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)

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。

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！

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

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。

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。

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！