在中国公司做小体量数据分析，让他在入行的同时，有时间和空间去成长，并且获得了H1B Sponsor（工作签赞助）；在保险公司让他精进自己的数据建模能力，并且Get 编程能力。每一段经历和每一个技能都是有用的。
对想要进入数据领域的同学们，K导师还有以下建议：
1.数据岗都有哪些Title（职位名称）？
在找数据分析工作时，我们会被很多Title给迷惑，像Data analyst （数据分析师），Business Analyst（商业分析师），Business Intelligence Analyst（商业智能分析师），Data Scientist（数据科学家）等等。首先不要被名称所迷惑，因为不同的公司实际上差距甚至非常大，职责是非常不一样的。从简历上来说，要有不同要针对不同的Title 有不同的简历，不同的侧重。
2.哪些专业的同学是可以转型成为Business Intelligence Engineer（商业智能工程师）？
需要有一些统计的背景，Business Analytics（商业分析）专业，或者计算机专业，Information System（信息系统）专业，也有完全不是理工科背景的同学转专业，比如说心理学，运营等的，只有坚定的心去转，有合理的学习规划，以及高效的学习方法，也是有转型成功的例子的。可能会有难度，需要更长时间，一步踏不过去，但是可以慢慢踏。
3.Data Analyst / Business Intelligence Engineer / Data Scientist（数据科学家）之后的Career Path是怎样的？
比较普遍的是两种，第一个就是在Business Intelligence Engineer这条路上，然后是Senior （资深），然后是 Principle（首席），这条线相当于不管理团队；如果说你想带团队的话，第二种就是往Manager方向走；当时有人做一做，就想往Product Manager（产品经理）的方向转型。
如果想往Data Scientist（数据科学家） 发展，你基本上就是两条路，一是去像Facebook或者Airbnb这样的公司，数据和公司的业务联系非常紧密，Data Scientist（数据科学家）就是去负责一个Feature(功能)，比如你去负责一个时间流，或是去负责Post，把这个做到极致，这样实际上对一个Data Scientist（数据科学家）来说，需要对业务的认知要更深刻。另一条路就是往Engineering发展，比如说像Amazon里面有一个职位叫Applied Scientist（应用科学家），实际上就是Data Scientist（数据科学家） + 过SDE LEVLE 1 的标准。
4.哪些技能一定要掌握？
从“应试”角度来说，首先是SQL要非常熟练，要做到Advanced（精通）。因为所有数据岗都会考SQL。接下来就看自己的偏好了，如果投的公司岗位，ETL较多还是Python多一些，或者是Machine Learning Statistic（机器学习统计）的要求多一些，来做准备。如果是对统计模型和Machine Learning不是那么精通的同学，可以先从Business Analyst 和 Data Analyst开始做起，然后一点一点去积累这些经验，然后再往其他方向跳。
从未来职场发展来说，尤其是想要转行的人。重点应该是：第一点叫做坚持学习，持续学习，终生学习的理念。因为你本来你想转行，你就比其他专业的人有差距，你如果不加速，怎么和他们竞争？进入公司后，也要坚持学习。因为Data Science（数据科学）发展非常的快，而且不同的业务的Data Science（数据科学）发展也非常快，你如果不坚持学习，你会发现很容易就跟不上了，想再往上走就挺难的了。第二点，就是能分清主次，不管是在工作也好，还是在求职也好，你知道什么时候该做什么事情，哪些事情你应该往后推，哪些事情要优先解决。
对即将迎来秋招的同学们，K导师也想给他们打打气：
“我的建议叫做不要妄自菲薄，也不要妄自尊大。现在找工作，是僧多粥少的环境，但是你一定不能忘，不能轻易的就对自己失去信心，特别是三年OPT的同学。工作是有的，但需要你付出很多的心血。在美国求职比国内找工作是要难很多，但是一定要有平和的心态。不管你投简历的结果怎么样、面试如何，心态一定要平和，一定要坚持下去。
大家都是或多或少的经历过有一些坎坷，但是都还是坚持总会找到的，但是这个过程可能就是有些人长一点，有些人短一点。当然你经历的多一点，你可能学习到的东西也会更多。”
不要妄自菲薄， 不要轻易失去信心！只要保持不断学习，提升自己的硬技能和实力，总有一天，机遇会降临到你头上。最可怕的不是没有机会，而是当机会来临时，你却没有做好充足的准备。
加入职图飞跃计划远程实战课程，与名校同学、名企导师一起，实现职场飞跃！
扫码回复【PS 0】咨询项目详情
对商业分析、数据分析感兴趣？
6月4日，Google Business Analytic Lead
教你如何面试科技大厂Analytics岗位
都看到这儿了，不如点个“在看”吧
