※ 引述《fmaclmvr (詹姆士)》之铭言：
: 大家好
: 我目前是某个刚合校的大学的统计学研究所在学生
: 最近开始在思考未来毕业后的就业方向
: 大学是念数学系，常用的语言是R，也有自修python、c跟c++，未来几学期也会去修一些
: 资工系的基础课程（资结、算法、数据库）。
: 但参考过本版的一些文章，底下的讨论大概可以看出统研毕业生在求职时的窘境，因为非
: 资工而被质疑背景不符等等。
: 因此我想请教版上的前辈们，统计/数学背景的毕业生若想从事资料分析的相关工作，是
: 否本质上就不适合呢？又或是可以在哪些方向上发展呢？
看到这篇文章就手痒很想回一下
我现在工作大概快六年了，待了三间公司
我自己觉得统计背景是其实满适合的
我自己是116经济双主修统计 后来唸116统计所
在台湾其实职缺不少，只是title都很不一致
从software engineer，machine learning engineer
到BI engineer, data analyst, data scientist
我之前在某公司做资料分析时
应征的title是IoT engineer（茶
学统计有很多优势是资讯的人没有的
但是相对来说也有很多技能缺乏
导致无法去很多公司做资料分析
优势是知道具体统计数字的意义
举例来说，很多人都用平均值、标准差来看资料
可是当资料有严重偏斜的时候
这要看是否合适？
第二个是做图能力
大多数统计所老师都会训练学生做资料探索
画图找寻pattern，寻找适合的方式进入分析
在这个步骤中，我真的看过太多人直接模型拿来套
再来批评模型不好用了（摊手
这是一个统计所学生该有的基本能力
好好得看过资料
第三个是数理能力
多数情况下 统计所的学生还是比较擅长数学
在读懂新的论文时 我觉得对于数学式子抽象化理解的能力比较强
我不确定资工需不需要学线性代数
但是线性代数在统计也扮演很重要的角色
更在现在的机器学习里面扮演重要角色
这是统计所学生的另一个优势
剩下的就是实战了（摊手
至于劣势部分，不管哪一个公司
基本的软件能力都要有
起码R或Python跟算法都要会
我在某一家的时候还必须自己当data engineer
写scala用Spark清理资料跟整理资料（菸
还有在机器上做定时工作，则需要一点shell
依照公司使用的工具不同也要会不一样的云
我目前用过就AWS跟Azure
一开始真的会不太懂，不过花一点时间看文件
入门应该是不难，或是多问问同事吧（茶
剩下就是SQL、数据库、虚拟化技术、平行计算等等
这些工作上会用到再学都还来得及
对于统计所学生来说
最困难的就是找到一个纯资料分析的地方增加经验
然后再跳到其他地方点技能树
不过共同的难题是心态上的改变
工作最重要的事情是解决问题
解决你的使用者遇到的问题
资料分析或是机器学习都不是万能
但是要必须清楚了解怎样才做得到
要求到适合的资料才做分析
避免埋头苦干，最后得到垃圾进垃圾出的结果
也要避免陷入理论 把自己绑死
举例来说，残差是不是常态分配，到底影响的是什么？
什么场景必须要有这个假设？
出卖强者我同学朋友们
一个在Google做可靠度
一个在艾森泽做DS
一个之前在Grindr做BI
以上都是统计所毕业的（茶
统计怎么会不适合做资料分析呢（笑
—-
补充一下
国外也有很多机会
例如agoda广收海外的人
我去年有拿到他们DS offer
给的薪水很不错
只是后来有台湾的公司给我差不多价码
我就留在台湾了
为了感谢他们，在文末帮他们宣传一下（笑
那时候我总共面了七关
只有两关考算法（leetcode简单跟中等）
剩下都问统计、机器学习跟机率
如果自己是做资料分析 应该也很适合
——-
补充二
外文能力请好好加强
我大四的时候多益只有620
毕业两年后面试新竹外商
面对外国人老板讲不出所以然（叹气
就这样损失了一个机会
工作上也会很频繁用到英文
像是我之前公司内部信都必须是英文
我现在的公司一半同事是外国人
同team不是印度人就是美国人（茶
英文沟通不可免，不然好工作就飞了