经济学家如何在科技公司求职？

 

 

 

随着大数据时代的到来和数据科学领域(data science)的兴起，越来越多的经济学博士毕业生对在科技公司工作产生了浓厚的兴趣。

 

就拿我自己的个人体会来说吧：Facebook入职快两年间，我收到了好多来自世界各地的学界前同事或者师弟妹们的邮件，中心思想只有一个：希望能够更多地了解经济学家在科技公司的工作职能。如果可能的话，看看有没有合适的职位能够帮他们递个简历。

 

从目前的结果来看，经济学博士朋友们的简历拿到面试的概率和面试的通过率不如已经有一两年在咨询或者数据行业工作经验的硕士生高。

 

当然这里面有相当多的因素我没有很好地控制：比如专业(经济学还是统计学), 在美的身份问题，薪酬的期望，工作和实习经验的不同等等(毫无疑问，业界是非常重视实习或者以往的工作经验的)。

 

但是抛除这些因素，我觉得有一个很重要的原因：经济系毕业的学生，无论是专业知识技能还是思维模式，没有经过一定的调整和准备，是不太可能很顺利地进入数据科学这个领域的。所以，我希望这篇小文能够帮助有意进军科技界的经济学家们更快更好地转型，早日找到自己满意的新工作。

 

 

经济学家其实在业界里面有很强的适应性。就拿Facebook来说吧, 研究部/产品开发部/营销/人力资源/财务各个部门里面都有经济学家的身影。抛除他们当中自己转行的那些, 剩下就是对经济学家有稳定需求的几类职位：

 

A) 市场需求预测，产品定价分析以及交易机制设计：市场和定价其实是经济学一个非常传统的大方向，所以经济学家在当中扮演的重要角色是不言而喻的。目前共享经济类型的公司比如Uber, Airbnb, thumbtack (一个做装修项目买卖平台的公司)，以及做电子商务起家的Amazon, eBay, 甚至是传统的硬件产品行业比如Intel, IBM, Microsoft,Apple都需要经济学家进行持续的市场需求分析。就连零售业巨头WalmartLabs也刚刚成立了致力于消费者网络购物行为的实验小组，诚邀各路英雄加盟。

 

B) 市场管制政策研究：有网络市场就必有各种政府法令法规的管制，它们对公司利润和发展有着直接的影响。目前一些特别大的公司(比如Microsoft和Google)，还有对传统行业有着重大颠覆的公司(Airbnb/Uber)都有相关的团队研究经济政策对公司业务和发展方向的战略影响。(这里插播一句, 如果大家想参拜HalVarian大神，就赶紧投奔他在Google的政策研究团队吧！)

 

C) 广告有效性分析：网络媒体和传统的电视媒体竞争，除了平台上大量活跃的新生代用户之外，最大的卖点莫过于运用大型网络实验的方法对广告有效性进行精准测量。目前走在这个领域的前头莫属Google和Facebook两家以广告为主要利润收入来源的公司了。Yahoo过去有个研究部也有很辉煌的成绩，原来以Randell Lewis, David Reiley和Justin Rao为首的研究组发了好几篇顶级期刊论文。后来随着Yahoo的衰落，这批科学家陆续被Microsoft, Netflix,Twitter和其他公司的广告研究部门挖走。另外一些成熟期的创业公司比如Snapchat, Pinterest,Tumblr等等也纷纷开展广告业务，从其他科技公司广告研究部里面抢人。

 

D) 房产市场分析：研究房产市场的经济学家们如果想转业界发展，Zillow, Refin和Trulia诚挚欢迎你们！现在美国市场上面看房的同学们，基本就在以上这个几个app里面淘信息了；因为如此，没有卖家不把房源信息放到这些网站上面去的。这些数据对分析房地产市场的走向的重要性可见一斑。

 

E) 教育和劳动力市场：在这个领域当中，经济学家的作用主要是设计更好的模型，帮助进修网络课程的学生们找到自己感兴趣的课程以及设计各种机制保持大家的学习热情(比如Coursera); 或者帮助求职者找到合适的工作等等 (比如LinkedIn/Glassdoor/Indeed)。除此以外，一些致力于将金融和保险产品数据化的公司，比如一些智能理财，投资，贷款的app, 也需要经济学家的指导帮助他们设计这些金融产品。由于我对这个领域不是很熟悉，就不详细展开说了。

 

综上所述，经济学家目前在科技公司当中的强项和定位，应该就是数据分析和决策咨询——也就是时下流行的数据科学领域。这其实很自然，经济学本身就是一门应用性极强的显学嘛。不过虽然一切看上去都是那么水到渠成----

 

 

我觉得排第一位的，也可能是所有领域老博们的通病，莫过于数据分析速度和灵活性。习惯了一篇论文写几年，一个数据折腾好几个月的老博，到了工业界面对着无数“一个月”甚至是“一两周”就要出结果的项目，反而不像硕士生那样做到轻松胜任——这么多的数据才给这么丁点时间分析，这和“追求完美，慢工出细活”的博士精神多么格格不入! 

 

我曾经和一位数据科学的项目经理聊天，他告诉我他的团队里面全都是硕士甚至本科生，而无一博士生。我很惊诧地问为什么，他给我讲了个故事。以前他那个组有的确有一位统计系老博。有一次来了一个挺赶的项目，要求这个团队在很短时间出分析结果。他把项目拍给了老博，心想这个项目和他以前的研究非常相像，想必很快就能搞定。

 

结果几天以后查问进度，答曰暂无结果，还在哼哧哼哧地调试模型呢，经理便震惊了，问老博是怎么处理数据的。结果人家严肃地回答：他以往的博士研究表明，用神经网络模型(neural network)能够给出最准确的结果，但是模型是需要训练的，所以花这些时间是必须的。经理一听吐血，说为什么一上来就用这种复杂模型，而不是从最最简单的聚类分析或者回归分析入手看看有没有能够马上可以说明问题的结论呢？

 

经济学家速度分析数据速度之慢也是令人发指，以至于某位常常给美国各大科技公司做顾问的著名经济学教授也曾经表示，如果接了工业界的项目，自己是不会考虑和学界同仁合作的，特别是那些要拿论文找工作或者评职称的年轻经济学家。

 

与速度相关的，还有分析方法的灵活性。中国情况如何我不了解，但是美国的数据科学家们目前绝大多数都是统计学硕士。而最近各大高校纷纷开设的“数据科学”硕士项目，其实也出自统计系之手。因此直接的后果就是, 经济学老博们一旦进组了，身边的同事就大多是统计学家了。哪怕是其他社会科学领域的老博们，比如政治学或者社会学，数据处理方面也比经济学家更多地使用统计学家的那些模型和分析范式。因此，懂得他们的分析方法和数据处理对于促进交流来说是何其的重要！

 

经济学家拿到一组数据，最常用的方法就是跑各种各样的回归分析——不可否认的时候，回归模型在解释结果方面是非常给力的。但是更多的时候，建模关心的是个体层面上预测的准确性，此时机器学习模型比如decision tree, neuralnetwork, random forest, SVM或者这些模型的叠加比回归分析对个体样本的预测更为准确。

 

还有必须一提的就是看问题的角度和解释结果的目的性。经济学强调的是因果关系的解释(causal inference) 而不是仅仅是强调数据之间的相关性。想必各位经济学家对混淆相关性和因果关系的笑话信手拈来了吧（比如著名的游泳池淹死人数和冰淇淋销售的正相关那个研究)。经过这方面训练的经济学家在回答问题的时候，往往非常重视why - 为什么这个机制有效，为什么A和B相关等等。

 

但是在商业应用当中事实上很多时候一个项目是没有时间去深入了解变量之间错综复杂的关系的。换句话来说，了解一个机制是否有效和为什么有效同样重要。以广告分析为例，很多时候我们做的实验，是直接比较两种投资机制（比如是根据流量竞标还是用户反应竞标）哪种更有效。但是至于为什么是这样的结果，往往有很多原因，比如两种机制最后投放的客户群不同，或者两种广告由于投标方式相异导致竞争力不同等等。要进一步地去了解这个为什么，就要在设计实验或者处理数据的过程中做更多的控制和分析，从而减慢了项目进度。

 

另外，在解释结果的时候，一个经常犯的错误是太过专注细节和技术化(比如说分析方法的描述以及如何你是如何从数据中解读结果的)，或者在解释的时候强调结果的局限性等等，而往往忽略了强调背后的商业含义。因为很多时候听众并不是搞技术出身的人，他们没有兴趣也无需知道你是如何通过严密分析得出这个结论的(毕竟他们可能是你的老板或者销售人员，而不是你的论文评审人)，只需要知道最后的结果和你根据结果的推荐即可。因此相对于小硕们的报告，老博们的通常更加晦涩难懂，这无形增加了老板们和老博员工的沟通成本。

 

如果说以上三个原因直接和博士班训练追求真理和完美的导向密切相关，那么最后一个原因估计就是心态上的了。绝大多数的经济学教授一辈子都在学校里面呆着而没有真正接触过业界，因此对业界有许多不足的认识，比如“业界工作的技术含量低，让我最好的学生去那里工作简直是耽误了他们的大好前途”！

 

我曾经听过这么个说法，哈佛经济系毕业的学生，最顶尖的留高校，二流的去世行和IMF, 三流的进企业（这么说来不如流的学生只能去开公司了，比如Facebook老板马克.扎克伯格）。我博士毕业的学校虽然不如哈佛那样顶级，但是作为欧洲名校，也很明显在就业上偏学术方向。好些博导为了留住最好的学生在学界里面 “继承衣钵”,对他们去业界实习和找工作并不支持。

 

我组里的一位同事曾经告诉我，她和斯坦福的一位教授合作项目的时候，教授雇佣了他手下的一名博士生当助研。有一次开会讨论快结束的时候教授告诉我同事，他打算让另外一位博士生帮忙，因为原来的那位要开始找工作了。出于好奇，我的同事问这位教授，他有兴趣来Facebook工作吗？结果教授一听，将头摇得拨浪鼓似的，说了好几个no: “ 我的这位博士生这么优秀，我当然只会推荐他留在学界工作啦！“ 在这种大环境的影响下，在经济学界呆久了的人如果转行去业界，可能会感到自己是个loser。

 

 

首先，尽量多结识在科技界工作的朋友，了解“现实世界”当中的企业运转以及文化。这听着好像很显然易见，但是其实比任何技能的学习都更加重要，因为这正是转型的第一步，也往往是最需要决心和勇气的。学院派经济学家们的社交圈大多都是同行，三句不离期刊发表, 研究潮流，职称评比，外人听着感觉甚是阳春白雪。长期以往，一个直接的后果就是，很多人打算转型的时候根本不知道自己除了做发考题还适合干什么，或者如何能够在一个企业里面找到自己的位置。积极接触象牙塔外的人是迈出这个圈子至关重要的第一步。

 

以我个人为例，我和码农老公约会之前，朋友圈里面90%以上都是经济金融相关专业的学者, 其中70%更加是集中在行为或者实验经济学领域。在这个领域里混得越久，关注焦点越是狭窄，慢慢感觉和少数几位搞宏观、贸易、经济史和国际金融方向的朋友交流起来已经有种隔行如隔山的感觉了。码农老公无疑向我打开了一扇新世界的大门。通过他的介绍，我迅速认识了Microsoft、Amazon、Google, Facebook, Apple, Uber, Airbnb以及好些创业公司的码工、PM和数据分析科学家。

 

刚刚开始的时候，他们之间的聊天，特别是工作和专业相关的内容对于我来说简直就是一门新外语: 每个词单独拿出来好像知道啥意思，但是组合在一起就云里雾里了。当时本着要多通过工作内容了解男朋友的一股劲，每次聊天我都会像小学生那样积极地听取和适当提问，之后还会将当时还弄不明白的名词(特别是公司用语里面通用的词汇比如ROI, OOO, re-org) 好好地向男友打听一番。我一直对公司内部的结构以及不同部门的合作方式特别感兴趣，也借着这个机会积极向他们打听。几个月下来，感觉对公司的认识大不相同。

 

现在回想起来，这些投资绝对是超值的。 首先，在投简历的时候这些信息对自我定位提供了重要帮助。其次，通过公司内部相关职位员工的推荐得到面试的机会更高（注意并不是录用机会)。最后，和面官聊天的时候, 适当用上他们的术语甚至是熟识该公司的文化，也会让他更加容易地接纳你(group identity研究的直接应用)。如果你还在学校在读的话之后又不知道在学界和工业界的摇摆不定的话，我建议你尝试通过暑期实习体验公司的生活：如果喜欢的话转正为公司正式员工是一个非常好的途径—— 比如我知道的Facebookcore data science team好多实习的博士生最后都留在工业界了。哪怕不喜欢. 秋天回学校之后仍然可以安安心心地继续做学问。

 

其次，挤出时间去补补数据科学相关的方法、分析工具以及编程知识，比如R, SQL, Python, MachineLearning等等。为什么Matlab,Stata,SPSS之类的分析工具不够呢？因为正如前文所说的那样，数据科学分析这个领域目前是由统计学家统领的。因此越熟悉他们的语言和分析方法，对面试和将来和他们的合作都越有帮助。

 

除此之外，在很多公司里面(比如Airbnb, Facebook), R和Python等语言都是直接和Hive, SQL对接的，这就意味着用SQL生成的大表格可以直接导入R的网络版进行处理而不需要每次都下载一些超大数据库。比如我转型的时候，就在 Coursera 平台上面修过Johns Hopkins University开设的datascience specialization track。但是随着数据科学领域的兴起，越来越多教育机构提供这样的网络课程、硕士培训项目，或者专门针对有意转型的研究学者开设冲刺培训（比如data science insightsprogram和data science incubatorprogram等等），大家都可以根据自己的程度和空余时间进行选择。除此之外，关注一下NABE (NationalAssociation for Business Economics) 在自己周边地区组织的活动可能也会有所收获（http://www.nabe.com/)。

 

最后说说面试的一些体会吧。恶补了统计和编程，学习了各种分析工具，又获得了朋友的内部推荐，你开始接到公司的面试邀请了。如何准备？和经济学界找工作不尽相同的是，业界工作面试没有统一的流程标准。这就意味着哪怕是同一个头衔(比如 data scientist)，在不同公司里面的工作职能以及要求可能有巨大的差别。这就需要你根据每一份工作，每一场面试做不同的准备了。

 

首先，熟读招聘广告，从中了解公司的期望值和你能够给他们带来的贡献，以及面试可能的难度。如果广告上列着应聘者必须熟识PHP, Hive, Hardoop，C++等等，那意味着面试的某一关必然会涉及这样的问题，需要事先准备。

 

其次，想办法向HR多打听谁会是你的面官，他/她的背景，这场面试可能涉及的话题（可以请HR帮问问面官）。这些信息都有助于更好地准备面试内容。

 

还有很重要的一点: 清晰的逻辑表达、提问能力和解题能力同样重要！如果面官出了一道很大的题目，令你毫无头绪，无从下手，这时候要积极地向面试官提问，把问题搞搞清楚，然后才开始说出你可能想到的解题方向和思路（哪怕是非常粗糙的）。这种策略总比一个人埋头思考要好，因为如果你不断地问问题，面官的回答或许能够给你更多的信息和思路，而且确保你在正确的方向上面。

 

最后，如果他/她给时间你提问题的话，问一个和他们工作相关的问题，这样会令他们觉得你是有备而来的——这点倒是和找发考题工作是相通的。

 

 

好些朋友问我，在学界和在工业界工作哪里更开心？离开了学术圈自己做自己老板的自由和放弃了十余篇学术论文的积累是否觉得很可惜？我每次都这样回答：没有太多的后悔，因为世界这么大，我想去看看。走出实验室实验这个小圈子，接触到网络实验和处理其他经验数据的方法 (empirical data)、畅游大数据海洋，何尝也不是一种精彩？上帝关上一扇门，同时也会为我们打开一扇窗。最后祝各位经济学同仁，无论是坚守学界还是进军工业界，都能找到自己的价值和精彩！