03_美国data找工个人经验分享Technical Part

美国data找工个人经验分享-Technical Part

一晃来美国也好几年了，从一个懵懵懂懂、看什么都新鲜的留学小白，到现在在tech公司里当一个熟练的“搬砖工”，真的感慨万千。今天这篇，不说虚的，纯纯就是想和大家掏心窝子聊聊我在美国找data工作的technical part，特别是那些让我头秃、让我怀疑人生的面试经历，希望能给正在这条路上奋斗的你一些小小的参考和慰藉。

我的故事得从我踩的第一个大坑说起。刚开始找工作的时候，我和绝大多数人一样，觉得Data Analyst (DA) 岗位是“新手村”，门槛低一点，应该比较容易上岸吧？但说实话，这个想法真的太天真了。DA的简历池子简直就是个无底洞，什么背景的人都有，乌央乌央的，竞争激烈到让人窒息，而且薪资天花板也肉眼可见。我海投了无数份简历，感觉就像石沉大海，连个响儿都没有。好不容易有几个面试，也都在“tell me about yourself”之后就没了下文。那段时间真的特别挫败，天天窝在公寓里，看着窗外的蓝天白云，心里却是一片阴霾，天天怀疑自己是不是真的不适合干这行，甚至一度想过要不就打包回国算了。那种感觉，就像在一个黑暗的隧道里，看不到一丝光亮，充满了无力感。

后来痛定思痛，和一个已经上岸的前辈深聊了一次，他一针见血地指出我的问题：方向错了。他告诉我，对于想在tech领域深耕的人来说，Data Engineer (DE) 和 Data Scientist (DS) 才是更值得努力的方向。特别是DE，市场需求巨大，而且越老越吃香，薪资也比DA高出一大截。听君一席话，胜读十年书。我茅塞顿开，立马调转船头，主攻DE岗位。这个决定，现在回头看，真的是我求职路上最正确的一个选择。

转攻DE之后，我才发现technical interview的画风完全变了。不再是之前DA面试那些偏向business sense和case study的软性问题，而是真刀真枪的硬核技术考察。踩过坑的人都知道，DE的面试非常注重细节和实际操作经验，面试官会默认你不仅懂理论，还要能立马撸起袖子上手干活。他们想找的是一个能解决实际问题的工程师，而不是一个只会纸上谈兵的分析师。面试官的眼神里，透露出的都是“show me the code”的期待。

SQL是DE面试的绝对核心，但如果你以为只会一个SELECT ALL FROM table就万事大吉了，那可就大错特错了。窗口函数 (window functions) 比如 ROW_NUMBER(), RANK(), LEAD(), LAG() 是家常便饭。公用表表达式 (CTEs) 也是必须熟练掌握的，因为复杂的查询逻辑基本都靠它来组织。各种JOIN（特别是LEFT JOIN和OUTER JOIN）的灵活运用，更是基本中的基本。我面试的时候，就被一个面试官追着问TRUNCATE、DELETE和DROP的区别以及它们对transaction log的影响，当时我只答出了表面的区别，对于底层的实现机制就说得含糊不清，场面一度十分尴尬。还有一次，一个面试官直接甩给我一个复杂的业务场景，让我现场在白板上写一段SQL来解决data inconsistency的问题，那段SQL里要用到好几个窗口函数和子查询，当时我真的紧张到手心冒汗，感觉脑子都快转不动了，白板笔在手里抖个不停。那次面试之后，我回去把所有SQL相关的知识点都重新梳理了一遍，从最基础的GROUP BY到复杂的PIVOT，都自己动手写了好几遍，才算心里有了点底。

除了SQL，Python也是必考项。倒不是说要你现场写出多么复杂的算法，但基本的数据结构，比如list, dictionary, set的熟练使用是必须的。我遇到过让我用Python处理奇形怪状的字符串、解析一个超大的JSON文件、甚至用Flask写一个简单的API接口的。有一次，面试官让我详细解释Airflow的DAG是怎么工作的，怎么schedule tasks，如果一个task失败了要怎么处理，怎么设置retry机制。这些东西，如果没有实际做过项目，光靠在LeetCode上刷题真的很难答得上来，因为面试官会追问很多细节，比如“你当时为什么选择用KubernetesPodOperator而不是BashOperator？” 这种问题，没踩过坑的人根本答不上来。所以，我强烈建议大家，一定要自己动手做几个完整的项目，把整个data pipeline跑通，这样在面试的时候才能游刃有余。

ETL (Extract, Transform, Load) 流程更是面试的重中之重。面试官会问得非常细，比如你之前项目里的data pipeline是怎么设计的，数据源是什么（是Kafka消息队列还是S3上的文件？），数据量有多大（是GB级别还是TB级别？），用了哪些工具（比如Apache Spark, Flink），怎么做的data validation和data quality check。我记得有一次面试，面试官就揪着我简历里的一个项目，从头到尾把整个ETL过程问了个遍，细到连“你们的表是怎么命名的？遵循什么规范？”这种问题都没放过。不得不说，这种刨根问底式的提问，真的能检验出你是不是真的做过，还是只是在简历上“包装”了一下。所以大家在准备面试的时候，一定要把自己的项目经历梳理得清清楚楚，每一个细节都要能说出个所以然来。

数据库相关的知识也必不可少。Star schema和snowflake schema的区别以及各自的优缺点，HBase和传统关系型数据库（比如PostgreSQL, MySQL）的对比，HDFS和RDD的区别，这些都是高频考点。我之前面试JPMC的SDE II (DE方向)时，就被问到了data migration和git deployment的策略，当时就有点懵，因为确实没怎么深入准备这方面的东西，回答得磕磕巴巴，结果可想而知。所以大家千万不要有侥幸心理，觉得这些东西不重要，面试官可能不会问。恰恰相反，这些基础知识，最能体现一个人的技术功底。

另外，像Tableau, Power BI这类BI工具，A/B Test, Machine Learning的基础知识，面试官也可能会顺带问一下。虽然不要求你精通，但至少要了解基本概念和应用场景。我最终上岸的这家公司，在最后一轮面试的时候，面试官就问了我一些关于Tableau dashboard performance tuning和A/B test结果解读的问题，幸好我之前有所准备，才没有露怯。特别是A/B test，现在很多公司都非常看重，所以建议大家一定要好好准备一下相关的知识。

一路走来，磕磕绊绊，我最大的感悟就是，找工作这件事，真的没有任何捷径可言。刷题固然重要，但它只能帮你通过最初的OA筛选，真正到了technical interview的环节，面试官看重的是你扎实的理论基础、丰富的项目经验以及解决实际问题的能力。对于我们留学生来说，英语和沟通能力也是一道无形的坎。很多时候，我们不是技术不行，而是没有很好地用清晰、有逻辑的语言把自己做过的东西和自己的思考过程展示给面试官。回想起来，那段日子真的很煎熬，每天都在刷题、投简历、面试、被拒的死循环中度过，有好几次都想干脆放弃回国算了。但好在，所有的坚持和努力，最终都没有被辜负。希望我的这点血泪史，能给正在迷茫和挣扎的你一点点鼓励和启发。找工作就像找对象，有时候真的看缘分，也看时机。在那个对的offer到来之前，我们唯一能做的，就是不断打磨自己，让自己变得更强，更有底气。祝大家都能早日上岸，拿到自己心仪的offer！

#美国求职 #data #datascience #dataanalytics #dataengineer #tech #工作 #留学 #找工作 #经验分享

延伸阅读 Recommended Reading

• Gilead Sciences Data Engineer面试题和答案
• Meta DS Product Analytic面试分享
• 美国DS NG Career Fair会惩罚每个不做攻略的人（干货）
• Bain Business Case面试题和答案
• Eli Lilly Data Engineer面试题和答案
• Regeneron Data Engineer面试题和答案
• 美国DS NG Career Fair会惩罚每个不做攻略的人（干货）
• Moderna Data Engineer面试题和答案
• Pfizer Data Engineer面试题和答案
• AbbVie Data Engineer面试题和答案