文組轉職工程師?我的資料科學之路

這幾年資料科學很夯，搭上AI的浪潮之後更火。我自己念書期間加減碰了許多統計軟體，畢業之後就跟著這股浪潮投身資料科學的轉職。轉職不是沒有成本...嚴格說起來，成本還不小。轉換跑道至今，也有一陣子了，想分享一些心得給有興趣的人參考~

這主要是看跟什麼比？雖然沒有經過嚴謹的統計，但我自己的感覺是，這幾年有很多大小半導體產業、金融業、零售業、傳統製造業都有數據分析師、資料工程師、資料科學家等等的職缺。這對於沒有相關產業背景的人來說，確實是個切入的敲門磚。我自己轉職的第一份工作確實也是在半導體產業相關的商業智慧工程師。薪水整體上來說都有40K~50K/月起跳(這也要跟個人的學經歷背景等等來綜合評估)，對於一個沒有相關經驗剛入行的新手來說，我覺得已經是很不錯的機會。

不過，重點也就在於這個「不過」。資料分析或是數據分析(所謂的Data Analyst,DA)的職缺雖然很好找，但要找到好的職缺也不是相對容易。你入行容易，也就意味著跟你競爭的人很多。所以要真的競爭到大公司、或是更有發展前景的職缺位置，通常都相當競爭。而看到的好職缺(年薪over 90 W )都普遍要有很豐富的DA經驗(3~5甚至更長)。這點就是考慮往這個方向走的人來說要仔細想想的。因為工作技能除了最基本的一些時下流行的程式語言python,sql基本入門之外，很多技能都已經相對專門。這很多時候要額外花時間、成本鑽研跟學習。

另一個薪資跟前景的考慮點是產業別。我自己剛好待過傳統製造業跟半導體、金融業的資料科學相關職缺。以工作專門的程度跟薪資水準，感覺是半導體金融傳統製造業。但半導體跟金融業其實不相上下。薪水差不多會落在60K~80K/月。而專門程度指的是說，他讓你應徵什麼職缺進去，通常就是專門做這件事。我自己感覺是，有些傳統製造業也想要做數位轉型，開始引進資料科學相關職缺，但實際上還是有不少經常性業務要由廣義的「處理資料」的人來扛。

另一個考慮前景的點是，這個工作有沒有升遷機會。我自己的經驗是，要升遷或是在資料科學待下來，似乎還是要掌握更多的核心技能，而多半會是軟體技術跟知識。許多大公司的應徵職缺條件上多半就寫明了最好是資管、資工或是工業工程、統計等等相關科系。這也就意味著，即便現在資料科學機會很多，但最好或是最有前景的缺，可能也還是考慮這些相關科系的人(當然也有很多例外)(這些職缺除了是大公司的正式編制內的人員外，年薪動輒也都破百...)。也想特別分享的是，現在許多大公司開出的資料科學工作許多都是用短期約聘甚至是Freelancer的方式。其實這些大公司開出的薪水也不會太差，不過，考慮到升遷或是更長遠的職涯發展上，想待久一點的人，就還是在一開始要先問一下。

已經在業界工作一段時間的朋友會推薦我去 Udemy上相關的課程(關鍵字搜尋 python, sql等)。確實是很好入手的方式。但如果真的要上的深，學得全面，要花一段不少的時間跟精力(錢...)去學。坊間有三到五個月線上或實體的密集課程我覺得都很不錯，就不特別做廣告(費用會有一些差別，可以仔細研究一下~)。但上完課終究只是上課，真的熟悉這些程式跟工具就需要不停的練習...。我自己做過一陣子統計研究，處理資料、分析、畫圖，找模型算是很可以熟悉的領域。但我也遇過完全沒有相關經驗的人，就是努力靠著參加各種資料競賽，或是Kaggle等等的活動等等，很扎實的練出來。我自己覺得做數據分析最需要的是環境、資料，跟目標，在真的進入到職場之前，參加比賽確實是很好的練習機會。

我的路徑則是因為念書時候做的研究跟數據分析就有高度相關(雖然不是用時下最流行的程式語言做，也沒有用複雜的機器學習模型)。所以真正在面談工作的時候，許多公司反而是因為先看到我做的研究似乎很有相關、也很有興趣才有機會多聊聊。後來自己上課學的程式語言似乎只是一個門檻。讓你面談到跟職涯旨趣關聯性高一點的，可能還是你做過的研究、專案或是競賽等等，讓找人的公司看到你曾經運用這些技術做出了些什麼樣的案例。

再來就是python相關的工具書。說起來台灣目前翻譯或是出版的python工具書是很多也很齊全。我自己的習慣是學到哪裡買到哪裡；當然不是都一定要買，但我自己喜歡買基本的入門語法就好。要做到很專門的時候，有時候書未必真的有幫助，反而是要開始讀別人做的研究甚至是期刊等。只是有書的話通常會有比較全面性的掌握。有時候有些不太常用但是蠻重要的語法或是工具網路上未必有人查得到甚至是問得到，有書的話比較可以有個方向要往某些方向去尋找。

真的進入到職場的時候會發現，數據分析其實跟整體公司的商業運作有很高度的關聯性。我自己沒有待過生產線上的數據分析，但在產線以外的數據分析不外乎是從數據管理中找到公司營運的問題，甚至是希望你可以幫忙指出一些商業機會。最常遇到的狀況是，公司最近在做促銷活動，但促銷活動的成效怎麼樣？這時候就需要有數據分析的人員，花點力氣比較一下產品在促銷前或是促銷後的變化，發展比較成熟的公司甚至會建立多種追蹤指標。指標建立之後，就會需要由數據分析或是ＢＩ來建立儀表板（Dashboard）。讓主管或是有興趣的人追蹤一下狀況。或是最近業務單位的業務表現怎麼樣？數據分析能否建立一個有效而客觀的追蹤指標，幫忙公司了解各個不同層級的業務單位表現狀況。

另一種是經常性的幫你的業務同仁彙整報表。想做資料分析的公司多半會有自己的資料倉儲（DataWarehouse）。很多時候是公司沒有人有力氣去分析，或是分析的工具比較傳統。數據分析師很一開始的工作是幫主管或是你的同事使用查詢語法整理報表。嚴格說起來，串接多張報表甚至是進行基本運算，把數字算對，算精準，並不是一件簡單的工作。也因為如此，資料清理、資料整理、表格串接、設計欄位等等的功夫，幾乎就變成資料分析師最日常，也最基本的功夫了....。

另外就是幫忙開發資料管線流程(datapipeline)或是維護運作，或是應用機器學習的演算法工具做更複雜的計算。這兩種工作都算是相當專門的領域，前者做得更專門應該會往資料工程師(Data Engineer,DE)的方向走，後者則就會往資料科學家(Data Scientist, DS)。本篇就不再繼續延伸這兩個腳色在做的事了。

綜合來說，文組生有機會轉職進入資料科學到不同產業領域工作嗎? 我自己覺得機會是有的。但，要到很不錯的工作跟發展條件時，掌握的核心專門知識越多、越熟悉，當然機會條件就越多。後面的技術累積跟能力的學習，就很看個人願意花出多少時間繼續增進了...。