02
資料科學家是數據價值的「深度挖掘者」：藉由統計學、預測演算法與嚴謹的實驗設計，回答更深的商業問題。
你每天真正會在解決什麼問題？
工作的核心不是只看職稱，而是理解這個角色如何把模糊問題轉成可以被處理的工作。
FRAME
定義模糊問題
將商業目標拆解成可被驗證的統計假說與數學模型。
MODEL
建立預測模型
使用 Python 或 R 建立模型原型，驗證演算法可行性。
TEST
設計實驗
進行歸因分析、因果推論與 A/B 測試，避免只看表面相關。
EXPLAIN
說明模型價值
用淺顯語言向管理團隊解釋模型如何幫助公司成長。
先把這幾件事練到能用。
Python / R
用熟悉的工具完成資料清理、分析與模型原型。
必備統計與機率
從假設、抽樣到不確定性，建立可靠的推論習慣。
核心SQL
從資料來源取出能支撐分析與實驗的資料集。
核心Scikit-Learn
使用傳統機器學習方法建立可解釋的基準模型。
加分一天的節奏，比職稱更誠實。
一個普通的工作日DAILY RHYTHM
定義問題
與資料工程師協同定義用戶流失模型需要的特徵表。
調校模型
在 Notebook 內比較邏輯斯迴歸與隨機森林的結果。
分享洞察
準備投影片，向業務團隊說明哪些客群值得優先經營。
這條路不只通往一個終點。
先建立這個角色的基本功，再依照你更喜歡的問題，往管理、產品或更深的數據技術前進。
資料科學家建立分析與建模基本功
資深資料科學家主導模型與實驗策略
Principal DS / Director定義團隊與公司數據方向
看懂角色之後，面試會考什麼？
不同角色的面試形式差異很大，提早知道每一關在測試什麼，準備才有方向。
SCREEN
履歷 / 技術電話篩選
確認統計基礎與過去專案的實驗設計方式。
TEST
建模作業
給一份資料集，要求在期限內完成 EDA、建模與結果說明文件。
ONSITE
統計與 ML 概念白板
常考 A/B test 統計檢定原理、bias-variance 取捨、過擬合處理方式。
PRESENT
專案簡報
向非技術與技術主管分別報告同一個專案，測試溝通分層能力。
作品集怎麼準備
準備一個從問題假設到實驗結論的完整案例，附上你如何驗證因果關係（不只是相關性），比起模型準確率，面試官更在意你的推論邏輯。
常見的落選原因
- 拿競賽準確率當作品集重點，卻說不清楚業務問題是什麼
- 面對簡單統計題（如 p-value 意義）解釋不清楚
- 沒有討論過模型失敗或無效的案例，顯得像只呈現成功結果
資料科學家的日常，是在不完整的資訊中，建立一個可以被驗證、被討論的答案。
