Kitlyn Kuo
碩士學歷 :
University of Minnesota (Carlson School of Management) – Master of Science in Business Analytics (MSBA)
明尼蘇達大學 商業分析碩士
大學學歷 :
台灣大學 工商管理學系 (科技管理組)
目前職位 :
Amazon – Business Intelligence Engineer
留學前的學經歷
對於跨足資料領域的啟發
在台灣時,大學就讀台灣大學工商管理學系科技管理組,科技管理組比較特別的是除了要進修一般商學院及管理學院普遍課綱都會具備的內容之外,系上格外強調 Supply Chain Management (供應鍊管理)及統計領域的知識與發展。雖然大學課程整體還是偏重在學術、理論的教育,真正能夠實際快速被轉化到職場應用的部分可能有限。不過我認為課程中讓我受益匪淺的是「啟蒙」與「興趣探索」的功用,舉例來說 : 資料庫管理、應用統計等會使用到資料處理和資料分析相關的課程,讓我往後接觸到 “Analytics” 這個概念時並不會感到陌生,當初有機會提前學 R 語言跟 SQL 的決定也使我在跨足 Data Sciences 領域時不會驚慌失措,即使在初期還是要花費大量的時間,不過拉長戰線的做法可以讓我逐漸探索出資料領域的興趣,以及從中獲得完成指定任務時的成就感。
大學職涯的探索與定向累積
大學四年過程中我不停摸索自己未來的出路,如同絕大多數管理學院、商學院學生都會面臨到的問題 – 「出路很廣」,一開始我也曾經認為或許會進入商學院學生的夢幻產業管理顧問公司 (Consulting firm) 或是金融領域、供應鏈領域、廣告行銷等學長姊分布比較密集的產業。
不過實際去蒐集資料、調查上述產業所釋出的職缺介紹時,我發現自己並無法從中找到非常適合自己的定位,我認為職務描述中所需要負責的任務並無法充分利用到自我的長處,於是我在大三這一年投入許多心力和時間在嘗試不同的實習工作、參加商業競賽,想要減緩無法明確職涯道路的不安定感。
真正找出職涯方向,踏上 Quantitative Analytics ( 量化分析 ) 這條路,我自己總結出兩件事對於目前在美國的全職工作經驗提供很大的啟發 :
- 產業選擇 (Industry)
升上大四時,我申請上台灣 Intel 實習,那是以大學生身分進行的最後一份實習工作,也成為職涯初期最大的轉捩點。進入 Intel 工作最大的啟發,我想是發現自己對於科技業的熱情與著迷。不過最大的限制是國內科技業大部分對商學院畢業生開放的 Junior 職缺集中在行銷 (Marketing) 以及採購 (Purchasing),不在自己喜歡的職務內容範疇內,所以畢業後我選擇進入 Market Research(市場研究)產業。而這份在 Intel 的實習工作,算是幫助我找到自己有熱情的產業,只是受限於環境職務內容無法符合。
- 職務內容選擇 (Function)
在外商市場研究公司全職工作 18 個月期間,我被賦予能夠獨立、合作完成眾多量化分析的相關任務,負責客戶多半分布於科消費性電子產業以及我很有熱忱的科技業,整體工作性質比較偏向 Consulting,我們需要先瞭解客戶真正想要得到的資訊、分析的需求以及最終想要應用數據解決的問題,最終將蒐集回來的量化資料抽絲剝繭出有用的 insights 。
選擇出國留學的動機
從 Business Administration 到 Business Analytics
越是延長在資料領域的工作時間,越能夠明白自己對於 Data Science (資料科學)領域的熱忱,同時也期許能夠持續在博大精深的資料領域中持續累積專業知識,並且能夠站在第一線親身體驗新科技、新技術。即使已經脫離學生身分,我還是與大學統計教授保持聯繫,並擔任他的研究助理協助研究計畫能夠順利進行,讓我可以持續累積自己在業界、學界兩種不同的經驗,也因為可以時常與教授這位資料領域經驗豐富的前輩交流,也更加奠定我朝向 Business Analytics (商業分析) 專業發展的決心。
原本還在讀大學的階段,以為未來的自己會工作幾年後出國進修 MBA (工商管理碩士),但透過工作上重新認識自己以及重整對於職涯的認知,也更加確定往後的職涯發展方向。最後選擇 MSBA 主要是因為權衡之下我更喜歡投入在研究以及資料分析領域,能夠擁有實質上的技術專業會讓我感到更加安心。
對於 Business Analytics & Data Sciences 的定位
開始準備留學申請時,曾經一度考慮選擇 Data Science Program 的正規課程, Data Science 是一門很大的學問,它涵蓋的範圍非常廣,也正因為如此商學院出身的我如果選擇直接轉領域到 DS 會有一定的難度,尤其是透過一、兩年的碩士 Program,很難扎實的學習完整個學門的知識含量跟對應技術,因為它牽扯到的學術知識、程式技術太廣。
所以我選擇 Business Analytics,它更像是商業與數據之間的橋樑,從資料分析中找到產品問題、促成商業決策。最終會選擇這條路一方面也是不想離商業和產品端太遠,畢竟商學院的背景是我的本業跟本錢,如果能夠把過往學習到的分析技能應用在商業領域的對我來說會更有優勢;一方面是以前的工作經驗以及協助教授做研究的過程中讓我對於『把資料轉換成有利資訊』的概念非常著迷。對我而言,出國留學只是一個嚮往,每個人都有很多條路可以選擇,但首要的任務是要先找出你真正在五年後、十年後想要追求的事物。
留學標的選擇的評估項目 (國家、選校)
由於 Intel 的實習經驗讓我難忘對於科技業的執念,加上現今國際上 Tier 1 Tech Company ( FAANG ) ,全球策略總部無一不坐落在美國西岸 (加州、西雅圖),因此我認為選擇到美國留學會更適合發展 Data Science 相關領域的職涯,因此將美國標記為我的留學首選地。
第二個談到學校部分,考慮到畢業後有規劃長期留在美國工作,所以畢業生就業率成為我在選擇學校時最大的考量。其次是課程設計、課綱規劃,身為國際學生如果想要順利留在美國工作,商業技能對於我的幫助效益可能不夠大,會選擇 UMN 的主要原因就是課程上的規劃相當完整且具有技術性,為期一年的課程幾乎涵蓋所有 Business Analytics 從業人員需要的基礎,加上學校網站所公佈出來歷年畢業生的高就業率,讓我可以放心的接受這一份入學許可。
申請學校的方向與經驗分享, Why UMN ?
記得當初我申請的學校約有 8 – 10 間,其中最後有收到入學許可的學校也有 5 – 6 間。當時進行抉擇時其實充滿猶豫,因為加州無論是天氣、生活機能以及無人能敵鄰近矽谷、舊金山的地緣關係都相當吸引人,讓我在 USC (南加州大學) 跟 UMN 之間遲遲無法做出決定 ; 但回歸到最根本出國留學的原因「課程設計」, UMN 的課程規劃實在是太難以超越,其實要判斷一間學校所開設的 MSBA 課程好與不好,可以從學程的 Cloud Computing / Big Data Techniques 課程含量跟比例去找出端倪。雖然說實在要能夠在一年的碩士課程當中接觸到 Big Data(巨量資料) 的範疇並不容易,但 UMN 的課程安排讓學生至少可以學習如何使用相關工具,這部分非常仰賴有經驗教授的引導,因為其背後運作原理有點深奧,對於基礎背景知識不夠扎實的商學院跨域學生來說是不易理解的。
UMN MSBA Program 經驗分享
以下從幾點留學生比較在意的內容,整理出我個人認為的優點與缺點
優點 :
● 課程紮實,大量的 Projects 以及 Meetings 讓我穩紮穩打,累積大量經驗,讓履歷加分
● 由淺入深,循序漸進進入 data-centric 的領域,讓我日後遇到商業問題時知道如何處理,而不是一開始面對一大堆資料卻不知該從何下手
● 產學合作,讓所學能夠透過與企業端合作解決 Live Case ,能夠更容易的學以致用 ( Google 、 Ford、Optum 等)
● 就業輔導,學校固定與 Capital One (第一資本)、 Target 、 Best Buy 等各產業龍頭企業合作,每年校園徵才,讓學生畢業即就業
缺點:
● 學校地點較偏僻,相較加州、紐約的學校來說失去地緣上的優勢
● 舉辦就業博覽會的時程較為分散,因此不一定能如期於畢業前兩、三個月提前確認工作錄取
● 若選擇西岸的工作機會,學校在該領域相對而言較不知名
留學畢業後的職涯規劃
就業時的主要考量
回歸現實層面,我覺得提供給國際學生的選擇並不充裕,因為在美國仍然有許多公司是不會選擇贊助國際學生簽證,是否擁有身分也是在就業博覽會上很容易被問到的問題。因為對於產業的偏好 (科技業) ,所以當時將心力和時間全部投入在準備西岸的工作機會,鎖定中大型、大型的科技業品牌,值得一提的是即使我對於金融業的熱忱並不高,但同時也投遞一些金融產業的工作職缺作為備案,畢竟金融算是撇除科技業以外導入數據、資料分析比例很高的產業別。
除了個人的產業偏好之外,我在選擇第一份工作非常重視公司本身是否能夠提供員工足夠的資源以及職涯發展,並且確定這家公司能夠長久經營。以碩士畢業的第一份工作來說,我覺得 Amazon (亞馬遜) 就不失為一個好的選擇,因為可以使用並接觸的資源及資料都是業界首屈一指,可以真正知道如何面對並處理所謂的巨量資料,也能夠持續學習到很多工程方面的知識 ; 一旦具備產業、職務所需的 Know how 以及能夠解決問題的對應技術,未來要轉到其他的領域其實都不會是太大的問題。像今年所遇到新冠肺炎,許多產業在初期都受到非常大影響,相對來說科技業的波動相對平穩一些,快速的就啟動遠距工作、輪班進辦公室的相關措施,當其他企業凍結招募、資遣員工時, Amazon 內部經營其實就相對很穩健,論就業考量,找一個能夠讓你成長、有機會發揮且持久的企業是很好的目標。
求職經驗分享
不諱言的說,在美國找工作確實對國際學生是一個很艱辛的過程,一開始以為只要投遞的履歷量夠大、人脈足夠廣泛,正常情況下是可以順利找到工作留下來。當時讓我感到挫敗的地方是 Data Science 領域的水太深,要精準的找出適合自己的職位是一門學問,例如最初花費很多時間投遞 Data Scientist (資料科學家) 的相關職位,就算我有取得 Internal Referral (內部推薦) 也都仍是無消無息。進行檢討分析時細看 Job Description 才發現,他們對於求職者的期待是具備 PhD (博士) 學位或是已經有 Data Scientist 相關工作的背景,由於對於應徵者要求是非常 Algorithm-based (基於演算法) 的即戰力,而我對 Data Science 的理解較為淺層,後來才開始轉換我找工作的方向。
以前我對於統計比較在行,加上商學院背景如果鎖定在介於 Business 跟 Data Science 之間的職務屬性應該會更有機會,於是我開始應徵 Market Analyst (市場分析師) 以及特定產業、職務要求的 Data Analyst (資料分析師),最後就是目前擔任的 BI Engineer (Business Intelligence Engineer 商業智能工程師)。建議留學生們找工作時,事前對於產業、職務定位的方向很重要。企業中的 Recruiter(招募人員) 動輒要審核的履歷數量都是數以千計,擁有大品牌實習經驗、名校學歷的應徵者一定也不在少數,其實很難再如同過往用履歷上的指標就能出類拔萃,轉而讓 Profile (簡歷) 上所描述的經歷跟公司所要求的職務內容非常相符,更有機會爭取筆試、面試的機會。我也認為自己算是非常幸運,當時進入面試的幾輪狀況都超乎預期,所以在四月中還沒畢業前就取得 Offer ,實際上找工作僅花費約一個多月的時間。
Amazon 職場文化及工作經驗分享
Amazon 整間公司讓我感受到的氛圍是步調非常快,即使走過 27 個年頭仍保有新創公司的快節奏,但同時卻有具有穩紮穩打的企業體質。我現在隸屬的組別在 Amazon Advertising (電商站內廣告) 底下,廣告是公司目前營收非常重要的來源,現今廣告的發展早已不再侷限於傳統的 Banner Ads (看板廣告),逐漸轉往能夠根據蒐集有效客戶資料並推播的 Recommendation System (推薦系統),透過搜尋每一個關鍵字的地點、時間、網頁,都能夠判斷適合跳出的廣告,背後所牽扯的龐雜運算理論、定價系統就是工程師們日以繼夜優化的傑作。
加入這座世界數一數二的電商王國、全球數據集散地,每一位員工都必須具備對於市場波動快速做出反應的能力。我們每天都要監控所有 Metrics,並透過設定的 kpi 指標幫助工程師們判斷不同層面的廣告表現能力,不間斷去探索數據所呈現在眼前的趨勢,並加以判讀、採取行動。例如 : 今天發現一個機會點可以切入、接著開始進行資料分析、產出報告交給 Product Team (產品團隊) 發起實驗來驗證假設。
Amazon 最著名的 Leadership Principle (14 領導力準則) 中有一條是 “Bias for action.” (貴在行動),代表每個亞馬遜人要在短時間內作出一些判斷,要學會接受不完美、有瑕疵的行動去因應快速變動的市場,這同樣也是我認為 Amazon 至今在產業中能夠屹立不搖的主因。在談話中呈現可能是輕描淡寫,但在工作場合伴隨而來是偌大的壓力,如我所任職的組別非常 intense ,加入近三年還是有成長空間以及能夠學習的事物。
BI Engineer (商業智能工程師) 是什麼?
BI Engineer 是一個蠻特別的職位,有點介於 Data Engineering, Data Scientist 跟 Business Analyst 之間,擔任產品/服務研發過程中各部門的橋樑。工作上大部分使用 SQL 、 Python 兩個工具來進行 Data Transformation (資料轉換)、Data Manipulation(資料運算)、Cleaning(資料清洗) 等資料處理。Amazon 是一間很大的公司,不論是 Data Engineer 、 BI Engineer,其目的都在於從各式各樣的資料來源中去撈出有應用價值的數據,並利用我們的專業將 Unstructured Data (非結構化資料) 變成 Structured 供產品團隊使用。
我大概有 70% 以上的工作時間都在進行資料處理,剩餘 20-30% 的時間真正在做 Data Analytics 的工作 (如 ad-hoc 分析),除上述提到的 SQL 、 Python 以外,當然還需要會使用公司原生產品 AWS (Amazon Web Services),它是雲端處理 Big Data 的重要工具。有趣的是,過去在課堂上學習的理論和概念,在這個職位裡全部可以實作,讓我知道親身體驗如何運用工具處理如此巨量的資料,真的感受到越嘗試越是投入的職涯熱忱。
延伸閱讀 : 美國商學院畢業校友怎麼說 ?
重考邊緣如何轉念,資管系燒向數據的熱火 | UT-Austin Business Analytics
經濟系到數據分析,上海 Apple 供應鏈筆記|NYU Data Analytics & Business Computing
作為平台總編輯,在此感謝所有留學校友願意分享留學故事,也謝謝長期願意閱讀留學計畫文章的每位夥伴。如果你也有留學故事想要與大家分享,歡迎隨時透過 instagram 及 Facebook 與我聯絡。