海外工作分享- 新加坡Google數據分析師 - 海外工作

Hazel avatar
By Hazel
at 2019-06-07T15:10

Table of Contents

人物專訪:結合互聯網及大數據應用的網路警察- 專訪新加坡Google數據分析師 Patrick

語音原文:http://shelleyadventure.com/patrick-interview-part1/


知道網路警察這個工作嗎?本集要專訪的人物是目前在新加坡Google辦公室擔任數據分析
師的香港朋友Patrick,他在台大及倫敦政經學院完成他的大學及碩士學歷後,回到香港
Yahoo工作,幾年前,又轉往新加坡Criteo 及Google工作,一直在互聯網工作的他,今天
要跟我們分享他海外工作的內容及聊聊互聯網的趨勢發展。


網路警察的工作內容
我在Google是一個數據分析師,主要負責網路廣告投放publisher分析.。在Google裡面,
Publisher有分兩種,第一是網頁,第二是App。我就像網路警察一樣,利用大數據來抓一
些不好的App,胡亂投放廣告或者App內容有不恰當的內容卻投放了Google的廣告。

由於市場上有幾百萬的App在投放Google廣告,我們,我們team 必須利用大數據來有效快
速抓高風險的App,然後對違規App進行處分。

大數據的內容很多,比如說使用者行為、App投放廣告行為、應用市場搜尋下載行為、應
用市場搜尋下載行為、用戶對App評論投訴等等多種數據來源,我們數據來源,我們團隊
續建一個有效地模型來偵測出高風險的App。

想要進入big data 領域的建議或要培養的核心能力?
如果要成為一個Data人,不管是叫Data Analyst或Data Scientist. 我覺得要具備三個條
件:

第一是Presentation 能力:

Presentation可能是對Technical Background 或Non-technical Background 的或者是對
外或對內部的差別。當然,共通處就是要學會用最簡單最短的文字來呈現你的分析結果。

對有技術背景或非技術背景的(Non-technical background)
如果是面對非技術背景的人比如說是銷售同事,那報告的內容不需要最直接比如說公司的
產品為客戶的訂單增加百分之幾,減少百分之幾的時間,圖表必須要一目了然,因為大部
分非技術背景的人都不會關注分析的過程跟假設,很多人就會關注分析的結果而已。

而面對技術背景的人做的Presentation,就需要做一個比較完整的報告,包括一開始的
Abstract或者叫summary或者叫TL;DR ,先把結果講出來。然後開始說整個分析的阿桑先把
結果講出來。然後開始說整個分析的Assumption, Limitations , Level of
confidence, Suggestions 和Next step或Action item等。

對外或對內部的團隊
然後對內跟對外Presentation的處理方式又有不一樣。

對外部的話,一般會放大優點,縮小缺點。

你會強調公司為客戶帶來的效益有多大,當解釋麼一方面沒有去做的很好的話,就必須要
用一些數字來做解釋。比如說上個月我們公司為你帶來的訂單減少了30%,你可你會強調
公司為客戶帶來的效益有多大,當解釋麼一方面沒有去做的很好的話,就必須要用一些數
字來做解釋。比如說上個月我們公司為你帶來的訂單減少了30%,你可能使用過往的資料
來證明訂單下降是跟市場季節性的變動有關的。

如果是對內部觀眾的報告,那就需要以中立的手法來呈現。

比如說新的產品為那就需要以中立的手法來呈現,比如說新的產品為公司訂單增加30% 但
盈利卻只增加了5%,那報告必須要點出產品有成效,但整個產品只帶來一些低價值的用戶
,不一定符合效益。

第二條件是Documentation的能力:

網路公司很注重Documention,一方面是知識資訊傳承,另外一方面是data如何有好理解
的呈現方式,因此,這時候若是能夠將資料或數據透過清楚的圖表來呈現,可以更容易幫
助團隊了解了解情況。

第三條件是自我學習能力:

由於網路產業變化很快,因此很重要的是要不斷學習。不管是透過內部學習,或是利用第
三方網路課程像是Udemy等線上課程,都能增進自我的硬知識。我有一位資深同事,更會
定期看學術論文,幫助他找靈感,相當好學。

以上都是我認爲要具備的軟實力,至於Technical Skill: 我會建議目前還在學的大學生
,若是對這一行有興趣,可以去修相關的課程包含以下統計軟體及圖表軟體:

Excel
SQL
Python
R
Tableau

大數據的過去及目前發展趨勢
大數據現在的確是很火熱的話題,一般是處理預測、分類和推薦等需求。前幾年當大家還
在討論Machine Learning 跟AI的時候,其實就是針對用戶的體驗和為用戶創造價值,例
如說要提高搜尋的準確度、推薦跟使用者相關的產品、找出高價值的客戶等等。

但從兩年前開始,特別是美國總統大選時在Facebook上面的假新聞事件,到去年Facebook
和Google 的CEO 分別到國會聽證會,引發廣泛討論用戶隱私安全、資料使用、網路資訊
正確性和安全性的擔憂,這些隱憂會對網路的名譽、企業客戶的品牌安全有一定的影響。

因此,很多網路公司這兩年都大量投資安全與信任(Trust and Safety)這一塊,主要打
擊網路不良和危險訊息、System Gamer和網路違法行為。比如說,電商平台會打擊鑽系統
漏洞以騙運費補貼或推薦新使用者折扣優惠、又或者盗版貨。社交平台打擊色情特別是兒
童色情、假新聞、冒充身份,Email 抓Phishing 郵件,視頻分享平台有版權影平或不當
內容影片、網路金融服務機構也在打擊各重洗黑錢和詐騙行為。

總而言之,很多企業已不只單單以Business/commercial oriented 層面運用ML和AI,現
在更注重Operational 層面上保護客戶和公司的利益與安全。

你在網路公司待了有段時間,可以跟我們分享你的觀察嗎?
有的,我覺得以下兩點是我發現網路人的共性,不管是在Google還是其他網路公司。

第一個是Fast Learning:說到這個,我發現公司的TOP Sales跟一般銷售的差別,Tops
sales 通常非常的好學,他們不單單只是了解商業層面,也會去請教背後的技術原理。尤
其越是成功的業務,通常會不斷精進自己的能力或是知識,才能夠獲得客戶對他們的信任
。另外,他們通常有很強的技術背景,能夠直接提供解答及服務給客戶。

第二個是要主動的(Proactive)找專案來做

在Google 有熟知的Extra mile 或是120% Project,這些都是鼓勵工程師能夠利用自己的
創意去為公司創造更多價值。我覺得在網路業,本身就是要不斷懂的快速學習以及保持主
動的態度,才不會被淘汰。

文章原文:http://shelleyadventure.com/patrick-interview-part1/

--

All Comments

William avatar
By William
at 2019-06-11T18:23
Sierra Rose avatar
By Sierra Rose
at 2019-06-14T00:46
新加坡分部多少人阿?
Irma avatar
By Irma
at 2019-06-14T23:34
推!
Necoo avatar
By Necoo
at 2019-06-18T21:20
推推!
Hedda avatar
By Hedda
at 2019-06-19T19:08
5千人~1萬人
Cara avatar
By Cara
at 2019-06-23T23:55
也太多人了...
Anonymous avatar
By Anonymous
at 2019-06-28T00:24
超過五千人是把youtober加進去嗎
Caitlin avatar
By Caitlin
at 2019-07-02T11:15
概要清楚

赴美求職時機請教

John avatar
By John
at 2019-06-05T23:15
想請教各位大大關於過去美國的時機, 狀況如下: 我和我太太去年7月拿到綠卡, 跑了幾次覺得 實在很辛苦, 先前決定7月初要過去找工作。 但是最近survey� ...

越南工作生活的日子(一)

Queena avatar
By Queena
at 2019-06-05T01:32
網頁好讀版 https://reurl.cc/egbDj 2017年外派到越南一直到現在 中間曾經登出過一小段時間又換了一間公司 一直很想記錄一下,也讓之後有機會外派的人�� ...

清祿鞋廠工作環境請教

John avatar
By John
at 2019-06-03T16:02
小弟最近有幸面試越南清祿的鞋廠 但本小魯沒有去海外工作過 想請教有沒有大大在越南清祿工作的 他裡面的管理方式很嚴格嗎? 自動化工程師那邊 ...

洛杉磯市中心韓國城徵室友

Zora avatar
By Zora
at 2019-06-02T11:19
有板友來信詢問關於徵室友或租房的文章是不是能在這個板張貼,目前板規並 沒有明確的規範,最主要的原因是這個版的宗旨是提供一個大家互相交流 ...

美國能源部 NETL

Steve avatar
By Steve
at 2019-06-01T01:11
本肥來美國參加了一個研討會 在上台混亂嘴一波後,美國能源部兩個研究員來遞了名片,也只有稍微小小聊一下,但對 於這個部還是不太了解。 Nation ...