隨著大數據時代的開展，網路上充斥著許多資訊，而從眾多資料中分析並萃取見解，便是數位時代的關鍵能力之一，也就是資料科學家（Data Scientist）的核心工作內容。《哈佛商業評論》更在十年前指出資料科學家（Data Scientist）是「21 世紀最性感工作」。 資料科學家都在做什麼？薪資待遇怎麼樣？如果想應徵資料科學家需要具備什麼能力？本篇文章將和大家分享資料科學家工作內容、需具備的技能及相關工作資訊。文章大綱一、什麼是資料科學家？資料科學家工作內容有哪些？二、資料科學家薪水是多少？三、資料科學家必備 9 技能與求職指南一、什麼是資料科學家？資料科學家工作內容有哪些？資料科學家（Data scientist）的定義資料科學家顧名思義，實驗對象針對「資料」本身，尋找商業問題並落地解決。不過一個數據團隊中的資料工程師、資料分析師跟資料科學家乍看之下十分類似，三者其實具有不同工作內容。 資料工程師（Data Engineer）工作主要以架構並維持資料庫平台為主，方便公司儲存繁雜資料，資料分析師（Data Analyst）負責數據分析，利用 SQL、Excel 等工具針對一串資料解釋，而資料科學家（Data Scientist）像是資料領域的組長，需從資料中分析、處理及建模數據，同時具備統籌資料、發現問題、著手解決問題的能力。 資料科學家工作內容資料科學家的工作領域橫跨多面向，先是制定資料分析的策略，從網路、手機、感測器中找到需要解決的問題，此過程也稱作資料驅動（Data Driven），再用 Python、R 程式語言把數據建模，最後將模型部署，應用於日常工作中。因為繁複的工作量，資料科學家可以說是集結統計學、程式設計及機器學習知識於一身的職位，同時需要大量跨部門工作，和團隊夥伴溝通工作事項。 具體來說，資料科學家在執行專案時，工作步驟大致如下： 與客戶溝通資料分析目的，尋找資料分析的需求及目標規劃資料搜集方法，定義資料清理的邏輯拆解問題並提出假說，進行驗證建立資料模型，更新與優化安排專案的優先順序二、資料科學家薪水是多少？資料科學家的薪資待遇與工程師相似，剛從大學畢業的資料科學家，起薪約每月 40k 至 50k，不過各公司規模起薪不一，年資 1 至 2 年以上，月薪能達到 80k 至 90k，如果年資為 5 年以上，年薪則可能破百。職場資訊社群平台 Glassdoor 有數據顯示，2022 年台灣資料科學家的平均年薪為 116 萬，而目前資料科學家職位仍屬於新興職缺，人才供不應求，為未來時代的重要工作之一。 推薦職缺 三、資料科學家必備 9 技能與求職指南資料科學家工作必備 9 大技能如果看完上述介紹，對於資料科學家感到興趣，以下為應徵資料科學家時，需要具備的 9 大技能，分成硬實力和軟實力兩種類別： 💡 硬實力分為以下 7 項：Python 與 R 程式語言（Python Coding／R Programming）資料科學家雖然主要工作並非程式撰寫，但需要整理大量數據資料，因此須利用 Python 與 R 程式語言，作為統計運算、整理數據資料的輔助工具。SQL資料庫管理系統操作能力（Database/Coding）資料科學家有 60% 皆在清理數據，由於工作內容涵蓋清理大量資料，因此具備 SQL 技能、程式語言技能，才能幫助自己在茫茫大海的資料庫中，快速準確找到需要的訊息。數據分析及處理能力（Data analysis）清理完數據後，資料科學家需從數據中萃取提煉有用的資訊，解決最初資料分析的商業目標，所以對數字須具備一定程度的敏銳度與洞察力。資料視覺化能力（Data Visualization）為了方便解釋數據分析完的結果，資料科學家須把資料視覺化，由淺入深地解讀給公司高層主管以及客戶，讓他們能理解數據分析產出後的資訊意涵。機器學習與人工智慧技術（Machine Learning and AI）資料科學家有時候也會利用機器學習與人工智慧模型，包括選取演算法、微調超參數等工作，檢驗模型是否能解決商務問題。高級數學與統計學知識（Mathematics and statistics）不管是在做統計分析還是機器學習的模型，資料科學家都會用到大量的微積分、線性代數、機率論，因此高級數學與統計能力也是資料科學家必須掌握的能力之一。行銷理論與實務經驗（Marketing theory and practical experience）由於資料科學家最終產出的模型與解決方案，將直接影響公司的營運和行銷方向，所以具備行銷基本概念，對於公司後續的行銷策略能大大加分！ 💡 軟實力分為以下 2 項：跨部門交流與溝通能力（Communication skills and Teamwork）由於資料科學家工作涵蓋的範疇大，需要與資料分析師、資料工程師，還有各部門團隊夥伴多方溝通需求並優化模型，因此若能有效率且順利地跨部門溝通，能幫助推動業務進度。具有喜好洞察數據、觀察商業問題的特質資料科學家的工作無不圍繞在數據本身，每天工作需要長時間清理、建模數據，因此面試官在提問時，也會在面談中觀察求職者是否具備強烈好奇心，對於數據抱有熱情。 資料科學家工作的履歷與面試技巧💡 資料科學家履歷 3 大加分要件 過去經驗朝「結果導向」撰寫，而非「任務導向」由於許多資料科學家皆具備 R、Python 等程式語言技能，因此在履歷上，不用太著墨利用這些程式語言所執行的專案，而是把專案的成果寫出來，展現定義及解決問題的能力。在專案中提及「非結構化」資料非結構化資料指的是語音檔、影像檔、PDF 檔案等沒有固定欄位及形式的資料，比起結構化資料，較難以分析清理。求職者若在描述過往從事的專案中，放入處理非結構化資料的說明，能夠展現出自己不僅能處理一般資料集的能力！強調自己的「溝通技能」因資料科學家需進行大量跨部門溝通工作，建議求職者可於過去經驗中，提及與其他部門合作交流的經驗，彰顯溝通表達能力。 💡 資料科學家面試 3 大技巧 經驗題：利用 STAR 原則，強調 Situation 的挑戰性及量化 Result 數據面試官可能詢問求職者，過去在資料科學領域的專案經驗，此時，求職者便能利用 STAR 原則：Situation（情境）、Task（任務）、Action（行動）及 Result（結果），並且在描述情境時，講清楚問題的挑戰性，最後將結果以數字量化，反映出具體的商業目標。行為題：面試前整理好「故事庫」，失敗經驗也沒關係！為了確保求職者具備「溝通」能力，面試官可能會問「過去有沒有和資料分析師遇到衝突？當時如何解決」、「如果對方看不懂數據，如何說服他並採取你整理的結果？」等問題。建議求職者預先準備多則故事，遇到問題時直接以實戰故事分享，即便是失敗經驗也無妨，可從失敗經驗中提取學到的事情，增強說服力。機器學習技術問題：多網羅面試題庫，精簡扼要描述碰到「為何在某場景使用 A 模型而不用 B 模型？」這類問題時，建議求職者在回答時，把自己選擇的機器模型亮點提出，濃縮成2至3個句子即可，清楚讓面試官知道你選擇的理由及策略。 資料科學家工作的職涯發展資料科學家的專業可應用在 5 個層面：具有「大數據分析」、「資料科學自動化」、「雲端和資料科學」、「自然語言處理」及「物聯網」產品或服務的產業中。如果是社會新鮮人剛踏入資料科學家領域，剛開始的工作目標較著重於你開發的演算法能否讓工作流程更順暢、優化公司數據指標，接著進入較資深的資料科學家職位，目標漸漸朝向決策性質，像是如何用資料科學讓公司的商業風險降低等問題。簡單來說，資料科學家的職涯有點像是打怪的過程，會從一開始處理較為簡單的單一問題，漸漸轉變為解決集結各種小問題的核心風險、價值問題。 舉例來說，假設你在某 SaaS 產品工作，剛開始會先預估產品成效或實驗優化成效等，最後可能會逐步進階至產品週期成效預估、各國續訂率，甚至是整體產品風險等跨領域問題。因此建議對於資料科學家有興趣的求職者，除了進修程式技術，也可增強專案經理、行銷知識、用戶體驗等方面的跨領域視野，結合技術與知識解決商業問題。 不管是還在大學或研究所學習，抑或是社會新鮮人，正思索職涯目標的你，相信看完這篇文章之後，可以讓你更了解資料科學家需要的軟硬實力，掌握資料科學家的工作內容，順利應徵上理想職位！ AI 工作全攻略｜搜尋完整 AI 職缺隨人工智慧風潮橫掃各行各業，催生出大量新興 AI 職位和需求。該怎麼找 AI 工作機會、躋身高薪 AI 產業？一覽 Cake 完整的AI 職缺情報，應徵你夢寐以求的 AI 工作！ 透過Cake AI 人工智慧主題職缺專頁，快速掌握人工智慧相關職缺與求職攻略 延伸閱讀：資料科學家要有哪些技能？精選 11 門資料科學自學資源、求職管道 推薦職缺

資料科學是近年來最夯的工作之一，尤其金融、科技產業更積極找尋資料科學、數據分析的相關人才，《哈佛商業評論》更稱資料科學家是「21 世紀最性感的工作」，年薪還至少上看百萬！ 如果想踏進資料科學的領域，要具備哪些技能，該從哪些自學資源下手？想成為資料科學家又該去哪裡找工作呢？接下來就分別以資料科學的「自學資源：線上課程」、「自學資源：推薦書單」和「求職管道」三大重點介紹，讓你把資料科學的技能樹點好點滿！資料科學自學資源 1：線上課程 1. Introduction to Data Science講師：Data Hawk Tech 資料科學諮詢公司平台：Udemy費用：約台幣 370 元（根據平台優惠活動價格可能不一）課程時長：3 小時 如同課程標題敘述的，這是一堂資料科學的「入門」課程，所以會全面、概要性地講述，也簡單涵蓋了 Python 和 R ，但不會非常深入。因此推薦給想試試水溫、了解資料科學可以應用在哪些領域、總共包含哪些範疇的人。 2. Data Science A-Z：Real-Life Data Science Exercises Included 講師：Kirill Eremenko 平台：Udemy 費用：約台幣 370 元（根據平台優惠活動價格可能不一） 課程時長：21 小時 這門課涵蓋了資料科學的各個項目，課程中也會提供實際的例子幫助學生理解，總體的課程評分非常高，有 4.6/5 顆星。 不過要注意的是，這門課等於是從 0 到 1 、手把手地帶你認識資料科學的世界，考慮到上課學生的 coding 能力可能不太一致，這門課並沒有使用 Python 或 R，而是用了 gretl、Tableau、Excel 等工具，避免學生在學習資料科學時陷入不會程式的困境。這堂課最主要的目的，還是著重在幫助學生建立資料科學的架構。 3. Data Science and Machine Learning Bootcamp with R 講師：Jose Portilla 平台：Udemy 費用：約台幣 370 元（根據平台優惠活動價格可能不一） 課程時長： 18 小時 這堂是以 R 為主要語言的資料科學課程，將會涵括資料科學、機器學習和資料視覺化，可以同時當作學習 R 和資料科學的入門。 4. CS109 Data Science 講師：Pavlos Protopapas, Kevin Rader, Mark Glickman, Chris Tanner, Joe Blitzstein, Hanspeter Pfister, Verena Kaynig-Fittkau 平台：哈佛大學 費用：免費 課程時長：約 12 週 這是哈佛大學的公開課程，完全免費，而且所有影片都是在哈佛大學的課堂上實錄的；是一門以 Python 為主的資料科學課程，每個科目都很深入、紮實，大約需要 12 週的時間學習。 如果你對使用 Python 處理資料科學有興趣，希望完整地學習，而且時間上也有餘裕的話，可以考慮這堂課去打好資料科學的基礎。 5. Introduction to Data Analytics for Business 講師：University of Colorado Boulder 平台：Coursera 費用：免費試聽、高階內容需付費 課程時長：約 11 小時 這堂課偏重 SQL，以資料科學的實際業務應用為主，比較少視覺化的內容；如果你想精進資料科學領域中的資料庫模式建立、資料存取控制，就可以參考這門課程。 6. Data Science Essentials 講師：Microsoft 平台：edX 費用：免費（完課證書需額外支付 99 美元） 課程時長：18-24 小時（每週 3-4 小時，共 6 周） 這堂資料科學課程是基於 R 、Python 和 Azure ML 等工具，介紹資料處理流程、資料視覺化以及入門的機器學習，全面涵蓋了資料科學可能會碰到的所有面向，而且都會談到一定的深度。 除了我們介紹的這些海外線上資源之外，台灣也有許多資料科學的中文資源可以學習，例如線上課程平台 Hahow ，就有提供豐富的資料科學課程，有興趣可以自行搜尋參考，選擇適合自己的課程學習。 資料科學自學資源 2：推薦書單 1.Data Science from Scratch 中文版：用 Python 學資料科學 這本書是由一位 Google 的軟體工程師所撰寫，介紹用 Python 進行資料開發的主流工具庫，包括 IPython, Pandas, Scikit-Learn 等等。想透過這本書學習資料科學的話，需要具備一些程式設計的基礎，會探討如何處理各種數據資料，以及靈活運用貝氏、決策術、神經網路等等模型，也會幫助建立資料庫的相關知識。 2.高效率資料分析：使用 Python 這本書適合想要用 Python 做資料分析的初學者，就算沒有程式經驗，也可以跟著書中的教學一步步上手，讓你學會用 Python 自動處理與分析各種格式的資料，還有透過 Python 模組去分組資料、產生統計結果等等。 3. Probability for the enthusiastic beginner 如果想從零開始認識統計，這一本書會是很好的入門，它包含了所有的統計基礎內容，像是貝葉斯定理、期望值、偏差、機率分佈及回歸分析等等，循序漸進跟著書中學習，會獲得非常紮實的統計背景知識，對於理解資料科學有頗實際的幫助。 4. Think Stats 中文版：《統計思維：程序員數學之概率統計》 講解概率統計的入門書，作者會說明如何用程式來理解統計學，透過案例研究，介紹數據分析的流程——收集數據、生成統計、發現模式、驗證假設等等。強調實際應用的技巧，很適合有程式基礎的人進行跨界學習。 5. Think Bayes 中文版：《貝葉斯思維：統計建模的 Python 學習法》 大部分與貝葉斯統計有關的書，都是以數學為主要脈絡；而這本書特別的地方就在於，是用 Python 來入門介紹，適合有一點程式和統計基礎的人。 和上一本書的作者相同，一樣從現實生活中會遇到的問題下手，協助讀者建立建模決策的方法論、替具體問題建立數學模型，再一步步優化或驗證模型，當中運用到的邏輯思維也和資料科學家的工作重疊，可以學到紮實的方法論。 求職管道：有了資料科學的技能，又該如何找到資料科學家的工作呢？ 1. 新創媒合平台 想成為資料科學家要去哪裡找工作呢？由於資料科學是近幾年新興的工作職缺，所以建議從新創媒合平台去搜尋資料科學的職缺；如果已經有鎖定特定產業的資料科學家，也可以直接在目標企業的官網求職區投遞履歷，順便觀察公司的網路形象，以及對職位、候選人的細節描述和能力要求。 另外想提醒的是，透過這些新型態的求職管道應徵，就盡量不要使用傳統人力銀行的制式履歷，而是針對各家公司的需求撰寫，客製化傳達自己在資料科學、數據分析能力的履歷，才有較高的機率獲得面試機會。對資料科學、數據分析的工作有興趣嗎？點這裡看更多職缺 2. 獵人頭公司 如果你是在業界工作 3、5 年的資料科學家，有一定的資歷和戰績實力，也累積了一些作品和人脈，這時候獵頭通常會主動找來。產業界前幾名的企業 HR 通常都和獵頭公司有交流，當企業在徵求資深或高階人選時，也經常會透過獵頭公司搜尋。所以如果你還是年輕的資料科學家，透過專案累積實力、參與交流聚會拓展人脈，都是可以經營的求職方向。 3. 網路社群 對大企業來說，如果要從網路社群搜尋人才，十之八九會透過 LinkedIn ，特別是有海外人才需求的企業、科技新創企業等，所以平時別忘了經營自己的 LinkedIn 帳號，如果有一些產業界的大神替你的資料科學技能背書，對 HR 來說是十分有可信度的。 另外，參加聚會、社團，也一定會接收到許多職缺的資訊，像是台灣就有 Data Science 資料科學、Data Science Meetup 台灣資料科學社群等臉書社團，加入後除了技術交流分享，還可以經常獲得許多資訊、培養人脈，不論是新手資料科學家，想要慢慢培養經驗，或者是有資歷的資料科學高手，想開拓眼界、認識更多神人，都很適合透過網路社群達到效果。 希望大家都能透過這些資源，找到最適合自己的學習和求職管道，成功朝資料科學家的路上邁進！延伸閱讀資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(上)資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(下)想成為 Data Scientist？日本樂天資料科學家 Marcus 的 Amazon 經驗與跨領域歷程

有句話是這樣說的，大學有三大必修學分：「課業、社團、愛情」。學生因為升學而被壓抑了 10 幾年的興趣、自我常常在大學階段大鳴大放。因此，想必大家都遇過這兩類的同學：第一種是非常專注於課業，持續認真唸書、為未來職涯鋪路；第二種是再也無法安靜坐在書桌前，而是四處探索有趣的事物、投注在各式各樣的社團及活動中。《科技職涯》Podcast 第二季第 19 集的來賓 Marcus，便是屬於後者。畢業自政大資管系的 Marcus，在大學的前兩年花費了非常多心力在熱舞社中，甚至考慮過要此維生。大三才開始認真思索未來的他，是如何在短短兩年內的時間培養自己的 hard skill？如何準備 50 多場面試，最後拿到 Amazon 的 Analyst offer？又是如何在今年六月順利加入日本樂天擔任 Data Scientist？如果你也對於資料科學的工作有興趣，或是想聽聽 Marcus 充滿啟發性的準備過程，推薦你本集的《科技職涯》Podcast！Podcast 各節摘要02:35 Marcus 的大學生活是什麼樣貌？05:35 是什麼樣的契機讓 Marcus 決心要前往資料科學領域？07:15 Marcus 為了求職、成為 data scientist 做了哪些努力？10:30 為什麼 Marcus 會在初次求職時經歷超過 50 場面試？13:25 白板題該如何準備？14:55 想要跨領域進入資料科學領域該怎麼開始？該投入多少時間？18:15 請 Marcus 跟我們分享在 Amazon 的工作內容21:45 身為 Analyst 要怎麼和 marketing、sales 協作？22:50 Amazon 的 Analyst 跟日本樂天的 data scientist 的工作差異是什麼27:45 如何弭平Analyst 跟 data scientist 之間的能力與工作內容落差29:45 熱舞社的經歷如何為 Marcus 加分？34:00 大學成績對於求職的影響？36:15 目前遠端工作的 Marcus，跟日本樂天的團隊合作起來的感覺如何？37:20 請 Marcus 給一樣跨領域的求職者一點建議從熱舞社活躍社員到 Marketing Analyst 如同許多在台灣的教育制度下成長的學生，Marcus 在入學前其實沒有深入了解自己所要就讀的科系，因而在課程開始後發現自己在銜接上有些困難，也在同儕的氛圍影響下漸漸變得消極和迷惘。大一大二將課業看得次要的他，漸漸把自己的心力和熱忱都投注在熱舞社。 美國打工換宿開啟新的眼界 大學生活就在舞步和音樂中過了一半，Marcus 在大二升大三時去了美國打工換宿，在那段時間中他接觸了許多以前從未想過的認知和故事、體驗了不同的文化，心中萌生了許多想法跟動力，認為自己其實有很多可以做的事，也絕對有能力改變現況、追求更理想的生活樣態。 回到台灣後，Marcus 還記得自己駐足在政大商院一樓的佈告欄前，希望在眾多資訊中，找出自己喜歡、未來能夠做的事。他嘗試了各種範疇，像是行銷、供應鏈管理，最後在專注於計劃和資料處理的商業分析中找到了興趣。隨著相關的課程越學越多，他更瞭解了這個領域的未來趨勢，因此決定往這個方向前進。 線上課程自學與資料科學精進 接著，Marcus 利用線上課程平台 Udacity 、資料科學平台 Kaggle 正式地以技術的角度入門資料科學，每週投入約 4-5 個小時。首先，他果斷地購買了要價不菲的 Udacity 課程，利用來自歐洲與美國顧問公司所合作提供的真實市場調查資料，開始練習寫 project，並在過程中逐漸摸索出自己的優勢。 除了自學，資料科學平台 Kaggle 也提供了 Marcus 不少實用的社群資源。機器學習（Machine Learning）、預測比賽、專案分享、領域討論等等，Marcus 利用 Kaggle 練習自己寫程式和分析的能力，也發現自己的成果有越來越多人按讚、討論，同伴帶來的支持與成就感，讓 Marcus 更能夠持續地累積實務練習的經驗。 50+ 的面試經驗 找到自己想要鑽研的領域後，Marcus 計畫大學畢業後到美國就讀商業分析研究所，卻沒有順利錄取。決定投入職場後，出於對自己的期待和企圖心，Marcus 設立了很高的標準，因而開始了超過 50 場面試、長達半年的求職過程。 在這半年中，其實 Marcus 在前五場面試後就順利拿到了一個 offer，是一家新創公司的 Business Analyst。面試時對方與他聊了商業理解能力、分析方法等，並沒有實作的 coding test。儘管 Marcus 對於這家公司的印象很不錯，但是他看不到個人職涯的未來發展性還有長遠價值，也擔心自己當時的能力與該公司的產品無法相得益彰，因而忍痛拒絕，繼續看不到盡頭的求職旅程。 第一份工作：Amazon Marketing Specialist–Analyst 在經歷了 50 多場面試後（其中光是泰國 Agoda 的 5 個不同職位就包辦了 15 場！），Marcus 終於在不斷正面迎擊自己的劣勢、練習優化面試與白板題表現後，順利拿到了 Amazon Marketing team 的 Analyst 一職。 除了能力上的準備以外，Marcus 也分享自己在 HTC 的 PM 實習經驗對於拿到 Amazon 這個 offer 的幫助。當時他需要在兩個月內 demo 出一個產品，必須同時進行網站架設、 UIUX 設計、資料分析。Amazon 的這份工作需要一個技術背景較完整的人才，正好與 Marcus 的經驗不謀而合。從 Marketing Analyst 到 Data Scientist Amazon Marketing Analyst：business sense reporting Marcus 所在的台灣 Amazon Marketing team 對於 Analyst 最主要的需求是報表的製作，比起計算銷售數據，更加專注於整個產業的優勢和發展潛力，並解釋數字的成長與需求，期待能夠招募大型的品牌作為賣家，像是 AZUS、Acer。 因為資料分析相關的人力不多，Marcus 有時也會需要支援其他部門的需求，在合作上就會關不不同的重點。像是 Sales team 就會希望將所有資源投注在最有潛力、銷售成績最高的賣家，而 Marketing team 則會希望能夠把握 mass communication 的原則，照顧到所有的客戶。因此，透過溝通兼顧不同組別的期待並爭取到希望的資源，便是 Marcus 在 Amazon 時需要投入的事務。 因為是整個大中華區一起協作，有時還會加入東南亞地區的 office 一起討論，Marcus 也分享，不同市場的優勢產業其實會有很大的不同，像是 Amazon 整體而言表現最突出的產業是衣服、美妝、日用品，但是台灣市場最強勁的產業是 3C 科技，其次為母嬰用品，韓國則是 KPOP 周邊產品、美妝次之。這些有趣的觀察，也會造成不同市場在內容製作以及開發客戶時，會需要提供不同的服務及銷售方式。 Rakuten Japan Data Scientist：technology-driven 相較在 Amazon 時的 Analyst 工作著重商業敏感度與分析能力，Marcus 在日本樂天的 Data Scientist 工作則有更多的技術含量。主要是利用消費者端的數據來協助賣家增加銷售成效，像是製作內容、廣告策略、品牌頁面設計等整套的解決方案，客戶則包括了知名品牌花王、Pinasonic、SONY、聯合利華等等。舉例來說，Data Scientist 會寫出一個機器學習的 model 鎖定該品牌的熟客、轉換機率極高的客戶，並利用電子郵件行銷（email marketing）、廣告投遞等，促使消費者實際買單，提升轉換率與銷售業績。 除此之外，Data Scientist 也會去爬品牌的官網，把幫助熱門商品銷售的優秀關鍵字、可量化的數據截下，自動形成內容，幫助內部對客戶做 proposal，或是日後實際的行銷操作。 也因為這份工作以技術為主，Marcus 也需要協助將專業的技術語言轉換成客戶能夠理解的說法，讓對方知道這些技術、技術學習能為他們帶來的成效。比起解釋數據在技術操作中的意義，更重要的提供背後的 insight，例如哪個族群對於購買特定商品的決策權更高，以電視為例，可能是家中有大客廳的人、剛結婚的新人。對於賣家來說，可以更了解與樂天合作的價值和可行方向，也可以幫助打造正確的模型、做出正確的商業決策。 如何弭平 Amazon 與 Raketen 兩個工作間的差異 儘管都是資料科學相關，Marcus 的這兩份工作在實作上還是有很大的差異。那麼他是如何減少工作轉換間的差距的？ Amazon 每季都有內部的 machine learning competition，以準確度為競賽標準，也很依賴參賽者的 business sense，讓 Marcus 能夠一起學習資料科學本身的專業及其商業應用。此外，他也上了一門線上課程，主題為「如何解釋機器學習的內容」，剛好是樂天很需要的能力，將技術專業轉譯為可應用的觀察。 雖然已經做了很多努力，加入樂天後，Marcus 又發現了自己的不足。因為身邊的同事都是技術背景，大家有習慣持續閱讀新的論文、討論新的技術應用，這對於半路自學、只有學識背景的 Marcus 來說是稍有挑戰的事情。因此，他會請教身邊有碩、博士經驗的朋友，學習如何讀和擷取論文的精華，以及不停與能力扎實的同事進行 1on1 的請教。 就算是正統學術背景出身，在這個領域仍然不能停止學習。Marcus 也一直都在調整自己的心態和作息，讓自己有餘裕以及熱忱持續吸收新知。看更多資料科學家的職涯分享： 資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(上)資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(下)做唯一也努力做第一 熱舞社經驗讓自己與眾不同 會後悔大學時花太多時間在跳舞嗎？Marcus 很坦白地說，剛畢業求職的那端期間，的確很後悔自己沒有花更多時間唸書。但是，跳舞其實也帶給他沒想過的職場體驗。舉例來說，電影中常見的「街舞 Battle」其實會先經歷過一段海選，參加者必須一個一個在大庭廣眾之下先做簡短的表演，才有機會進到實際的 battle 階段。 大學的時候，Marcus 參加過 30 幾場海選，最後才順利進入了 battle，他發現這段經驗對於培養自己的抗壓力、心理素質有很大的幫助。在那 50 多場面試中，無論桌子下的手抖得多麽厲害，Marcus 仍然能平靜、有自信地展現自己。 開始工作後，會跳舞的人難免會被推派負責尾牙之類的活動。今年 Amazon 的上海 office 邀請了台灣團隊一起參與尾牙，Marcus 的表演就讓中國的同事們留下了深刻的印象。以往向不熟的同事請求協助時，難免需要放低姿態，經過那場尾牙後，Marcus 發現大家都會記得他、直接破冰，往後的合作、請教都變得更加輕鬆和順暢。 只專注於人生的成績單 在大學的後半段找到自己熱愛的領域後，Marcus 才開始投注較多心力在學業上。雖然已經建立了一定程度的專業能力，卻也有企業在看了他的大學成績單後，決定取消已經發出的 offer。 會後悔沒有好好維持自己的成績嗎？Marcus 分享，其實也有 Amazon 的同事跟他開玩笑說一定是 hiring process 出了什麼問題，他才能夠以這個學業成績錄取 Amazon。玩笑歸玩笑，Marcus 也很客觀地說，以他目前的狀態和需求，大學成績對他沒什麼影響，但未來如果他想要念研究所，也許又會再後悔一次沒有好好念書。 但是，過去的事情已經無法挽救，Marcus 只要把現在跟未來的自己過好、證明自己有能力，才是他應該專注的事情。當初申請研究所落榜，但是現在他卻發現其實不需要學歷也可以做 data scientist；當初面試泰國 Agoda 15 次未果，現在卻發現不需要先進 Agoda 也能成功錄取日本樂天。 最後，他想鼓勵所有想要跨領域的人，一定要堅持自己想做的事情。「如果遇到很困難的苦難，可能都是對你最好的安排。」你也對資料科學領域有興趣嗎？不管你是非相關背景、想要轉職，Marcus 都建議可以先從身邊有興趣的數據開始。例如 Content Marketing 可以看 impression、click；Sales 可以看 revenue、conversion rate。不用馬上投入程式語言，可以先從 excel 開始，從網路、Medium 上面的分享觀察大家在分析時會看哪些數字，熟悉資料分析與資料科學的應用，先明確培養起自己對這個領域的興趣以及 business sense。再來，你可以選擇一個喜歡的語言，可能是 Python、R，或是 C、C++、工具 Tableau...等等，逐步建立你的分析能力。更多人才的精彩分享，敬請鎖定 Cake 的《科技職涯》Podcast！《科技職涯》是由 Cake 創立的 Podcast 廣播節目，專門邀請在科技、數位和新創領域的工作者來分享職涯趣事及觀點，每週三固定更新，目前可以在 SoundOn、Spotify、Apple Podcast、Google Podcast上收聽，歡迎追蹤 🎧

備審資料在大學及研究所申請時扮演至關重要的角色，但是一份好的備審資料該怎麼寫，才能取得入學機會呢？備審美編重要嗎？備審自傳該怎麼寫？參考本文提供的備審資料範例、模板與格式，5 步驟撰寫教學讓你輕鬆寫出致勝的備審資料，取得面試機會！一起來看看吧！文章大綱一、備審資料／學習歷程檔案 -簡介二、如何準備備審資料／學習歷程檔案？　　 -5 個製作步驟 -事前調查 -選擇有說服力的經歷 -建立備審資料架構與撰寫 -整理相關證明資料與文件 -進行備審美編、排版與裝訂三、備審／學習歷程檔案怎麼做？ -備審資料 封面 -備審資料 目錄 -備審資料 簡歷表 -備審資料 自傳 -備審資料 讀書計畫 -備審資料 相關證明 -備審資料 作品集/小論文 一、備審資料是什麼？ 備審資料（英文：Application Materials for College/Graduate Admission）是在高中生透過個人申請的方式進入大學（或稱學習歷程檔案），以及大學生透過推甄的方式進入研究所時，所必備的書審文件。備審資料的主要格式架構包含 3 大部分：個人簡歷表、自傳及讀書計畫/研究計畫，同時會依據個人背景及申請科系的需求，附上相應的證明（如：獎狀、語言檢定、活動參與證明......）及作品集/專題小論文。 備審資料／學習歷程檔案更是教授對申請者形塑第一印象的主要依據，透過備審資料的封面、內容格式、設計與排版，教授便可以對你的相關背景、個人特質以及申請該科系的動機有深入的了解，從而決定相對於其他申請者，你是否更適合進入該科系就讀。備審資料在大學與研究所申請時扮演至關重要的角色，與入學面試表現的評分佔比常不相上下，甚至有學校將書審資料視為唯一的入學評判標準（詳情請參考各校科系官網的招生公告）。二、如何準備備審資料／學習歷程檔案？ 5 步驟寫出致勝的備審資料 1. 製作備審資料前：對欲申請的學校科系進行線上、線下調查 製作備審資料／學習歷程檔案前的調查方向包含： 學校的學術領域強項 - 有些學校的商學院特別出色，有些學校則是以理工相關科系為強項。科系的課程內容 - 了解該科系的學習內容與範疇，必修及選修課程涵蓋哪一些專業領域。未來發展方向 - 透過主動聯繫及詢問相關科系畢業之親友、學長姐，了解該科系未來職涯發展的方向。 2. 整理備審資料內容：替自己加分或於眾多申請者中脫穎而出的相關經歷、背景及個人特質 完成對欲申請的學校科系調查後，則便可以開始整理要放在備審資料中的內容。整理內容包含： 相關學術經歷 - 校內外競賽、課程專案、讀書會、研討會、教學助理 ......相關課外活動經歷 - 志工、社團、實習、營隊、學生會 ......家庭背景 - 若欲申請科系與父母、兄姊之職業或工作內容相關，可以作為申請動機之一個人特質 - 領導力、團隊合作能力、問題解決能力、同理心 ...... 3. 建立備審資料的格式架構：利用前一步整理出的資料撰寫內容 整理好要放進備審資料的內容後，則可以著手建立整份備審資料的格式，架構可參照：備審資料封面目錄簡歷表自傳（家庭背景、求學過程、就讀動機及生涯規劃）讀書計畫相關證明資料（語言檢定證照、獲獎證明、校內外活動參與證明 ......）專題/小論文（視申請之學校科系要求）相關補充資料（視申請之學校科系要求，如：歷年成績單、推薦信 ......）結語封底 4. 備審資料素材：整理相關證明資料文件 若沒有相關證明資料的電子檔，則需事先進行文件掃描。 5. 替備審資料加分：備審美編注意封面設計、格式排版及裝訂每年都有接近 8 萬個高中考生報名個人申請，其中只有約 6 成的申請者獲得錄取，尤其知名頂大更是一位難求。要如何在眾多備審資料中脫穎而出、替自己的備審資料加分呢？ 雖說內文是備審資料中最重要的部分（例外：若申請的科系為藝術、設計相關，則備審資料的美編設計則至關重要），但當申請者們的背景、經歷都十分優秀時，備審資料的封面設計、美編排版與格式就成為下一項重要的評判標準，良好的排版格式也讓教授更容易接收你想傳達的資訊。以下推薦備審美編、資料排版工具： Cake AI 履歷編輯器很多人利用 Cake 來製作求職履歷，但其拖拉模板的功能讓使用者可以輕鬆、快速地做出凸顯個人特色的備審資料。Cake 提供豐富的片段模板，讓你可以透過拖曳、放下進行排版；此外，你可以插入圖片、影片、簡報等多媒體素材，若你有這方面的作品或成果，這將是驚艷教授們的大好機會！除了可以透過連結線上分享，Cake 也支援 PDF 檔免費下載。 PPT/KeynotePPT/Keynote 在排版上較自由，同時網路上也有不少設計好的模板可供下載，如此可以輕鬆製做出風格一致，且有設計感的備審資料。不過使用 PPT 製作須注意投影片的方向以及頁面長寬設定，此外匯出時也須轉檔為 PDF 格式，以免排版跑掉。Ｗord功能完整的 Microsoft Word 相信是很多人都熟悉的文件工具，但也正是因為功能多元，所以在利用 Word 製作備審資料時，會需要更多詳盡的設定，才能夠讓每頁備審資料的格式、字型等都一致，減少逐頁調整的時間。另外，如同 PPT 與 Keynote 一樣，務必記得將備審資料的 Word 文件轉檔為 PDF 格式，避免備審資料的格式因為閱讀裝置不同而跑版。 VismeVisme 為線上設計工具，提供多樣的模板及設計；文件格式上的選擇多元，可以製作簡報、圖表、文件、印刷品與社群圖像等等。不過須注意目前 Visme 的介面為全英文；此外，免費方案的用戶可以製作最多 5 個專案，且僅能以 JPG 格式進行下載。三、備審怎麼做？ 一、備審資料 封面備審資料的封面怎麼做？延續前段內文所述，若你申請的科系為藝術、設計相關，備審資料的封面設計就是你一展長才的好機會，可以大方地展現你的設計美學和風格。但若你申請的並非藝術、設計相關科系，且美編設計的能力也不是特別出眾，則備審資歷的封面設計最好以「簡潔」的風格為主，清楚列明「欲申請學校的校名、科系名」、「申請人姓名、現在科系」，並且注意大小標、字體一致，以 3~5 種配色為主，不需過於花俏。二、備審資料 目錄備審資料的目錄是方便教授翻閱，並且大致了解整份備審資料的格式內容，因此附上各項內容的大標（如簡歷、校內經驗、自傳等）與相對應的頁數是基本，同樣須注意這部分的大小標、字體一致。三、備審資料 簡歷表 備審資料的個人簡歷表通常為 1 - 2 頁，是整份備審資料的重點濃縮，目的在於統整最關鍵的資訊及個人最出色的經歷，讓教授們可以迅速地了解你這個人，並決定是否繼續閱讀，因此備審簡歷於整份備審資料中扮演十分關鍵的角色。『簡』歷，顧名思義須簡明扼要，因此不建議篇幅超過兩頁，可以透過表格或列點的方式進行彙整，方便教授快速閱讀；此外也可以參考履歷的寫法，讓備審簡歷更吸睛、專業。 推薦職缺 四、備審資料 大學/研究所自傳大學學習歷程自述、研究所備審自傳最大的重點在於闡述你選擇申請此科系/主修的原因及動機，同時在字裡行間形塑出你的人格特質。常見的架構為：家庭背景、求學過程、就讀動機及生涯規劃。由於備審自傳的格式彈性較少，主要以文字為主，因此建議透過適當的標題、分段、空行讓自傳更容易閱讀，同時也可以粗體字、字形顏色變化來突顯段落中的重點。 備審資料中的自傳，建議將字數控制在1 - 2 頁 A4 篇幅，不建議超過兩頁。而備審自傳的內容則注意須前後呼應，透過一個與申請科系有連結的主題去包裝，串聯為一個有說服力且引人入勝的故事。由於多數人的大學/研究所備審自傳皆以家庭背景作為切入點，因此若於開頭特別加入一點巧思，會較易引起教授們的興趣。 家庭背景避免平鋪直述的家庭成員介紹，建議透過家庭因素如何形塑你正面的個人特質以及影響啟發你對科系的興趣來撰寫這個段落，可以著墨的題材為：父母/兄姊的職業、父母的國籍、家庭教育的方式、兄弟姊妹間的感情等等，且此段不宜過於冗長。求學過程此段落的重點在於透過以往求學階段的特殊經歷、表現來佐證形塑出來的人格特質。例如以擔任社團幹部為例來佐證自己具有領導者的特質、以參賽經歷來佐證自己有團隊合作的精神、以志工服務經歷來佐證自己為熱心助人的性格等等。此外，除了單純描述經歷，更可以延伸到該經歷幫助你學習或體悟到什麼新事物、想法，會是較佳的作法。申請動機報考動機為大學學習歷程自述／研究所備審自傳的頭號重點，建議可以佔 3 ~ 4 成的自傳篇幅。透過連結前兩個段落（家庭背景、求學過程），整理為 3 個主要的申請動機，並利用列點及大小標題的方式來呈現。除了取材前述兩個段落內容，報考動機也可以從欲申請校系的學術領域強項、轉/輔系規範、校園風氣、科系課程規劃、課程多元性、課外活動豐富性、國際交流機會等因素來著手撰寫。生涯規劃最後以生涯規劃作結，同時呼應備審自傳開頭及內容中所提及的個人特質及愛好興趣。生涯規劃可以從兩個方向撰寫，分別是：大學四年的規劃及畢業後學/職涯的未來展望。由於下一部分會更深入地著墨於讀書/研究計畫，此段落作為承先啟後的作用，不宜過於冗長，點到為止即可。備審資料範例：自傳大學 學習歷程自述 自傳範例 Word 檔➡ 點擊下載研究所備審自傳範例 Word 檔➡點擊下載 五、備審資料 讀書計畫 學習歷程檔案／備審資料的「讀書計畫」主要目的在於印證前段提及的申請動機，展現你對該科系的了解及熱情，同時讓教授們看到你的積極度及規劃能力。備審資料讀書計畫的常見架構為：近程、中程、遠程，可利用圖表的方式來呈現。內容的佔比大致如下： 近程（20%）開學前的準備。若你沒有申請科系之相關背景，可以說明自己預計透過哪些管道來補足相關知識，如：閱讀、線上自學、請教他人等；或是規劃如何好好利用這段時間來進行自我充實，如：旅行、遊學、實習、進修等。中程（70%）在學期間的規劃。為讀書計畫的重點，可以調查該校/系的課程安排、課外資源，對畢業後職涯有幫助的相關證照、實習，同時加入個人興趣的培養、發展來做撰寫。遠程（10%）畢業後的方向及展望。由於此部分為較久遠後的階段，因此不須過多的著墨，只需要與申請動機及中程規劃做聯結，同時簡短的陳述對自我的期許及未來的展望。 六、備審資料 相關證明 除了申請科系所要求的相關資料證明，如：歷年成績單、畢業證書、外語能力檢定等，可以視與申請科系的相關性提供以下證明： 證照（語言檢定、電腦證照、研習證照、廚師證照、體育證照、導遊證照......）參與證明（社團參與證明、幹部證明、營隊參與證明、志工參與證明、競賽參與證明......）獎狀（書卷獎、校內外競賽獎狀、獎學金獎狀......）照片（活動參與照片、社團參與照片、志工參與照片、競賽參與照片......） 注意此部分並非越多越好，因此只需挑選與申請科系最為相關或個人表現最為傑出的證明出示即可；此外，這部分的分類與排版可加入一點巧思，並依照時間順序排列。備審資料範例：相關證明備審資料 相關證明範例（使用 Cake AI 履歷編輯器 製作） 七、備審資料 作品集／小論文備審資料中的「作品集/小論文」主要視申請科系的要求，並非每份備審資料都需要附上。作品集通常為申請藝術設計相關科系時需準備，專題論文則通常為社會科學相關學系。如同備審資料中的獎狀與證照部分一般，作品集的數量並非越多越好，須審慎挑選能夠呈現個人獨特風格、理念的作品；專題小論文則須做足相關研究，並加入個人觀點，同時須注意資料引用的附註，以免產生抄襲的嫌疑。 準備好做備審資料嗎？Cake AI 履歷編輯器替你的備審資料設計排版，讓你的備審資料更加完整及與眾不同！開始做備審資料！寫完備審資料了嗎？快來看看如何請老師寫推薦信：【推薦信範例】如何請老師/自己寫推薦信？4 步驟完美準備大學與研究所推薦信

以往說到資料分析，我們大概都會馬上想到功能強大的 Excel。但是隨著網路與行動裝置的普及，企業能夠更精準即時地收集到每位使用者的資料，數據量因此變得十分龐大、複雜，傳統的基本分析不敷使用，此時就需要資料科學（Data Science）的協助。而這幾年討論度很高的機器學習（Machine Learning）、運用人工智能（Artificial Intelligence）及深度學習（Deep Learning）下圍棋的 AlphaGo 等等技術，都有資料科學的參與。加上近年大數據的話題很夯，資料科學成為炙手可熱的專業，企業對資料科學家（Data Scientist）、資料分析師（Date Analyst）等人才的需求增加。在 2020 年，美國市場對於資料科學家的人才需求成長了 37 %、資料工程師則是 33 %，與資料科學相關的人工智能人才需求更是增加了 74 %。各大企業都在搶人才，薪資待遇自然也十分有競爭力。今天，科技職涯第二季的第二集，我們邀請到了結合顧問與資料分析背景的 David ，來聊聊他在大公司、新創的職涯歷程，以及決定攻讀博士的重大決定！Podcast 各節摘要02:00 請 David 分享加入 APT 及 Mastercard 的過程 07:13 APT Mastercard 重視的人才特質是什麼 ？ 12:39 分析顧問的工作內容是什麼？ 16:20 在 APT 和 Mastercard 時期，工作最有趣的事情是什麼？ 18:06 擔任顧問時最有挑戰性的事情是什麼？ 25:50 為什麼會轉換方向加入新創？ 30:37 在新創的資料科學家與大公司有什麼不同？對於資料科學一直都有強烈興趣和熱情的 David ，其實曾於兩年前申請 PhD ，卻因緣際會加入了APT（Applied Predictive Technologies，2015 年被 Mastercard 併購），成為了一位分析顧問，開啟意料之外的職涯。今天將要請 David 來跟我們介紹分析顧問的工作挑戰與成長，以及一位資料科學家在大公司與新創的觀察。1. 分析顧問是什麼？分析顧問的日常工作包括整理與分析資料、協助客戶定義需要解決的問題、設計如何進行商業上的實驗等。而作為以資料數據為核心的顧問，David 也會幫助客戶建立企業內部的數據文化。在面對本身就有完善資料團隊的客戶，例如金融業，有時甚至要競爭彼此提出的解決方法，教學相長的過程讓人印象深刻。David 也和我們分享 APT 重視的人才特質，一如傳統的管理顧問像是 McKinsey、BCG，包含「ABCDF」五點。A-Analytical 數據分析能力：對數字的敏感度、能細心計算、能舒服接受大量數字。B-Business Sense 商業敏感度：是否知道進入新市場需要觀察的數據為何、各產業最重視的項目等等。C-Communication 靈活溝通：內外部都需要大量溝通，需要能找到彼此喜歡、有效的溝通方式。D-Drive／Ownership 抗壓力與領導力：是否有將事情做好的動機，去解決客戶2-30年都解決不了的問題。F-Fit 企業文化：以 MasterCard 為例，企業願景為建造一個不需要現金的世界、隨時隨地都可以安全進行每筆交易，所以一定要對支付有興趣。David 回憶道，他在應徵 APT 時同樣經歷了顧問業為人所知的個案面試。需要在 30 分鐘內建立架構、整理需要的數據，在現有的資料中找出 insight ，最後再模擬向客戶的 CEO 說明一個完整的故事，是非常高壓的面試經驗。然而，在正式工作中，一個提案往往要數天甚至數週才能產出，顧問的產業經驗也不可能比得過深耕幾十年的客戶。所以，比起提案結果的好壞，過程中思考的邏輯、判斷所需資源以及主導專案進行的能力，才是面試官想要看到的。有心想要進入顧問業的聽眾，也可以經由練習培養解個案的能力。2. 在 APT、Mastercard 的收穫與挑戰David 曾經待過有「資料顧問界 McKinsey 」之稱的 APT 、擁有龐大資源的 Mastercard ，與許多不同的產業、國家以及其他辦公室的同事合作。在這過程中，因為彼此之間的文化差異以及產業成熟程度不同，讓他擁有了豐富的視野及溝通經驗。身為顧問，不僅內部常與資深的同事、主管合作，客戶的窗口也通常是經理、Director 等級的管理階層，而最終也常有機會向客戶的 VP 、SVP 報告。David 分享，可以觀察到企業高層的觀點及溝通方式，對於新鮮人來說是非常有趣難得的經驗。要獲得這麼豐富的收穫前，必須先克服挑戰性極高的顧問工作。David 在 APT 時曾經最多同時負責 6 個專案，一天的時間可能除了睡覺以外都在工作。因為時間有限，他必須確保自己專注於有意義、有效率、能夠達成目標的項目。除了資料分析的本業以外，分析顧問也需要注意各種大小細節。例如，不同產業對於數據資安的控管程度不同，分析顧問必須確保每筆資料都有嚴謹的 security check、資料沒有被濫用。客戶可能因為產業、國家而有不同的工作文化，例如中國希望用詞、做法能夠接地氣；菲律賓則是步調相對較慢等等。以上非資料科學專業的細節，卻可能嚴重影響專案進度、客戶滿意度，也是不能忽略的。3. 大公司與新創的資料科學家比較儘管擁有精彩的經歷，David 卻因為清楚自己更想要做從 0 到 1 、1 到 100 的事情，決定離開資源豐富的 Mastercard、加入新創 Migo。David 也向我們分享他如何思考這樣的職涯轉換。除了大公司與新創所在的產品生命週期不同以外，比起支付產業，他對於旅遊、娛樂更有興趣。同時，他也因為過往擔任國際志工的經驗，認為娛樂在任何地方都是一個重要的需求，因此他十分認同 Migo 希望能將數位資源傳遞給每個人的理念。新創重視彈性，除了常常直接面對臨時的狀況、需要即時處理以外，因為不一定是每位成員都曾與資料科學家合作過，所以只要是與數據有關的事都會直接找上 David。在 Migo 的旅程中，他也曾和不同組別的同事協作，有時參與 UX design，協助調查設計和分析；有時擔任像是 Project Manager 的角色，協助行銷團隊梳理想法。正是因為其他成員不熟悉如何與資料科學家協作，所以 David 建議有興趣在新創擔任相關角色的聽眾，務必要訓練自己有很強的領導力，不只做好自己的事情，而是同時協助同事了解資料科學的好處、價值、無法解決的問題，以及各階段可以應用的內容。過去在大公司，資料科學家負責分析資料、做報告、建系統。然而在新創的經驗讓他學習到，為有限的資料庫建立模型不一定有意義，也許基本、簡單的功能才是公司需要的。而與顧問工作不同的是，自己再也不只是提供建議的人，而是從提出到執行一條龍，所以要更精準把握時間與資源。（下集待續！）走過成熟的大公司與充滿變動的新創，David 並不是選擇比較喜歡的公司類型開始深耕，而是決定要前往哈佛大學攻讀量化行銷的博士學位！你也好奇他如何從科技管理職轉彎踏進學術領域嗎？身為資料科學家為什麼是選擇商學院而不是電腦科學、統計呢？更多關於 David 的職涯甚至是生涯規劃的細膩思考，都在下週的科技職涯 Podcast！更多人才的精彩分享，敬請鎖定 CakeResume 的《科技職涯》Podcast！《科技職涯》是由 CakeResume 創立的 Podcast 廣播節目，專門邀請在科技、數位和新創領域的工作者來分享職涯趣事及觀點，每週三固定更新，目前可以在 SoundOn、Spotify、Apple Podcast、Google Podcast上收聽，歡迎追蹤 🎧如果想知道更多資料科學的技術與應用分享，歡迎到 David 的 大鼻觀點facebook 粉專看看；如果你想系統化地開始學習資料科學知識，也可以參考 David 在 Hahow 上開的課程 - R語言和商業分析、R語言和文字探勘！延伸閱讀：想成為資料科學家？精選 11 門資料科學自學資源、求職管道

在本集的《科技職涯》中，我們邀請了目前在美國 PayPal 擔任 Senior Product Manager 的 Nicolas，來跟我們分享這 15 年的職涯經驗。Nicolas 在中央大學數學系畢業後繼續唸了交通大學的資工所，拿到碩士學位後加入了 IC 設計公司 Sunplus。在半導體產業的四年多的時間，Nicolas 接觸了很多軟體公司的專案，包括當時正在興起 Google、騰訊等，進而發現自己對軟體產業的興趣。接著，Nicolas 先是到台灣 Yahoo 擔任軟體工程師，後來因為專注在 Scrum Master、Team Lead 等有管理職能的角色，Nicolas 又挖掘到自己對商業的興趣，所以前往美國念 MBA。商學院畢業後，Nicolas 進了 Facebook 擔任 Data Scientist，而後因為想要嘗試新的東西，再次轉換到 VISA 擔任 Product Manager。經歷豐富但卻不走直線的 Nicolas，跨領域、跨產業、跨職能，三種完全不同專業的學歷，從半導體產業工程師、軟體產品工程師、Data Engineer、Data Scientist 到 Product Manager，從台灣到美國，充滿挑戰跟變化的職涯選擇背後的思考是什麼？如果你也好奇他豐富的職涯歷程，推薦你本集的《科技職涯》！Podcast 各節摘要01:30 請 Nicolas 簡介自己的經歷與背景04:20 在職涯中的三個重大轉換時，Nicolas 通常都從哪些面向做考量？06:10 所有的轉換中，最困難的是哪一個？08:10 何時開始想要出國唸書的想法？09:50 哪段工作經驗對 Nicolas 的影響最大？每段經驗最大的收穫是什麼？（Sunplus、Yahoo、Facebook）17:10 PayPal 帶給 Nicolas 的累積是什麼？19:25 Nicolas 是因為什麼契機把優先處理「重要且緊急」的做法轉換成「重要但不緊急」？23:00 如何成為更好的資料科學人才？30:35 如何成為更好的 Product Manager？35:20 為什麼 Nicolas 覺得「四十歲仍然覺得很疑惑」？41:05 Nicolas 在生活中放下、掬起的分別是什麼？現在還保留著的興趣有什麼？44:45 Nicolas 一直以來堅信的價值觀是什麼？Nicolas 的三大轉換 — 半導體 → 軟體業、工程師 → PM、台灣 → 美國 從一開始擔任 IC 設計公司的工程師到如今在軟體產業擔任產品經理，看似有點跳躍的職涯轉換，循序漸進的每一步其實都有其邏輯。舉例來說，雖然 IC 設計公司的待遇不錯、軟體公司當時在台灣還只是剛起步，但是因爲想要做可以直接被用戶使用、即時得到回饋的產品，Nicolas 做出了非主流的選擇，轉職到軟體產業。從工程師轉為 PM，現在看來不算是少數的選擇，但從 Nicolas 個人的職涯歷程 — 產品工程師 → 資料工程師 → 資料科學家 → 資料 PM 來看，也不是個一蹴而幾的過程，而是透過不斷反思自己的能力和興趣，所做出的逐步調整跟選擇。 最需要勇氣的選擇 — 出國念 MBA 談起生涯中的三大轉換，每個轉換都會替 Nicolas 引來很多好奇和問題，但他花最多勇氣下定決心的轉換，是花光所有積蓄到美國唸 MBA。當時工程師念 MBA 不算是主流的選擇，Nicolas 自己遇過的 MBA 學生中擁有工程背景的人比例不超過兩成，當然，一個 MBA 學位所費不貲，也是他猶豫的原因。一直都打算出國唸書的 Nicolas，即便開始工作也沒有放棄這個念頭。他不斷在思考出國的目標會是什麼？他要如何達成這個目標？是要念 PhD、工程碩士還是商學院呢？確認自己的興趣在軟體領域的 Nicolas，想像外商公司應有背景相關、多元的同事可以幫助他回答這些問題，因此他開始把求職方向鎖定在外商，不僅是基於職涯考量，也是為了幫助自己做出人生的大決定。 從半導體工程師到軟體業產品經理的職涯 轉換維度不小的 Nicolas，認為影響職涯發展至關重要的作為是「找到自己的興趣跟 passion」。就算是要轉換領域，也可以因為擁有強烈的動機，能夠說服新的企業、主管自己可以結合過去的經驗，幫助團隊建立新的能力。每份工作擔任的角色不同、當時累積的閱歷和能力也都不同。回頭來看自己的職涯，Nicolas 無法直接點名哪個階段對他的影響最大，因為每份經歷都帶給他重要的收穫。 第一份工作 @ Sunplus — 對待工作的職人精神 IC 設計公司 Sunplus 是 Nicolas 資工所畢業後待的第一間公司，對於形塑他的工作心態有很大的影響。「對你嚴厲的人反而是對未來最有幫助的人。」他回憶當時有個主管非常嚴格，幾乎每個同事都怕他。但是 Nicolas 後來回想，主管嚴格的要求其實幫助他建立很多扎實的基礎和概念，對於一位新鮮人來說是非常珍貴的。 Yahoo — 短時間內建立不同領域的專業技能 Nicolas 在 Yahoo 時負責的是電子商務的相關產品，包括購物中心、商城、拍賣等等。當年電商詐騙的案子頻傳，Yahoo 內部為此成立專案小組，因為資源有限卻需要解決一個很大的問題，Nicolas 必須根據專案需求轉換自己的角色，前後經歷了產品工程師、資料工程師、Scrum Master 等不同的職位，對於他來說就好像創業的過程一樣挑戰多元。如何在短時間內 catch up 不同的技能？就算不能成為做到專精，如何把自己的能力拉到至少 80 分、可以解決大部分的問題？這個快速迭代的過程，讓 Nicolas 累積的不僅是專業技能，還有軟體產業敏捷的開發文化。 Facebook — Accountability（當責） 雖然在台灣就已經待過外商，但是直到在美國加入 Facebook 後，Nicolas 才感受到何謂真正的外商文化，在這之中他體認到最重要的態度就是 Accountability（當責）。什麼是 Accountability？就是事情無論大小無關責任歸屬，只要是你的角色可以幫上忙的地方，都需要賦予關注。以 Nicolas 自己的角色 Data Scientist 為例，他需要積極地去了解他的 stakeholders、partners 遇到的問題，這些問題可能是商業面的，他需要把商業的問題轉成資料科學可以解決的「技術問題」，接著實作、驗證、然後取得回饋，反覆進行這個流程，直到問題被順利解決。也就是說，雖然職稱是 Data Scientist，但是整個專案都是 Nicolas end-to-end 的責任，嚴格上來說便是肩負著資料科學家 PM 這樣多元的角色組合。與亞洲偏向「接任務」的型態不同，在 Facebook 的經驗，讓 Nicolas 體認到不能等著別人幫你定義問題，工作也不再是只有執行，需要負責全部的流程跟自身的 performance。 Paypal — 從戰略到策略的觀點轉換 相信大家都同意，能夠判斷輕重緩急、安排工作的優先順序是很重要的能力。Nicolas 自己的做法是結合緊急與否 重要與否劃分成四個象限，優先處理「重要且緊急」的事情，原先他相信這樣的做法可以很直接地顯示自己的價值與影響力，是一種個人職涯的「戰略」。但是加入 Paypal 後，隨著角色的眼界變高，無論是前輩的經驗分享或是自己的親身體驗，都讓他體會到永遠救火是不行的。完成重要且緊急的事情當然會有成就感，但如果每天都處於這樣高壓的狀態難免會筋疲力竭，所以 Nicolas 就開始思考是否有方法可以避免、減少這樣的狀況？如果每天都在救火的話，是否代表防火的機制有問題？與主管和 Mentor 交流後，Nicolas 的 mindset 有了很大的轉變，他應該要多關注「重要但不緊急的事」，藉由妥善的事前規劃、在合適的時間點執行，避免讓這些事情變得重要而且緊急，也就是所謂的「策略」。這樣的做事方式可以避免不必要的成本，也可以避免過多重要且緊急的事情讓公司置於風險中。經驗豐富的 Nicolas，有哪些多元的職涯歷程？來看看 Nicolas 完整的 Cake！ 如果你也喜歡 Nicolas 的 Profile，歡迎使用 Cake 製作獨一無二的履歷 🙌🏻 資料科學家 產品經理技能樹 在資料科學和 Product Manager 都有很豐富經驗的 Nicolas，也跟我們分享這兩個角色的重要技能！ 資料科學家必備技能 統計知識：此為最基本的要求，而 Machine Learning、Deep Learning、Neural Network 被視為傳統統計的延伸，因此相關的演算法能力也被分為此類。程式語言：SQL 是必備的程式能力、Python 和 R 需要至少擇一具備，而一些較特殊的 Database 技術則端看產業或公司的需求。可視化圖表（Visualization）：由於多數人仰賴圖像式學習，所以，若一位資料科學家能妥善地將數據模型結果透過可視化的圖表呈現，而非交付艱澀難讀的數據結果，以協助共事夥伴快速理解數據背後的洞見，才算是真正地發揮了資料科學家的專業價值。 溝通能力有多重要？Nicolas 在 Facebook 的跨領域合作經驗 承接Visualization 及前面提到的 Accountability，Nicolas 以他在 Facebook 的專案合作經驗為例，來分享溝通能力的重要性。Nicolas 在 Facebook 時所在的組織是 Infrastructure 的 Operations Strategy Team，是負責 Facebook 本身的業務擴張、基礎建設等需求的組織，其中，有個團隊便是由具備二、三十年商業地產經驗的地產專家組成，他們過往經手的單件地產價值往往高達百萬甚至是千萬美金，而這類地產專家在 Facebook 的主要工作內容便是協助其評估與購入建設資料中心（Data Center）的地點。Nicolas 加入之時，Facebook 正在急劇擴張的階段，為數不多的地產專家每天要評估數百個資料中心潛在地產標的，人力完全無法負荷，身為資料科學家的 Nicolas 便在此時加入專案，以AI、機器學習等資料科學專業來協助這些地產專家們解決問題。當然，以 Nicolas 的背景而言，他不可能和這些專家一樣具備相同的地產專業知識，不過他仍然需要快速了解對方在做出地產決策時遭遇的挑戰與諸多考量，設法量化成資料科學能解決的問題、找到適合的演算法去處理，因此，在整個專案的過程中，Nicolas 其實花了將近 80% 的時間在溝通。這跟在學校的經驗是完全不一樣的，因為被教授拋出的問題通常都已經被定義清楚，學生只需要順著邏輯去解決，但是在職場的實際情況中，很多時候連需要你幫忙的人自己或許都不太清楚問題是什麼，此時就相當仰賴資料科學家與夥伴們大量的溝通以釐清問題、定義問題並解決問題。除了前期的溝通以外，Nicolas 也重申了 Visualization 的重要性。產出資料模型和相應結果後，如果協作的夥伴無法辦法理解並運用這些模型，其實等於是沒有產出。Nicolas 也坦言，他時常看見其他專案因為 stakeholders 無法理解艱澀的數據圖表，該資料科學家負責的專案便無疾而終。因此，在這個與地產經紀人合作的例子中，Nicolas 運用的做法為「設計一個以地圖為主的使用者介面」，地產專家只要在 excel 輸入需要的條件，資料庫就能根據這些限制和假設，列出 Top 5 的地產物件在地圖上，並且同步附上原因。如此一來，地產專家就能直接應用資料科學家的產出，增進決策的精準度與效率。這樣的做法完整體現了 Accountability 的心態，資料科學家不僅是完成了自己的專業技術產出，也妥當地將合作對象的痛點與需求考慮進去，確實地幫助對方解決問題，這樣的合作效率跟體驗和單純地交付數據是截然不同的。 產品經理必備硬實力與軟實力 由於 PM 需要和工程師、設計師等夥伴密切合作，因此建議涉略相關的知識，例如：Tech：不用親自 Coding，但要能理解技術的基本概念。Business：理解商業問題並設計解決方法。Design：就算只有 1% 的使用體驗優化也能讓產品升級到不同的層次，Apple 就是最好的例子，這也同步包括了一位 PM 對於產品的好奇心、熱忱，還有能夠站在使用者角度思考的同理心。軟實力的部分，則是所有工作都必備、對於 PM 來說更是關鍵的溝通能力，以及軟體產業非常重視的 data-driven 心態，要能夠利用 data 去引導大家溝通、討論出解決方法。在管理面的技能，Nicolas 也提出了三個面向： 區分輕重緩急的能力：身為專案與產品的掌舵者，產品經理需要帶領團隊專注在真正重要、可以產生最大效益的事項。影響力：很多人都會說 PM 是 mini CEO，Nicolas 自己則是不太贊成這個說法。雖然處理的事情複雜度有得比，但是 PM 沒有增加預算的彈性、也沒有人事調動的權力，基本上所有的合作對象都是平等的，需要因人而異去調整做事的方法、對每個團隊成員產生影響力。向上管理：很多時候 PM 再往上一、兩階就是 C-level，可以說是距離核心決策者很近的角色，也常有接觸共事的機會。如何有效率且直接的溝通、只提供對方需要的關鍵資訊，這種跟主管共事的能力也很重要。Nicolas 目前在 PayPal 擔任資深產品經理，負責 Merchant Marketing 的資料科學解決方案。 資深工作者的告白 － Nicolas 的信念與困惑 四十但沒有不惑 已有超過 15 年的職涯經驗、前陣子剛過 40 歲生日的 Nicolas，在自己的 Facebook 寫下一句話：「古人說四十而不惑，但我今天還是跟之前的每一天一樣充滿疑惑。」特別好奇經歷豐富的 Nicolas，現在心中的困惑是什麼呢？Nicolas 回憶，本來以為 40 歲時自己會很清楚未來想做什麼，擁有一份穩定且可預期的工作、生活和經濟都無虞。但是真的到了四十歲後，他體會到每個階段都會有自己的問題，就算 20 歲時的困惑得到了解決，但 40 歲的他會有當下需要面對的問題，或是從前的問題因為現在不同的身份、生活、想法而有不同層次的困惑出現。Nicolas 也跟我們分享了 PayPal 一位離職 VP 的故事。這位 VP 是以色列人，本身是工程背景也有商學院經驗，曾經在知名管顧 BCG 做到 Management Director，卻在人生看似一帆風順的時候毅然決然地離職到 PayPal 從 Director 開始做起，最後做到 Senior VP 的位置。VP 的職涯再次來到一個讓人難以望其項背的高度。儘管職涯的成就已經可以保證一家人的生活無虞，但是他沒有止步於此。也許是因為身為以色列人，VP 跟他的家人們討論起未來的落腳之地，是要繼續留在美國、回以色列還是去其他的地方？一家大小沒有討論出一個共同的、很好的解答，結果這位 VP 決定辭職帶著老婆小孩一起環遊世界，並計劃在這趟旅程中做出決定。VP 的故事帶給 Nicolas 不少省思。相信很多人都跟曾經的 Nicolas 一樣，設想總有一天當各項資源都很充足的時候，人生就不會再有什麼煩惱，但是即便經濟無虞如這位 PayPal 的 VP，心中還是有很多困惑。所以，Nicolas 覺得四十而不惑其實沒那麼實際，大家也不需要因為自己沒有達到這個狀態而覺得焦慮。 在職涯與生涯都不停歇的拉鋸 － 好奇心 vs. 成本 當 Nicolas 做每個重大的決定時，最後常常都是好奇心與成本的拉鋸。職涯上的成本是同一職能可以累積的專業技能跟薪資，生活上的成本就是步入家庭後必須承擔的責任。Nicolas 回憶自己在南加大念商學院時，曾經到南美洲待了近三週的時間做 Consulting Projects。他還記得他在週日白天回到洛杉磯的家，當天晚上就又馬上出發到舊金山開始為期 11 週的 Facebook Summer Intern，實習在週五結束，週日他就回到洛杉磯準備開學。雖然在台灣當工程師時不太需要出差，Nicolas 喜歡出遊但沒有想過當成日常生活，卻在美國唸書時實踐了這樣的生活型態，但是回到現在的狀態，他覺得自己已經沒辦法再像以前一樣頻繁地出差。「年輕時花的成本比較少，年紀大之後會變謹慎。」Nicolas 又以自己的興趣為例，他特別喜歡機械類，但是為了安全捨棄機車選了汽車，隨著年齡增長，花費在興趣上面的時間也變少了。不過很有趣的是，在照顧小孩的過程中，他又回憶起一些小時候會感到有趣的事務，可以說是有捨也有得吧？Nicolas 坦言，現在回頭去看職涯上的重大決定，幾乎都是好奇心獲勝。當然成本考量也有贏過，但就結果而言，常常就不會是履歷上出現的亮點，也常常不是心中深刻的體悟。 在多變的職涯中持續堅持的信念 當我們聊到職涯上面堅信的職涯價值，Nicolas 第一時間毫不猶豫地就回答「誠信」。不管能力好壞與職位高低，名聲永遠都很重要。「業界很小，很容易遇到合作過的人，可以包裝但不能說謊。」Nicolas 誠摯地說，你可以把 100 分說成 105 分，但不能把 0 說成 1。除此之外，Nicolas 也以 SpaceX CFO Bret Johnsen 的分享為例：職涯有三大誘因直接決定去留：薪資，職務發展與熱情。薪資沒什麼好說的，這是一個客觀且關鍵的條件。再來職務發展攸關職涯是否能走得長、走得遠，也是至關重要的。但是，職場上常遇到的狀況是薪資與職務發展無法兼顧，Nicolas 就常常遇到一個對於很有發展潛力的機會但薪水不如預期，不過他想說明，以他個人的經驗，薪資的低就不會維持太久。因為對於工作有薪資以外的追求，就會非常努力達成目標，薪資跟心態的不足很快就會被彌補。第三個誘因是熱情，Nicolas 忍不住說由 Bret Johnsen 來分享真的很有說服力。SpaceX 所在的太空產業是一個非常高壓的環境，不管是金錢的成本或是負擔人命的壓力，如果沒有熱情是不可能支撐下去的。綜合上述考量時時檢視自己的發展，同時勿忘初衷，相信每個人都可以走出自己喜歡的職涯故事。Nicolas 的精選書單《設計思考改變世界》by Tim Brown 《Google 必修的圖表簡報術》by Cole Nussbaumer Knaflic《成功，從聚焦一件事開始》by Gary Keller, Jay PapasanPodcastAfter Hours by Harvard Business Review 16 Minutes News by a16z by Andreessen Horowitz WSJ Tech News Briefing by The Wall Street Journal電影The Founder (2017) Middel Men (2010)更多人才的精彩分享，敬請鎖定 Cake 的《科技職涯》Podcast！《科技職涯》是由 Cake 創立的 Podcast 廣播節目，專門邀請在科技、數位和新創領域的工作者來分享職涯趣事及觀點，每週三固定更新，目前可以在 KKBOX、SoundOn、Spotify、Apple Podcast、Google Podcast、MixerBox 上收聽，歡迎追蹤 

在上一集的 Podcast 中，我們與資料科學家 David 聊了他的職涯歷程，包括在 APT、Masrercard 擔任分析顧問、在新創 Migo 負責 Data Lead，並且和我們分享了一位資料科學家在大公司及新創的不同挑戰與心態。上一集這邊看：資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(上)在上一集的尾聲中，我們提到 David 即將在今年夏天迎接生涯上的重大轉換，也就是他將前往哈佛攻讀「量化行銷 Quantitative Marketing 」的博士學位，從科技管理職搖身一變學界學者！為什麼 David 會做出這樣的決定呢？身為資料科學家為什麼是選擇商學院而不是電腦科學、統計呢？如果你也對這些問題感到好奇，甚至也想聽聽 David 如何從資料科學的知識中體悟出人生的道理，那麼你絕對不能錯過這集《科技職涯》Podcast！Podcast 各節摘要01:22 為何決定前往哈佛攻讀 PhD？07:50 為什麼會選擇商學院的量化行銷學位？10:09 如何結合自身優勢與興趣選擇最有利的方向？12:36 David 認為自己從眾多申請者中脫穎而出的原因為何？16:33 工作中的定期反思的重要性18:55 資料科學的知識帶給職涯規劃的啟發從一直都有研讀 PhD 的想法，到離開大公司加入新創的選擇，可以看出 David 對於資料科學的熱愛，並且比起乘涼在前人所種的樹下，更希望自己是那個揮汗開拓的人。因此，在擁有了 APT、Mastercard、Migo 等豐富經歷後，David 按下了業界的暫停鍵，決定出發追求 PhD 理想。1. 為什麼決定轉往學界耕耘？隨著工作經驗增加，David 也成為了管理階層。在 Migo 擔任 Data Lead 的工作日常充滿了開會、維持營運、控制預算、帶領團隊等等的領導事務，他發現自己在資料分析上的工作越來越少。於此同時，他受到 Facebook 前產品設計副總 Julie Zhuo 的著作 The Making of a Manager 的啟發，更加確定相較於帶領團隊，自己更想要當「做事」的人，想要實際參與找出問題背後的原因並且利用資料解決、優化。此外，David 也跟我們分享泰戈爾的詩句「The roots below the earth claim no rewards for making the branches fruitful.」對他的影響。他說自己一直是個喜歡分享知識的人，像是到處演講、錄製 Podcast、創立大鼻觀點粉專等等。但是若身處業界，明知手上的模型可以解決許多產業的問題，卻因為商業機密不能外流，他深刻地體會到在業界工作不能達成「成為知識的創造者與傳播者」這個願景。David 認為，學術界對於專案選擇的開放程度、鑽研的深度與質量的要求，更接近自己想做的事，於是他決定辭去工作，踏入學界。2. 為什麼選擇商學院的量化行銷領域？以主觀想法來說，比起於從假說、定理中發展，David 更希望自己的研究能夠被廣泛運用在商業領域，而不僅僅是解決工程上的難題。量化行銷從前以統計為主，近來開始著重資料科學的搭配，剛好與他自己的經驗、在業界的觀察不謀而合。以客觀條件來說，資料科學相關的統計、電腦科學領域重視研究成果，但是他本身以業界工作經驗為主，申請上較為困難。於是，與其設定一個很高遠的目標，David 建議有意願進修的聽眾，可以思考自己「有興趣」同時又「有優勢」的領域。“ 你有什麼價值？你有什麼跟別人不一樣的地方？”近年來因為資料科學很夯，有許多人立志想成為「機器學習工程師」。David 也客觀地和我們分享，這份工作通常會需要擁有電腦科學、演算法、系統架構等等的工程背景。如果想做資料科學相關工作，本身又是商學院出身、具備商業敏感度的人，可以選擇以分析為主的資料科學碩士、資料科學家的工作，能夠更貼合自己的能力，同時又能追求興趣。以 David 自己為例，雖然他沒有優秀的研究作品，但是因為哈佛商學院看重申請者的工作經驗，他過去執行的專案又與想研究的主題高度相關，種種條件的吻合下，讓他成為一位合適的申請者。3. 哈佛商學院青睞的人才特質是什麼？(1) 與學界趨勢相符的個人經驗就如前一點所提到，因應量化行銷的研究趨勢變化，有資料科學的經驗會很加分。而 David 選擇量化行銷領域研讀，除了興趣以外，也考量了自身優勢，這樣的思考與選擇大大增加了他與這個學位的適切度。(2)明確而有亮點的研究想法既然是 PhD，研究自然是最重要的。David 不僅調查了教授們正在進行的研究，也針對教授擅長與自己有興趣的領域，提出了新穎又清楚的研究想法。充足的準備和清晰的目標，自然能夠讓教授對於這位未來的學生充滿信心與期待。(3)能夠清楚流暢表達想法商學院重視面試過程中的交流，哈佛自然也不例外。除了完整豐富的書面資料，教授也期待與你面對面互動時，你是個邏輯清晰、熟悉過去經驗與未來目標的人。David 自己在面試時，就是被五位教授輪流提問，包括過去專案經驗、使用什麼資料和方法、換另一個方法會不會更好、專案的成果影響以及如何摘要等等。至於大家可能最關心的成績門檻，不諱言地，以 PhD 來說，優秀的學校成績可以保證申請者研讀資料的能力，自然會有一定程度的要求。而 GRE、GMAT 等考試，只要通過特定門檻，分數的差距沒有絕對的影響，最主要還是申請者的過往經驗與清楚目標。4.在理性的資料科學中，看到了哪些感性的人生縮影？資料科學本質上是決策的科學，而人生正是由大大小小的決定所組成。利用增強學習（Reinforcement Learning）和真人下圍棋的 AlphaGo ，是一個強調環境與行動互相影響的模型，如果可以完全了解每個行動所造成的環境改變，則可以計劃每個環境下該如何行動。David 舉例，如果我們的人生就像增強學習模型，那麼我們就可以從就讀名校開始，一步一步地擁有亮眼的實習經驗、找到厲害的正職工作，最後達成成功的職涯規劃。然而，現實生活中其實有很多不確定性，除了外部的因素像是疫情、簽證等，我們也可能在過程中發現自己其實沒那麼喜歡，進而改變原先的規劃。所以，執著於計畫是沒有意義的，因為我們本來就不可能完全掌握所有事情。在自己能夠控制的範圍內，有效率地邊做邊學、反思調整，讓自己做出相對穩定的決策，對於做出的每一步都不後悔，這是他所體悟出的職涯哲學。利用資料科學的兩大演算法反思職涯職涯早期：不要害怕「探索（exploration）」對於學生或是新鮮人來說，做決定的機會成本通常相較較低，所以應該大量地去接觸不同領域，了解自己的興趣及所長。大學就讀計量財務的 David，也曾嘗試寫過程式、辦過行銷活動，然後發現自己並不適合。雖然花費了很多時間，但同時也在沒有太多犧牲的情況下更清楚自己的方向，他認為是很有價值的嘗試。有點經驗後，用「exploitation」持續檢視exploitation 在資料科學裡是指對「行動-狀態-報酬」間關係的了解。就像是 David 常常會問自己「快樂嗎？」反覆地檢視自己工作的表現、生活的狀態與內心的聲音。舉例來說，你是個商學院的學生，因為投資銀行的待遇很高，所以你決定深入學習財務領域（行動）。然而，後來你發現自己其實不喜歡以數字為主的工作、也沒有風險評估的能力（狀態），而且你付出了 200% 的努力也無法在這個領域成為頂尖的人才（報酬），那也許你就應該改變你的行動。工作一陣子後，轉換跑道的代價比剛開始工作時高。因此，利用自己有興趣或擅長的事情往前走，並且持續學習及反思自己的感受、收穫，就能夠在成長的挫折中持續感到快樂，也能夠累積職場上升遷、談判和深耕的能量。如果想知道更多資料科學對於職涯規劃的啟發，歡迎去看看 David 寫的這篇文章在短短一個小時的 Podcast 中，David 濃縮了他精彩的職涯故事還有轉戰學術界的心路歷程，最後也將資料科學的理論放在人生探索中，分享了他深刻的思考。不知道大家是不是也覺得很有啟發呢？如果想知道更多資料科學的技術與應用分享，歡迎到 David 的 大鼻觀點facebook 粉專看看；如果你想系統化地開始學習資料科學知識，也可以參考 David 在 Hahow 上開的課程 - R語言和商業分析、R語言和文字探勘！延伸閱讀：想成為資料科學家？精選 11 門資料科學自學資源、求職管道更多人才的精彩分享，敬請鎖定 Cake 的《科技職涯》Podcast！《科技職涯》是由 Cake 創立的 Podcast 廣播節目，專門邀請在科技、數位和新創領域的工作者來分享職涯趣事及觀點，每週三固定更新，目前可以在 SoundOn、Spotify、Apple Podcast、Google Podcast上收聽，歡迎追蹤 🎧

生命科學為針對生命現象進行的研究，隨著 AI 人工智慧與科技進步，生科不僅是創新發展的重要領域，黃仁勳更點名此領域是未來最具潛力的挑戰，開啟人類無限可能。本文將帶你了解生命科學是什麼、生命科學相關工作類型、薪資、求職技巧及未來發展趨勢，助你順利找到發展方向！文章大綱一、生命科學是什麼？黃仁勳點名的未來二、生命科學薪水是多少？有哪些職缺類型？三、想找生命科學相關工作嗎？掌握生命科學求職指南一、生命科學是什麼？黃仁勳點名的未來生命科學（Life Science）研究所有跟生命有關的科學學門 ── 包括動物（含人類）、植物、微生物，研究範圍涵蓋生命的起源、構造、發育、演化、行為、和環境的互動等。生命科學相關學科範圍很大，其中包括：有植物學、微生物學、細胞學、分子生物學、遺傳學、解剖學、生理學等；應用領域也很廣：醫學、農業、食品、藥品、環境健康等。在世界政府峰會黃仁勳與阿聯酋 AI 部長對談中，黃仁勳建議大學生可以主修生命科學，因為他認為生科是科學領域中最複雜、最困難、但對人類很有幫助的領域。特別是隨著 AI 技術越來越強大，生命科學不再只是專注於做研究，而是透過科技來實現改變。 生命科學領域國外 / 台灣代表企業Thermo Fisher Scientific 賽默飛世爾（美國）Roche 羅氏（瑞士）Pfizer 輝瑞（美國）Bayer AG 拜耳（德國）中裕新藥 Medigen Vaccine Biologics（台灣）台灣糖業公司 TaiSugar（台灣）二、生命科學薪水是多少？有哪些職缺類型？薪資統計數據顯示，工作 3-5 年的生科相關從業人員平均月薪落在新台幣 3.6 萬～5.8 萬；平均年薪則介於 49.1 萬～88.3 萬之間。而生科領域較常見職缺類型有： 生科相關學系常見職缺類型生命科學系研究助理、生物科技研發人員、生物學研究員、品管／檢驗人員、國內業務、醫藥研發人員、教師、其他醫療從業人員、軟體工程師、品管／品保工程師、藥師生物資訊學系軟體工程師、系統工程師、醫院行政管理人員、其他資訊專業人員、資料庫管理人員、軟韌體測試工程師、FAE 工程師、MIS／網管主管、電信及電力線路架設工、AI 工程師、全端／後端工程師生物科技學系品管／檢驗人員、作業員／包裝員、生物科技研發人員、生產技術／製程工程師、醫藥研發人員、國內業務、軟體工程師、生物學研究員、醫藥業務代表生化學系生物科技研發人員、品管／檢驗人員、醫藥研發人員、生物學研究員、研究助理、生產技術／製程工程師、國內業務、生產技術／製程工程師、食品研發人員、品管／品保工程師、補教業生醫工程學系產品維修人員、其他醫療從業人員、國內業務、作業員／包裝員、產品售後技術服務、研究助理、醫療器材研發工程師、軟體工程師、醫藥業務代表、產品維修人員、生產技術／製程工程師、FAE 工程師、半導體製程工程師、生產管理食品生技學系品管／檢驗人員、食品研發人員、作業員／包裝員、ISO／品保人員、品管／品保工程師、食品衛生管理師、國內業務、生產管理、工廠管理植物保護學系農藝作物栽培工作者、花藝／園藝人員、農藝／畜產研究人員、一般動物飼育工作者、品管／檢驗人員、生物科技研發人員、國內業務、生物學研究員、公共衛生人員、環境工程人員 / 工程師生態學系環境工程人員 / 工程師、地質與地球科學研究員、專案經理、資料科學家、品管／品保工程師、國內業務、研究助理、企劃人員 以上各常見職務類型平均月薪與年薪依「工作年資」可區分如下： 生科職務類型平均薪資第 1 年3-5 年5-10 年10+ 年生物學研究員月均薪-4.7 萬5.4 萬-年均薪62.6 萬62.7 萬73 萬-生物科技研發人員月均薪4.4 萬4.7 萬5.2 萬5.9 萬年均薪60.2 萬65.3 萬71.4 萬81.6 萬生產技術／製程工程師月均薪4.7 萬5.2 萬5.4 萬5.8 萬年均薪71.9 萬84 萬85.8 萬91.3 萬品管／檢驗人員月均薪3.6 萬3.6 萬3.7 萬3.7 萬年均薪47.3 萬49.1 萬50.4 萬51.4 萬品管／品保工程師月均薪4.4 萬-4.7 萬5.1 萬年均薪62.9 萬68.8 萬70.1 萬76.1 萬軟體工程師月均薪5.1 萬5.8 萬6.2 萬7 萬年均薪71.3 萬88.2 萬94.7 萬107.2 萬環境工程人員 / 工程師月均薪3.9 萬4.3 萬4.6 萬5.2 萬年均薪50.5 萬60.9 萬67 萬77.1 萬食品研發人員月均薪-4.4 萬4.6 萬5 萬年均薪-61.7 萬64.9 萬72.4 萬醫藥研發人員月均薪5.1 萬-5.9 萬6.8 萬年均薪69.4 萬-83 萬95.3 萬醫藥業務代表月均薪4.8 萬5.7 萬6 萬6.5 萬年均薪76.5 萬88.3 萬93.2 萬101.9 萬國內業務月均薪4.1 萬4.7 萬5 萬5.4 萬年均薪57.2 萬68.8 萬73.4 萬79.9 萬研究助理月均薪3.7 萬4 萬4 萬4.2 萬年均薪48 萬54.5 萬54.2 萬57.3 萬 而依「學歷」區分統計如下： 職務類型平均薪資學士碩士博士生物學研究員月均薪3.8 萬4.4 萬6.7 萬年均薪52 萬60.3 萬91.2 萬生物科技研發人員月均薪4.3 萬4.8 萬7.4 萬年均薪57.6 萬66.1 萬102.3 萬生產技術／製程工程師月均薪4.9 萬6.3 萬7.5 萬年均薪74.7 萬106.1 萬125.7 萬品管／檢驗人員月均薪3.7 萬4.3 萬-年均薪50.5 萬60.3 萬-品管／品保工程師月均薪4.6 萬5.7 萬-年均薪66.7 萬87.3 萬-軟體工程師月均薪5.6 萬6.7 萬8.4 萬年均薪82.6 萬105.6 萬132.6 萬環境工程人員 / 工程師月均薪4.3 萬5.2 萬7.6 萬年均薪59.6 萬79.1 萬113.3 萬食品研發人員月均薪4.1 萬4.8 萬-年均薪58 萬67.7 萬-醫藥研發人員月均薪5.8 萬5.5 萬8.1 萬年均薪79.8 萬76.9 萬113.8 萬醫藥業務代表月均薪5.9 萬6.6 萬-年均薪91.8 萬108.6 萬-國內業務月均薪4.8 萬5.7 萬-年均薪71.4 萬87.9 萬-研究助理月均薪3.6 萬4.1 萬5.7 萬年均薪48.2 萬55.4 萬76.6 萬生命科學的工作薪資會隨著年資和學歷不同而有所變化，但也有工作經歷對薪資影響不大的職缺類型，例如：品管／檢驗人員。學歷基本上與薪資呈正相關，尤其高學歷在研發職位上更具競爭力。選擇要往哪個專業領域發展時，不妨也先參考各職缺類型平均薪資！ 推薦職缺三、想找生命科學相關工作嗎？掌握生命科學求職指南 生命科學學群工作需具備的 5 大技能與特質創新與研發能力：不斷推動新技術、新藥物、新療法等，以在市場中保持競爭優勢。跨領域專業：尤其是生物與資訊科學、工程技術和醫藥等熱門領域的應用，具備跨領域知識也能讓團隊合作溝通更有效率。邏輯推理與問題解決能力：研發需要邏輯推理來設計實驗、分析實驗結果，過程若有問題也需設法解決。口語表達能力：除了團隊內溝通以外，也可能需要向外界介紹產品或服務，因而需要良好表達能力。部分領域需證照：醫事檢驗師、高考食品技師、高考營養師、食品檢驗分析技術士等，確保從業者具備專業能力。生命科學學群工作必備技能與特質 生命科學相關職缺履歷技巧 / 求職信技巧 / 常見面試問題 履歷技巧實力背景：建議履歷需展現三重點：硬實力、軟實力與經歷背景。硬實力包括專業技術、實驗操作或相關證照；軟實力則如溝通協調能力、對該領域有強烈興趣；經歷背景則可強調就讀科系、曾研究相關主題或過去工作產業。數據佐證：經歷盡量以數據呈現成效，讓雇主更清楚了解你的能力，例如：「成功開發新型生物檢測技術，提升檢測準確率達 15%，並縮短實驗時間 20%。」專案連結：若有難以用文字簡述的相關專案或研究，建議可以超連結方式附加在履歷中，避免履歷過於冗長，同時也能展現你對該專業領域的熱情和能力。求職信技巧求職信的最大目的是要傳達強烈的應徵動機，除了工作經歷外，雇主也看重求職者是否認同公司的理念。撰寫時可以從以下三點切入：強調與職缺需求相近的人格特質：例如愛德華生命科學重視員工的使命感、勇於嘗試及對改變的熱情，信件中可多強調這些特質。展現對公司理念的了解程度與認同：求職前一定要對公司做足研究，信中要表現出你非常了解公司的理念。不僅能顯示你的用心，展現認同感也能更強化你的應徵動機。放上亮點事蹟展現專業能力：從履歷中精選出 1-2 項具體成就作為亮點展現。常見面試問題 ＆ 建議問答方向問題 1：為什麼選擇應徵這個職位？建議回答方向： 展現對公司、職務內容的了解和興趣具體說明你的能力或特質與公司需求的契合度強調對公司理念的認同問題 2：（讀書／工作／實驗）遇到困難或不如預期時，都怎麼解決？ 建議回答方向： 清楚描述挑戰強調分析問題的過程，展現邏輯推理能力詳細說明如何採取行動解決問題總結解決問題後的成果和心得反思，展現面對困難的態度和學習心態問題 3：請分享一個團隊合作的經歷，你扮演什麼樣的角色？溝通上有什麼優缺點？ 建議回答方向： 具體描述經歷，並清楚說明目標說明你在團隊中的貢獻，以及你如何發揮專長來推動團隊進展強調溝通上的優點誠實面對溝通上的缺點，並具體說明嘗試過的改進方式和成效生命科學學群熱門產業 未來職涯發展根據經濟部生技產業白皮書，生科相關職缺常見產業有： 製藥：目前生命科學產業的核心，包括新藥研發、基因療法、再生醫療等，台灣的生技醫藥產業規模持續擴大，2023 年的營業額已達到新台幣 7578 億元。醫療與器材：包括診斷設備、治療器材及數位醫療產品的開發，近年來因疫情影響，數位醫療（如遠距醫療、數位診斷）的發展越來越受重視。食品科技與營養：包括食品檢驗、功能性食品開發和食品安全監管，滿足現代社會對健康飲食的需求。農業與生態生技：植物保護、基因改造作物、農業生物技術、環境保護，以及生態保護等相關領域，因應全球資源越來越匱乏及永續發展的需求。學術與教學機構：在大學或研究機構從事相關研究，或任職中、小學自然相關科目教師。若想在生命科學領域中拓展職涯、取得較好的工作機會，以下幾個方向是提升競爭力的好方法： 攻讀碩／博士：高度研發的產業對具創新性的高學歷人才有較多需求，例如：醫藥品開發。學習跨領域專業知識：隨著數位醫療、再生醫療、精準醫療等新興產業發展，掌握生物學及醫療背景，搭配跨領域知識如數據分析、資訊系統、工程研發、AI 等，將成為重要的職涯拓展方向。如想了解高需求職務及所需能力，可參考經濟部針對數位醫療人才需求進行調查，所彙整出的：2024 - 2026 數位醫療產業 15 項專業人才關鍵職務。生命科學的未來出路眾多，學基礎科學的一大好處是隨時都可以轉換跑道，不僅本身就已具備不同學科的專業知識，職涯發展選擇也相對知識劃分明確的科系多很多。如果想要探索不同工作領域，或想在既有產業中追求更具競爭力的職涯發展，有以下三個具生科背景的主要發展方向： 管理職：隨著專業技術的提升和經驗累積，可逐步轉向管理職，如：研發經理、產品經理、品管／品保主管、生產管理主管等，負責更高層級的職務內容。跨領域職能：結合不同領域的專業，成為更難被替代的人才，例如：結合專業知識和銷售，可往國內外業務、行銷人才發展；專業知識加工程背景，也能成為特定領域研發工程師，薪資也更有競爭力。海外職涯：如果外語能力強、或有不同文化求學經歷，在海外相關職缺選擇更豐富。這邊提供 11 個生科相關職缺類型（含薪資）供參考。雖然網路上有「念生科，一生科科」一說，但正因為生命科學領域涉獵廣泛，能選擇的職涯發展相當多元，更應該反過來問自己對什麼有興趣？從自己熱情所在領域開始累積專業知識，再慢慢跨領域開發、精進其他感興趣的專業，是生科人的職場優勢，也是最適合生科人的求職技巧！ 推薦職缺延伸閱讀：以患者為先：愛德華生命科學的企業文化與人才培育延伸閱讀：材料科學大廠康寧在 DEI 做對了什麼？怎麼讓多元人才在 STEM 大展身手？想了解更多生命科學相關工作嗎？你想要的職缺都在 Cake 求職平台！查看職缺

因為科技飛快進展與資訊的廣泛應用，許多學校也逐漸開設資訊學院，其中包含資工系、資訊科學系和資管系（資訊管理系）等，足以看出這個世代對於資訊的看重程度。本文將向你完整介紹理科最受歡迎的科系之一資工系，包括資工系大學、研究所的課程，以及資工系出路、薪水和未來發展方向。文章大綱 一、資工系介紹：資工系在幹嘛？ 二、資工系學什麼？大學資訊工程系課程解析！ 三、資工所學什麼？研究所課程解析！ 四、資工系職涯發展：資工系出路、薪水、找工作方向 一、資工系介紹：資工系在幹嘛？資工系，全名為資訊工程系 （Computer Science and Information Engineering），其實曾經屬於電機工程學系（電機系）的一部份，而隨著科技進步才被獨立出來，成為現在熱門的系所之一，也是目前理工學院最看重的科系之一。資工系適合怎麼樣的人 那麼這樣炙手可熱的科系，適合哪些人呢？如果在高中時期就對理化方面很拿手，那資工系會是一個不錯的選擇。在高中時期也可以接觸程式，如此一來就能對資訊方面的應用有更好的理解。 想要讀資工系需要幾項特質，第一對數理有一定程度的興趣，第二是邏輯能力好，能夠一步一步的推演並分析事情的過程，第三就是對軟體設計感興趣，有熱忱才能夠支撐自己在繁雜的程式語言中生存下去。資工系與資訊科學系的差異 大家也許會感到困惑資工系與資訊科學系的差異，首先，資工系強調要如何把資訊應用在解決實際的問題；資訊科學系較重視理論方面的研究，而不是現實生活中的問題；而資管系則是結合了資訊處理以及管理方面的知識，以便更好的運用資訊解決商業問題。 資工系資訊科學系關注的層面實踐和應用理論和方法可以學習到的知識如何開發計算機程序、網路技術和數據庫系統如何解決複雜的計算機科學問題涵蓋的領域計算機科學、電子工程、通訊工程、人工智慧人工智慧、計算機圖學、知識工程資工系與電機系的差異電機系比起資工系的應用更廣，在以半導體產業聞名全世界的台灣是十分吃香的科系，畢業以後也可以不用太擔心找工作的問題，所以一直以來都是自然組的熱門選項。而相較於電機系，資工系則是更專注在軟體和程式方面。 資工系電機系關注的層面計算機科學、電子工程和通訊工程電機工程、電子工程和電力系統可以學習到的知識如何設計、開發和維護軟件和硬件如何設計、開發和維護電力系統、電子設備和其他電機設備另一方面，以半導體產業的角度來看，電子系負責的是上游，再來是電機、下游才是資工系。電子系是最上游所負責的是製程設計，也就是製造晶片中最小的元件和電路；電機系則是會出現在整條產業鍊的角色，負責製造出一切需要用到的機械和儀器；而資工系所負責的是下游，藉由程式設計讓機器可以運作。三個專業所負責都有所交疊，所學的課程也會有類似的部分。二、資工系學什麼？大學資訊工程系課程解析！ 哪些大學有資工系台灣共有 38 所大學有資訊工程系，以下幾所為台灣較熱門的學校： 台灣大學資工系清華大學資工系交通大學資工系成功大學資工系中央大學資工系台灣科大資工系近幾年來，為了能夠吸引更多對資訊有興趣的同學報考，台灣的資訊系漸漸發展成「一系多所」的模式。 台灣大學一系二所：台大資工所、台大資訊網路與多媒體所清華大學一系二所：清大資工所、清大資訊系統與應用所交通大學一院四所：交大資訊科學與工程所、交大網路所、交大多媒體工程所、生醫工程所成功大學設有一系二所：成大資工所、成大醫學資訊所中央大學一系三所：中央資工所、中央網路學習科技所、中央軟體工程所資訊工程系 4 年課程內容既然有那麼多關於資訊的科系，那這些科系會學到什麼呢？ 每個學校的資工系確實有其獨特的特色和專攻的領域。例如，台灣大學專攻多媒體領域，交通大學專注於資訊安全，清華大學則是 IC 設計的專業。成大則有醫資所和AI學程，中央大學則是著重於軟體工程和數位學習。因此，在選擇學校和科系時，要多方面探索，了解每個學校的強項和專長，並且根據自己的興趣和未來的職業發展方向做出適當的選擇。 台灣大學、清華大學、交通大學、成功大學、中央大學、台灣科大的資工系必修課程列舉在下方，但各校的課程可能會有不同的重點和難度： 資料結構與演算法：這門課程在各大學的資工系中都是必修課程，內容也差異不大。不過，清華大學和交通大學的課程相對較難，並且強調實際應用。 程式設計基礎：這也是各大學的必修課程，內容相似，但各校可能會使用不同的程式語言教學，以上的學校所教的程式語言為 C++、Java、Python 等。 電腦系統：教授的內容涵蓋了計算機硬體和軟體方面的基本知識，包括操作系統、網路系統。 資料庫系統：涵蓋了資料庫設計和管理的基本知識：包括資料庫概論、關係數據庫、 NoSQL 數據庫等。 網路程式設計：這門課程涵蓋了網路通訊和網路應用方面的基本知識，包括網路基礎、網路協議、 Web 技術等。 軟體工程：這門課程涵蓋了軟體開發和管理方面的基本知識，包括軟體生命週期、軟體設計、軟體測試等。 而以下課程通常是選修課： 人工智慧：教授的內容包括機器學習、深度學習、自然語言處理和計算智能等方面的知識。 計算機圖學：涵蓋了計算機圖學和電腦動畫等方面的基本知識。不過，各校的課程可能會有不同的重點和難度。 編譯器設計：涵蓋了編譯器和解譯器等方面的基本知識。 以下是各校資工系的特別課程範例，僅供參考：台灣大學資工系：影像處理、資訊檢索、機器學習、資料探勘、分散式系統、資訊安全、自然語言處理等。清華大學資工系：高階網路程式設計、資訊安全、計算機視覺、機器學習、雲端運算、自然語言處理、大數據分析等。交通大學資工系：網路資訊安全、運算科學、機器學習、資料視覺化、計算機圖學、網路系統架構等。成功大學資工系：資料科學、計算機視覺、機器學習、自然語言處理、資訊檢索、軟體開發專案、軟體工程專案等。中央大學資工系：人工智慧應用、多媒體資訊處理、資料科學專題、資訊安全、計算機圖學、分散式系統等。台灣科大資工系：物聯網專題、資訊安全、軟體測試、大數據分析、人工智慧、機器學習等。 以下是各校資工系的實驗、專題報告範例，僅供參考：台灣大學資工系：人工智慧專題、網路通訊與協定實驗、資料庫實驗、作業系統實驗等。清華大學資工系：計算機網路實驗、資訊安全實驗、軟體工程專題、資訊檢索專題等。交通大學資工系：網路程式設計專題、行動裝置應用專題、人工智慧專題、嵌入式系統實驗等。成功大學資工系：資料科學專題、多媒體系統實驗、人工智慧專題、網路程式設計實驗等。中央大學資工系：軟體工程專題、網路安全實驗、計算機圖學專題、資訊檢索專題等。台灣科大資工系：行動應用專題、物聯網應用實驗、人工智慧專題、資料庫實驗等。 需要注意的是，各校的課程可能會隨著時間而變化，且不同的課程可能會有不同的實驗和專題報告。三、資工所學什麼？研究所課程解析！ 哪些大學提供資工相關研究所最熱門的資工相關碩士班有（由熱門程度排序）： 清華大學 資訊工程系碩士班成功大學 資訊聯招交通大學 資訊聯招台灣大學 資訊工程學系碩士班台灣科技大學 資訊工程系碩士班政治大學 資訊科學系 資訊科學與工程組資工所考試在考取資訊研究所時，必須要有先備知識，因為考試科目有數學（線性代數、離散數學）、程式設計（資料結構與演算法）、計算機系統（計算機結構與作業系統），因此對於跨科系的學生可能較不容易。資工所與大學課程的差異是什麼 資工研究所相較大學會比較專注在某個特定領域，例如交通大學的資工系所就分成四類資訊科學與工程研究所、網路工程研究所、多媒體工程研究所、數據科學與工程研究所，大學則是會較廣泛的學習。四、資工系職涯發展：資工系出路、薪水、找工作方向資工系是否需要讀研究所？大家可能會認為擁有資工系學士學位就已經足夠了，然而事實上，現今許多大型公司在第一輪面試時會將沒有碩士學歷的候選人篩選掉。所以有意願想在大公司就職的人，就讀碩士可以讓自己在未來的就業職場增加機會，也可能提高自己的起薪。尤其是有興趣前往科技公司發展的資工系學生，許多科技公司十分注重學生的學歷。 而在選擇研究所時，大家可以依照自己的興趣所選，因為每個大學研究所發展的領域都有點不同。 資工系出路資工系的出路大多會選擇進入科技產業，例如與IC設計相關的IC測試或IC設計，與網路相關的網路管理、系統分析、系統整合、資訊安全、網頁設計，與電腦遊戲關的動畫工程師。 不只是這些，這幾年也有資工系會選擇金融業，擔任財務工程師或是協助金融科技轉型，或者往醫學領域發展，協助醫學資訊的管理和開發。而現今最熱門且富有發展潛力的機器學習、自然語言處理、人工智慧、大數據領域，也是資工系學生十分嚮往的職業。 科技產業是資工系最熱門的出路，台灣最熱門的晶片製作，看似只需要電機、機械、物理、化學等科系的人才，但其實工廠內也需要資工系的人才進行設備操作和資訊管理。 其實資工系畢業的學生可以選擇的產業很多，因為程式設計可以運用在各行各業，從日常生活中熟悉的手機、電腦、遊戲，到醫療、生技、工業都會需要資工系的人才，這就是為什麼資工系長久以來受學生歡迎的原因吧！ 資工系未來職缺以下列舉幾個資工系可能發展的職業：資工系職缺 3：網絡架構師該職業需要設計和構建數據通信網絡。而網絡涵蓋了在同一辦公室內的連接到並為許多客戶提供雲端服務。 資工系職缺 1：硬體工程師這類工程師會參與電腦硬體與硬體系統的設計和測試過程。 資工系職缺 2：軟體工程師這類工程師需要熟悉多項程式語言以及各項電腦作業系統的知識，他們會設計的軟體包括電腦遊戲、商業應用、作業系統等。 資工系職缺 4：IT 項目經理該職業需要進行合作與計畫公司內的與電腦相關的活動，包括引入電腦系統已達成某項目標 推薦職缺 必備能力資工系必備能力 1：編程能力根據不同職位或出路選擇，會需要具備不同硬實力，首先，不管是進入哪個行業，精通自己會的程式語言是必備的，並且確定自己能夠掌握所有基本功，如此一來才能往其他專業做更深入的延伸。至少精通 2 種以上程式語言，例如 Java, C, C++ 和 C#。並有使用 JavaScript, Linux/Unix, Perl, Shell, Java, Ruby, PHP, Python, Hands-On SQL, Microsoft ASP.NET MVC, Web API, Node.js 的經驗，且能使用不同工具應對不同的複雜問題另外，還要懂得如何使用原始碼和程式庫，原始碼就是程式設計師用特定程式語言編寫成人類可以理解的代碼；而程式庫則是一組現成的代碼，通常用在解決數學運算或圖形處理等特定任務，程式設計師可以在他們的程式中引用程式庫中的代碼，這樣一來就可以大大節省程式開發的時間和資源。 資工系必備能力 2：測試程式設計只是其中一環，測試也是十分重要的一部份，每個新應用都需要不斷測試並加強直到可以符合各項標準。 資工系必備能力 3：除錯程式碼 (Debug)除錯也是在編程中必備的技能，知道問題源自哪裡、該怎麼除錯。 資工系必備能力 4：資料庫管理幾乎每項編成專案都會與資料庫相關，知道如何使用資料庫管理，例如 SQL 的應用必定會增加自己的競爭力。 資工系必備能力 5：其他領域的知識也需要因進入不同公司擁有不同方面知識，例如 IC 設計工程師需要負責的工作是設計電路圖架構，就必須懂的相關知識。 資工系畢業薪水若是公立大學畢業，資訊工程系畢業內兩年的薪水約在 43,000 到 55,000；而私立大學則是 43,000 到 47,000。 當然不同職缺會有不同薪水，以下例舉幾個範例的平均薪資： 介於 50,000 到 60,000： 資安工程師AI專案管理師全端工程師 介於 60,000 到 70,000： DevOps工程師大數據架構師 介於 70,000 以上： 區塊鏈工程師機器學習工程師資料科學家哪些公司最愛找資工系在台灣的話，以下幾家公司都是資工系熱門的選擇： 華碩電腦宏達國際電子廣達電腦台積電和碩聯合科技緯創資通 希望本篇的介紹能為大家提供一些參考和幫助，並更清楚地了解資工系的學習內容和就業前景。資工系是一個不斷進步和發展的領域，具有豐富的挑戰和機會。如果大家對科技和創新充滿熱情，喜歡探索新的領域和技術，那麼資工系可能會是一個非常適合你們的選擇。無論選擇哪條路，都要堅定信心，努力追求自己的夢想，一定能在未來的道路上取得成功！

該加入制度穩定、福利健全的大公司，還是充滿活力、扁平管理的新創？相信許多人在求職時都會面臨這樣的抉擇，尤其是職場經驗尚淺的新鮮人。一打開 PTT、Dcard，會發現相關的討論眾多，從沒有所謂「正確」的答案。 新創通常擁有自由的企業文化、溝通靈活、發展空間多而且團隊整體年輕，常是新鮮人、偏好矽谷風格企業的求職者所青睞的。然而，一間成立百年以上、在全球超過 170 個國家有據點、數十萬名員工的企業，是否也可能提供像新創一樣個人化的職涯機會？ 在《科技職涯》Podcast 第二季的第 21 集中，我們邀請了三位任職於台灣 IBM 的來賓，分別是今年在 IBM 工作剛好滿 15 年的 Andy，目前的角色為 Software Engineering Manager＆Executive Assistant to Taiwan GM；外文系畢業，以 商業轉型顧問加入 IBM，目前正在 IBM 內部轉職為 UX Designer 的 Ellen；以及在 IBM 擔任 Data Scientist 近兩年後，於今年年中內轉為業務（Client Representative）的 YY，來跟我們分享他們為何不約而同選擇 IBM 成為第一份正職，以及 IBM 如何提供員工資源及機會，讓他們在不同的人生階段，都能找到自己嚮往的職涯道路！ Podcast 各節摘要01:30 請 Andy、Ellen、YY 個別介紹自己的背景03:40 三位為何不約而同選擇 IBM 作為第一份正職工作？09:05 加入 IBM 後有什麼跟預期不同的地方？10:30 IBM 有什麼魅力讓 Andy 一待就待了 15 年？14:10 兼任 IBM 台灣總經理特助的 Andy 有什麼有趣的 insight19:45 外文系畢業的的 Ellen 是如何上手商業轉型顧問的工作的？21:50 經驗多元的 Ellen 是如何走到今日的24:25 Ellen 決定深耕設計領域的過程25:25 YY 加入 IBM 後是如何尋找職涯方向的？30:00 YY 從資料科學家轉職為業務的心路歷程33:20 資料科學家的經歷對業務工作的幫助從國防役到為人父，Andy 在 IBM 軟硬實力兼具的 15 年Andy LeeExecutive Assistant to Taiwan GM, IBM Taiwan, Oct. 2020 - presentSoftware Engineering Manager, IBM Taiwan, Oct.2018 - presentSoftware Engineering - Network Security Project Manager, IBM Taiwan, 2016 - Oct. 2018Software Engineer - Functional Verification Test Lead, IBM Taiwan, 2013 - 2016Software Engineer - Functional/System Verification Test Lead, IBM Taiwan, 2011 - 2013Software Engineer - System Verification Test Lead, IBM Taiwan, 2008 - 2011Software Engineer - Functional/System Verification Test Tester, IBM Taiwan, 2007 - 2008Software Engineer - Analyst/Tester, IBM Taiwan, 2005 - 2007 提到當初加入 IBM 的契機，Andy 坦白說自己其實沒想那麼多。CS 本科系畢業的 Andy，在即將告別學生身份時看到了國防役的資訊。IBM 作為一間外商，Andy 猜想應該有很多國際合作的機會，對於從小到大都在台灣求學與生活的他來說，是很新鮮的體驗。國防役的身份也讓他能夠先進業界卡位、多學習，因此沒有猶豫太多便報名，也順利地加入 IBM 成為軟體工程師。在 IBM 15 年間的多變角色在 IBM 的前 11 年，Andy 專注於工程師本行，也一路嘗試過不同組別，並升職為 Team Lead 帶領團隊做產品開發。2016 年，Andy 加入了 Network Security 團隊做網路安全相關的產品，此時他的職稱是 Project Manager。 在 IBM，Project Manager 比較像是一個團隊的領袖，而非真正在人事上管轄團隊成員的主管。因此，Andy 學習到最多的就是「如何帶領團隊，但不是一位 “manager”」。在沒有人事權力的前提下，要如何對成員產生影響力，甚至是對第三方產生 impact 來借力使力，都是 Andy 作為一名 PM 的成長。延伸閱讀：一樣 PM 兩樣情！你想管理的是產品還是專案？產品經理 vs. 專案經理 除了角色變換的溝通方式學習，Andy 也在成為一名 PM 後，發現自己能夠用更宏觀、管理面的角度來理解公司內部的制度規劃。過去，他是一個專注在產品上的工程師，難免有時覺得大公司既定的流程有些繁瑣。但在擔任過 PM 之後，他才了解這都是管理一間組織龐大的國際企業所必須的工具。 跳脫工程思維的台灣 GM 特助 在 2020 年的 Q4，除了原本的 Software Engineering Manager 以外，Andy 又多承接的一個全新的角色 — IBM 台灣總經理的特助。 過去在研發部門的工作相對單純，也是 Andy 身為一位專業的工程師能夠高度掌握的。然而，作為台灣總經理的特助，Andy 開始學習從營運面的高度去看事情，包括如何經營一間公司、如何和客戶維繫關係、如何給予各部門最需要的資源。而他也因為這個角色而有機會認識其他事業體的 GM 以及平常不會接觸的同事，對於人脈經營很有幫助。 除了換位思考，也因為特助有更多與人、尤其是客戶的接觸，Andy 發現無論是 GM Lisa 本人或是客戶的節奏都非常快速，讓他在做事的速度、反應以及即時性都有大量的體驗跟學習。 那麼，Andy 是如何成為 GM 特助的呢？除了資深的經歷以外，Andy 也聊到了 IBM 每年都會舉行的運動會。Sports Day 是一個讓 IBM 員工們利用運動打破階層、輕鬆互動的好機會。有一年 Andy 這組少了一位女生隊員，Andy 開玩笑地說，雖然 Lisa 受邀時面有難色，但仍不敵 Sports Day 歡樂的氣氛而加入了 Andy 的組別，也因此對他留下了印象。 IBM 的內部轉職旅程：接住了對於職涯困惑的外文系女孩 EllenEllen SunUser Experience Designer, IBM iX, July 2020 - presentExecutive Assistant to General Manager, Global Business Services, IBM Greater China Group, Sep. 2019 - Jan. 2020Business Transformation Consultant, IBM Taiwan, July 2017 - Aug. 2019 Ellen 在學時曾是 IBM 的實習生，將當時剛興起的 AI 應用在金融情景，他發現自己很喜歡將科技應用於生活中、實際解決問題，也很喜歡 IBM 在討論科技應用時的精神「Let's put smart to work.」。 2017 年於台大外文系畢業後，因為對自己的職涯還沒有明確的方向，Ellen 想尋找一個機會多元、挑戰豐富，能夠帶給自己大量刺激的地方，並在工作的過程中探索真正想做的事。 作為商業轉型顧問的挑戰 IBM Taiwan 的 GBS GM Hong 曾分享，對於現在的年輕人來說，能在一間公司待上十幾年似乎是很不可思議的事情，但是對於顧問業來說，除了技術更重要的是了解產業，是很需要時間累積經驗的，也因此越資深的顧問會有越高的價值。對於這個說法，Ellen 的親身體會是非常深刻的。畢業後他加入 IBM 成為 Business Transformation Consultant（商業轉型顧問），發現顧問要會的、要學的專業實在太多，資淺的他常常遇到陌生的領域，也常常是在沒有百分之百準備好的情況下就直接上了戰場。 然而，這是每位顧問的必經之路。因此，Ellen 體會到最重要的是如何「快速掌握領域知識」，並且透過實作不斷累積、學習，儘管過程中難免出錯，卻能夠讓自己成長更快、更專業。 在變動快速的工作步調中，Ellen 認為一名顧問的自學力以及積極度是很重要的：願不願意完整記錄整場會議，利用下班時間自己用功理解脈絡；願不願意在前輩提出建議和想法時，主動去思考背後的邏輯和原因 — 除了學會回答，也要懂得問為什麼。 在 IBM 內部轉職成為 UX Designer 在 IBM 的前兩年，Ellen 秉持當初找工作的初衷，形容自己像是開了 autopilot mode（自動駕駛模式），對於任何任務都來者不拒、渴望能夠大量的接觸和學習。因此，他做過各式各樣的專案，與同期的同事相比，專案領域變動很大。 擔任了兩年的顧問後，Ellen 調整心態，覺得自己要有意識地選擇前進的方向，而他也在過去的工作經驗以及文科背景出身的思維中，發現自己特別注重實際的影響力，像是希望對使用者的體驗能有明確的幫助，也因而計畫要往設計領域深耕。 在結束顧問工作、休息了一陣子後，Ellen 加入了 IBM iX – IBM 內部為服務的客戶提供數位轉型、優化互動體驗的單位 – 擔任 UX 設計師，持續秉持身為顧問時的積極心態，在 IBM 充滿機會的環境中成長。 百年企業的敏捷與親和力，在 IBM 成就業務夢的資料科學家 YYYao-Yu TsaiClient Representative, IBM Taiwan, July 2020 - present Data Scientist, IBM Taiwan, Sept. 2018 - July 2020 一路從大學到研究所都就讀資訊管理學系的 YY，畢業後善用了自己的優勢，加入 IBM 擔任「21 世紀最性感的職業」：Data Scientist。 YY 很清楚知道自己想要加入像是 IBM 這樣大型、歷史悠久卻又緊跟時代蛻變、屹立不搖的國際企業，也在第一份工作以資管背景進入 IBM 做 AI、Data 相關研究的資料科學家。然而，心中一直對於業務的工作及能力有所憧憬的 YY，在加入 IBM 後也透過內部的活動認識其他部門的同事以及資深的前輩，持續交流彼此的專業，並為自己的轉職做準備，終於在今年年中順利內轉到金融事業群擔任 Client Representative。 資料科學家如何做業務 當我們好奇地問 YY 資料科學家的經驗是否對業務工作有所幫助時，前面的分享一直都很感性的他突然又散發出了工程師的理性特質。 他客觀地分析，擔任資料科學家時，九成以上的事情都是可控、可預測的，遇到的狀況也是非黑即白，沒有模糊的灰色地帶，工作的調配與管控都能夠自己把握。但轉職為業務後，九成的時間都在跟人打交道，他需要以更廣的角度處事、納入更多的考量，才能夠看清事情的本質。 打個比方來說，就像是交男女朋友一樣，有時對方的話裡有話，就像客戶可能表達得較婉轉、沒有百分之百精準，身為業務的 YY 就需要旁敲側擊、培養自己敏銳的觀察力，才能真正理解每一句溝通背後的意義和動機。 當然，不是只有辛苦的地方，資料科學家出身的 YY 能夠和同為工程師的客戶更快培養默契，可以快速了解客戶的需求，也知道客戶需要怎麼樣的回答。具體來說，沒有技術背景的業務可能會先從個人、家庭話題和客戶建立起橋樑，然後才是與產品相關的技術話題；而他則是可直接從技術出發，再延伸至個人或家庭話題。 以人為出發：年輕人也游刃有餘的環境，交流無礙的 IBMer 在加入 IBM 前，YY 也曾以為百年企業會有不少包袱，像是複雜的組織、分明的階層。但在成為其中一員後，他發現有很多機會可以跟高階主管互動，例如輕鬆的運動會，或是正式的培訓課程。資深的前輩也都大方分享和給予建議，讓他的轉職之路少了許多障礙。 從炙手可熱的資料科學家轉為業務，無疑是十分罕見的職涯轉折，目前已經轉為 Client Rep. 五個多月的 YY 也坦言，這段時間他歷經過很多掙扎和徬徨。業務工作對於本來是工程師的他有很多全新的體驗，也經歷過不少原以為理所當然，身歷其中感受卻截然不同、充滿挑戰的經驗。 然而，就算辛苦他也不曾後悔過這個決定。除了公司提供的學習資源，以及來自前輩無私的幫助以外，YY 也從同儕身上得到很多力量。IBM 其實有不少年輕員工，像是年齡相仿的 Ellen，YY 與不少 junior 的夥伴們一起分享、討論，克服了轉職的挫敗和低潮，也交到不少好朋友。 一年後會是什麼樣子？韌性、創作、突破 一年，之於已經在 IBM 工作 15 年的 Andy，一年後僅是在 IBM 職涯的 1/16，而對於邁入職場尚不久的 Ellen 和 YY 來說，一年可能職涯中的關鍵時期。然而，相同的是，他們三人都清楚現在的自己仍有不足，也期許一年後能有所成長。 Andy – 建立 resilience resilience，中文可譯作彈性、恢復力、韌性，Andy 在 2020 年接任了台灣 GM 特助並同時兼任原先的 Software Engineering Manager，變得超乎想像的忙碌。 就像電影大英雄天團（Big Hero 6）中的杯麵一樣，Andy 期許自己能夠建立起「情緒型」的肌肉，知道面對困難跟逆境時該如何反彈、不被打敗。當然，也希望能夠在繁忙的工作中維持健康和體態，生理和心理的肌肉都保持彈性，強化心理素質與加強時間管理的能力。 Ellen – 持續創作 外文系畢業的 Ellen，對於人有特別的情感和敏銳度，人文背景也讓他近來學習利用繪畫和文字抒發心緒、表達想法。 身為 UX designer，持續建立與人的連結並觀察和優化形式是很重要的。無論是之於工作或是個人興趣，Ellen 都希望自己可以培養創作的習慣、持續有所產出，也希望有一天自己的創作能夠有相當水準的價值。 YY – 突破自己 面對職涯大轉換的 YY，一直都還在學習該怎麼當一名業務，也持續與過去二十多年來習慣的自己碰撞，雖然不舒服，卻都是扎實的成長和進步。 想要嘗試很多東西的 YY，沒有立志要做一輩子的業務，但他希望一年後的自己無論在哪裡，都能夠有很棒的收穫和大家分享。也許在成為業務的過程中，他又發現了其他想要學習的領域，而且能帶著資料科學家、業務的能力，不停探索職涯的更多可能性。看完了三位 IBM 成員的職涯分享，你也想加入這間百年的國際企業，把握機會、一展長才嗎？近期 IBM 開放首波校園徵才，分別有以下三種職缺：Associate Package ConsultantAssociate IT Specialist – Business Analyst / System AnalystAssociate Developer在 2021 畢業的準畢業生、新鮮人們，別忘記在 2021/01/04 前投遞履歷。如果這邊沒有適合你的職缺，或是工作經驗較豐富的聽眾，也歡迎到 IBM 的企業頁面瀏覽更多職缺，或是到 IBM 的官網、粉專專頁掌握最新動態！ 更多人才的精彩分享，敬請鎖定 Cake 的《科技職涯》Podcast！《科技職涯》是由 Cake 創立的 Podcast 廣播節目，專門邀請在科技、數位和新創領域的工作者來分享職涯趣事及觀點，每週三固定更新，目前可以在 SoundOn、Spotify、Apple Podcast、Google Podcast上收聽，歡迎追蹤 🎧