今天的嘉宾 Rain 学长，他的求职路径充满了理性和大胆的反直觉选择：本科计算机与信息科学背景，硕士选择了哥大的EE（电子工程）专业，并成功转入数据科学领域。毕业后，他经历了AI咨询公司到美国零售连锁巨头两次跳槽，工作地点从纽约到佛州，再到田纳西，一直在不断探索和调整。
Rain 不给自己设限、保持开放的心态，也许是他找到真正热爱和稳定工作的关键。接下来，让我们看看他的故事。
导师背景：
Rain
- 山东大学 计算机和信息科学本科
- 哥大 EE 电子工程 研究生
- AI Consulting DS
- 大型汽车修配零售连锁企业 DS
模块一
留学抉择——“反直觉”选专业与对纽约的向往
Q： Rain 学长先和大家简单地做个自我介绍吧。
Rain：
大家好，我是 Rain，我本科是在国内的山东大学，当时是在信息学院下面一个叫“重新学堂”的实验班。大体上来说，我大一学得会比较泛，但到了实验班之后，我们就会比较系统性地学习一些AI、机器学习这些相对前沿的东西，也有一些中外合作对接的实验性课程。因为我当时就已经打算出国了，所以那段经历对我之后还是有比较大的帮助的。
后面我申请到了哥大的EE项目，我的Track是在Data Driven Analysis and Computation当中。当时选课，我也比较偏向地选了AI、Data Science这些Data相关的课程，后来就决定去找Data Scientist相关的工作。毕业后有两段工作经历，第一段是在AI Consulting公司，后面我跳槽到了Retail行业相对比较大的公司。
Q：你当初的选择挺出乎意料的，本科偏计算机和信息科学，但申请时却选了哥大的EE专业。你当时是怎么考虑自己的申请方向的？
Rain：
其实这个问题，我当时申校的时候就已经想好了，我之后是不会做硬件方向的，因为我本科说实话，学的硬件课程相对比较少，重点是在学计算机的，像软件、AI 之类的一些相关课程。不同的学校项目设置不一样，有Double E、ECE、CS，而且每个项目具体的培养方向也非常不同。在申校的时候，我有去了解和研究每个学校、每个项目里面具体可以选哪些课程，它打算把学生往哪个方向培养。
我了解到哥大的Double E项目的选课相对非常自由。它确实有一些传统的硬件课程，但也有一些偏软件的，最重要的是，它规定你只要多少学分选在Double E下面，剩下的学分你可以选其他学院，所以我可以选择我感兴趣的偏软件课程。而且因为我本科就是Double E背景，它的申请难度肯定要比我直接申CS要简单，所以我就选择了Double E的项目。
Q：除了专业，地理位置也是一个重要的考量因素。你最后选择美东的哥大，有没有经历过美西或中部项目的纠结？
Rain：
哈哈哈有的，其实我还收到了另外两三份别的学校的Offer，其实也都挺不错的，甚至可以算是同一个档次的，但是地理位置比较村一点。哥大毕竟在纽约嘛，大家都说纽约是宇宙中心，如果人生当中有那么一两年有机会在纽约学习跟生活，我觉得对我自己不管是生活经历，人生经历，包括各种认知，或者学习之余去玩什么这种比较现实的因素，都会让我更想去纽约一点吧。当然哥大本身也是常青藤，名气也比较大，所以我觉得这两点因素让我选择了哥大。
Q：你选的 Data Driven Analysis and Computation这个 Track 和直接读 DS 项目有什么区别？
Rain：
我当时申请的时候其实没有那么笃定要去学DS，它当时也是个新开的项目，我就没去申请DS的项目。在我这个Track下面，我也是学着学着，可能在第一个学期上了几门课之后，就觉得OK，也了解了当时的就业行情，觉得之后想去做Data Scientist这样的工作。我觉得 DS是在这个 Track下面的一个方向，你选了其中的某些课程，就可以跟 DS进行对接，但是它也有AI、MLE其他分支可以去发展，没有那么规定说非要去DS，可能是这样一个关系。
模块二
职场起步——从小咨询到大零售的跳槽路径
Q：可以简单介绍一下你毕业后的第一份工作，在 AI 咨询公司做 DS 的工作内容和感受是什么？为什么后面选择了跳槽？
Rain：
我的第一份工作是一个 AI Consulting的公司，职责主要是两部分：内部是做一些自动化和对像 GenAI、Chatbot之类的做一些尝试和研究，外部就是对接不同的客户。最大的感受就是，很多时候它没有那么 organize，因为规模很小，自由度很高。但不好的一点是，很多事情没有那么循规蹈矩，我们工作的情况是不确定的，得等客户那边的情况来定。这也是我当时想要跳槽的比较大的一个原因，就是我希望能够到一个大一点的公司去体验更 organize、更 professional的情况。
Q：从 AI 咨询公司跳槽到零售巨头公司，你是出于什么样的心态考虑？
Rain：
其实坦白讲，我当时没有说非要局限在哪个 industry，没有说非要在 Retail或者其他的任何一个行业工作，我当时只是单纯地想跳槽。我主要是看公司整体的一个水平，地理位置以及我面试过程中对他们这个 Team的了解和感兴趣程度来定。我觉得大家在职业生涯早期的时候，不一定要加那么多的限制条件。有时候你可能并不知道你最适合的是什么，也可以相对扩大自己的范围，不要拘泥于一些条条框框，大胆地去尝试。而且多鼓励大家跳槽，因为真的可以增加你的认知和视野。
Q：从美东到佛州再到中部田纳西，这种地理上的大转变给你带来了哪些有意思的观察或感受？
Rain：
这个变化还挺大的，我刚来美国是在纽约这样很大的城市，有很多非常好玩的东西，像美食都非常丰富。之后到了佛罗里达的 Tampa，更像一个度假的地方，相对来说比较轻松、比较 Chill 一点，环境、天气都很好。然后来到中部孟菲斯，又是完全截然不同的样貌。我觉得孟菲斯算是一个比较 typical，比较传统意义上美国绝大部分城市的情况。它不像纽约，也不是所有的城市都像佛罗里达那样适合度假。所以这三段经历让我把不同样貌的美国城市生活都体验了一下，其实也符合我刚才说的当时的心态，没有非要去哪里，我可以都体验一下，然后再做决定到底喜欢哪一个，保持这样开放的心态很好。
Q：你在坦帕和孟菲斯工作过，有没有比较集中的产业，可以给求职的同学们做个参考？
Rain：
这两个城市对应届生来说算是小众选择，但产业特色很鲜明，坦帕是以旅游业、酒店业为核心，同时有很多生命科学、医疗研究公司，也有金融、保险、港口贸易等行业。孟菲斯，联邦快递（FedEx）总部在这，物流运输业是支柱产业，还有大型非营利医院Saint Jude，医疗研究也是重点产业。
模块三
模块三：求职策略——高效海投与跳出“舒适圈”
Q：回顾你的求职经历，你觉得一个理想的求职时间线应该是怎样的？
Rain：
就我自己的经历而言，当时算没有那么早开始的，我建议大家一定要尽早开始，越早越好，提早做准备。机会是留给有准备的人。你可能前期的一些机会是没有办法那么好地把握住的，因为你需要积累经验，你的 Coding 水平、面试技巧也是在不断提升的。所以你前期踩的坑越多，你失败的越多，反而是给后面的成功做的一个铺垫，它们也是非常宝贵的经历。
Q：很多同学找工作会“多条腿走路”，先说说学校资源吧，哥大 EE 项目在就业求职上提供了哪些有帮助的资源？以及有哪些Networking的方式？
Rain：
学校主要提供了几个方面的资源：首先是专属求职网站，学校会整合资源，以纽约本地公司的机会居多；其次是大型招聘会（Career Fair），这是大部分学校都有的常规资源；最后是行业活动（Expo），秋招、春招旺季，每周都会有公司来做宣讲、展览或讲座，既是宣传也是交流机会。Networking 渠道挺多的，最直接的是问在美国工作的朋友、家人，他们认识你，能给最实在的建议；我会找学长老师，有的是别人推荐的，有的是上课认识的，会主动联系他们Coffee Chat；另外是线上渠道，比如在LinkedIn上，看到感兴趣的公司岗位，会找在该公司工作的校友或学长老师，主动沟通建立联系。
Q：你在找工作时，哪类的渠道发挥了比较关键的作用？如何看待海投和内推的平衡？
Rain：
说实话，我自己的这两份工作的 Offer都是自己海投来的。所以我觉得你不要把全部的希望都寄托在别人的 Refer或者 Networking上，首先要靠自己海投，这是一个基础性的东西，要打好这个大量投递的基础。然后在这个基础上，再去 Handle Networking, Handle Refer，这样结合起来效果会比较好。我有通过 Refer拿到过比较好的公司的面试，但是最后没能上岸，但总体来说肯定是有用的。不过你也要去衡量时间成本，有时候你可能投五份、十份简历的时间，你只能在领英上联系一个人，跟他们一直去 Networking，这个时间成本是需要衡量一下的。
Q：你在找工作时，是怎么定位方向的？投递了哪些具体岗位类型？
Rain：
首选肯定是 Data Scientist，投递时会仔细看JD，因为不同公司、行业的 DS工作内容差异很大。除此之外，我还投递了 Data Analyst（DA）、Data Engineer（DE）、初级机器学习工程师（Entry-level MLE），以及一些偏 AI方向的岗位。最后还是选了最中意的 DS 方向，一来 DS需求量相对大，二来从定义上看，它和我的选课背景最契合，工作内容也基本符合我的预期。
Q：现在很多同学觉得 DS上岸难，也会问：硕士专业对上岸 DS到底有没有用？从雇主角度看，DS项目、EE、CE这些硕士项目的差别大吗？
Rain：
我觉得在学校档次相近的前提下，选课比专业和学校 Title更重要。核心是你选了什么课、学到了什么、做了哪些 Project、在简历里呈现了哪些实实在在的成果，这些比你读的是 EE还是 DS更能打动雇主。当然，公司会看学校和专业 Title，但真正决定你是否匹配岗位的，是你的实际能力和经历。
Q：现在很多科技公司招 DS 更倾向于统计、数学等专业的博士，你觉得读博后申 DS 更有优势吗？有什么建议？
Rain：
这得看具体方向，DS领域很广，其中一些偏研究的岗位，比如计算机视觉（CV）、自然语言处理（NLP）、大语言模型（LLM）相关岗位，很多会明确要求博士学历（PhD required），但绝大部分 DS 岗位没有博士要求。建议如果想做上述偏研究或前沿技术的工作，读博更有帮助，不管是过简历关，还是应对工作内容，博士背景都有优势；如果不打算走这些方向，硕士学历完全够用，早点积累工作经验反而更划算。
Q：对于目前正在找 DS岗位的同学，你觉得有哪些方面的建议可以给到支持？
Rain：
我的建议首先就是针对找 Full Time来说，一定要尽量找一个很有含金量的实习，因为很多时候面试官他只会问你一段经历，而往往问的又是你最有含金量、他们最感兴趣的那段经历，也就是你最近的实习经历。另外，大家一定要跳出自己的舒适圈，不管是去勇敢地做 Networking，去参加 Career Fair，去跟招聘官直接沟通，这是其中一种体现。还有，一定要去接触一些看起来比较有难度的Project，而不是做一些很多人已经做腻了的基础Project，只有这样才能够 Push自己不断地进步。
模块四
行业洞察与职场晋升
Q：你觉得 DS 岗位目前受到了 AI 的冲击，你对这个方向的长期职业发展目标是什么？
Rain：
我是有观察到 AI对这个领域的冲击，那么我要做的不是去恐惧或者逃避它，而是要主动迎合它、接纳它，然后去学习它，争取让自己渐渐地往这个方向去转变。所以我现在会有意识地提出或者申请一些 AI方向的，尤其是GenAI或者 Large Language Model这些方向的 Project。我觉得这有助于我之后迎接AI的冲击，而不是说因为担心会被取代就往别的方向转了。所以我长期的职业目标还是想做 Data Scientist，但是我希望更多往 AI方向去发展。
Q：你现在在零售领域做 DS，能说说这个领域的 DS应用有什么特点吗？
Rain：
零售行业的核心是销量，比如我们公司做汽车用品销售，所有工作都围绕“提升、稳定销量”展开。除了销量，库存、供应链、门店员工薪资管理等，都和 DS紧密相关。有数据的地方，就有 DS的工作空间。比如我们组会研究实时事件的影响，比如某个州发生自然灾害，分析它如何影响门店销量，这直接关系到公司业务决策。我们也会做一些通用工作，比如像 DA那样做仪表盘（Dashboard）把数据呈现给管理层，现在也在跟进 AI趋势，比如开发门店 AI聊天机器人，这也是 DS需要参与的内容。
Q：你觉得零售行业的 DS是不是不像科技公司那样，对商业理解要求更高？
Rain：
你说得对，确实分情况。在我们公司，DS 要接触大量业务相关的工作，做很多商业分析，对行业理解有要求。但在科技公司，职责划分可能更清晰，DS更偏技术，商业相关的工作会交给 BA。所以 DS的定位没有统一标准，完全看公司的定义和业务需求，不能一概而论。我们公司除了 DS，不同部门也会招各类分析师，比如 DA、BA，具体要看组或部门的业务需求。
Q：现在 DS 岗位竞争激烈，从你的观察来看，哪些行业的 DS需求还比较多？有什么求职建议？
Rain：
确实，生成式 AI的冲击让 Entry Level DS岗位比之前少了，这是实打实的趋势，但不代表没有机会。目前需求还比较大的行业包括：科技公司、AI公司、金融公司，以及 Fintech领域。给同学们的建议是不要局限于传统 DS工作，一定要主动接触新领域。比如做一个LLM、GenAI相关的项目，哪怕不打算深耕这个方向，写在简历里也会加分,这能证明你在跟进行业趋势，没有被技术迭代甩在后面。如果只做传统机器学习或基础 DA项目，现在上岸难度会大很多，一定要勇于尝试有挑战的新内容。
Q：你在小型 AI 咨询公司和大型零售公司都工作过，你觉得这两种公司体验有什么不同？
Rain：
就说实话。我觉得还是有比较大的区别的。我第一个小公司的好处在于有很大的话语权，会每周跟公司的 CEO这种等级的人开会，跟他们直接说话。但不好的点在于很多时候没有那么 organize，因为规模很小，很多事情没有那么循规蹈矩。这也是我当时想要跳槽的比较大的原因。那么大公司的层级、Hierarchy是非常的清晰的，职责、向谁汇报、各种层级都非常清晰，我觉得这是大公司的好处。相反，我可能入职那么久，都没有直接跟 CEO这种等级的说过话，可能我需要做到更高的层次才能有这样的机会。所以就是有一个 Trade Off，看大家自己的喜好，如果让我再选一次，我可能会更加喜欢大公司的模式， Organize一些。
Q：对于职场的晋升，你有什么建议和经验？
Rain：
我们组的层级大概就是 Data Scientist，Senior Data Scientist, Lead Data Scientist，再往上就是 Director of Data Science，我觉得晋升是一个顺其自然的事情。但在这个过程中，你首先要做好自己的工作，然后有意识地多做一些比较出色、非常有 Impact的Project，这样的话，后面的升职加薪是自然而然会发生的，所以说看中这个过程，以过程为主导，最后的结果是会顺其自然会来的，我的建议是这个样子。
Q：很多国际学生关心签证赞助（H-1B）问题，你能说说零售领域的 DS 岗位，公司对国际学生的赞助支持怎么样？
Rain：
我没专门了解过行业或州的整体情况，不同公司的政策差异很大。我现在的公司在这方面非常友好，会正常提供赞助，没有卡入职年限等限制；但我第一份工作的小公司，有“入职满一年才帮忙抽签”的规定。建议大家申请时直接和 HR确认清楚赞助政策，把这作为选 Offer的重要考量因素。至于是哪个州或行业，倒不是绝对的，关键看公司本身的态度。
Q：回顾你的经历，你能给同学们提供哪些帮助，让他们求职更顺畅？
Rain：
首先，一定要找一份有含金量的实习。 面试官往往最关注你最近、最有价值的经历，而实习比学校项目更贴近实际业务，更容易成为面试的核心话题。如果暂时没有实习，也要把学校项目做深、写好，突出实际成果。其次，尽早准备求职。 时间线拉得越长，试错和积累经验的机会越多。
最后，跳出舒适圈,不管是主动去 Networking、参加招聘会和招聘官沟通，还是挑战有难度的项目，都是推动自己进步的关键。只有主动突破，才能在竞争中脱颖而出。
【竞赛报名/项目咨询+微信：mollywei007】
