经历过北美求职面试的都知道Tech、Behavior问题该怎么答，可当如果遇到Domain knowledge时，又应该抓住哪些重点呢？学员Amy就在面试Data Analyst岗位时遭遇了这样的问题，而作为被被前任公司和Career Center坑苦了的她，又将如何化险为夷呢？
以下是她的OFFER故事！
上学的时候对求职并不上心，毕业了随便找了家公司上班，当时还很知足，“有班上就行！”
工作了一段时间，才开始后悔当初做选择时的随意：小厂活杂不说，连全部的Data权限都不给我开（有时候还得猜）……
思来想去，还得是High Tech啊！
就这样，刚毕业不久的我，踏入了跳槽之旅。好在我遇到了“贵人”相助，今年顺利进入Walmart啦！
读书的时候错误地以为学知识最重要，于是尽可能多地选课。这就导致我的学业压力很重，根本无暇顾及求职。
加上在国内的时候踩过留学机构的坑，先入为主地认为所有机构都是一丘之貉，一直不肯借助外力，直到把自己逼进了死胡同。
就在工作成了一团乱麻、不知道如何下手之际，朋友推荐了直通硅谷。
咨询老师听了我的现状之后，居然一条一桩地列出了解决方案，把令我困扰的一团乱麻解开了！
当即就报了名，并且深深地后悔——怎么没早点报呢！
上课就像Mock interview一样
不是我自夸哈，我觉得我平时是个比较细心的人，但没想到咨询老师比我一个女生还细致……
给大家看看他给我写的Feedback就知道了：
学校里的Career Center大家都去过吧？秉持着薅羊毛的原则，我也曾预约过，只给改了几个语法，简历连“皮外伤”都没有。
如今交到老师的手中之后，我才知道什么叫“脱胎换骨”：他对我之前的项目和工作经验进行了深挖，强调数据的量化与结果的展现。这种深层次的改动并非一夕之功，老师也非常耐心地一次次批改。
简历是长线战，改动的同时，我也在跟听直播课。
上课时间都是晚上，我是在职嘛，这点很对我的路子。
课上学的原理我多多少少都了解，有的在课上学过、有的工作中涉及过，但尴尬的是，没一项是真正深入的。
老师在直播课中讲得就很透彻了。
比如Supervised和Unsupervised Learning这样的原理，一个图就能展现，但老师会举出各样的例子来让我们理解；还会提供Linear regression啊、Tree based models啊、Neural Network models等等Commonly used models，生怕我们学不会。
课程中还会穿插许多Interview questions。我记得比较清楚的一个问题是，How do we reduce variance error in linear regression?
以为回答完问题就完了，没想到他还出其不意地问了Follow up：Ridge regression VS LASSO.
很“惊险”，但也真的很锻炼个人能力！上课的过程犹如体验了Mock interview……
哦对，真正的Mock对我来说也是超级有用的。
通常Tech和Behavior的问题基本都知道要答什么了，但Mock的时候我被问了Domain knowledge，这个点我之前从来没关注过，老师还给我详细讲解了答法，我也私下好好查了查看了看。
没想到，面Walmart的时候，真叫老师算对了！
Walmart面试真的考了Domain Knowledge！
我面试的时候是4轮，总体都非常简单，回头复盘一下，我觉得最难的居然是OA……
接下来电面做了Data Sciense的题，Follow up都是针对原理的。
VO的话，遇到了国人也遇到了印度人，遇到印度人我还有点紧张，没想到他们都在齐刷刷放水，题都简单，Data Operation、A/B testing这样，都不难。
做完题之后就瞎聊，果不其然问了我一些Domain knowledge。
我口语其实没那么好，一直因为这个有点自卑，但是面试的时候说得居然很顺，甚至我居然已经不在意这个点了。
我突然发现，这几个月来的直播互动、Mock练习、跟听Mock，带给我的助益是如此巨大。
现在我已经入职一段时间了，薪资相较之前翻倍了不说，同事们也都很友好，Manager给的建议和指导很多。
希望我的经历能对大家有帮助，也祝福大家和我一样顺利上岸！
Hi，我们是直通硅谷！
我们专注于全球科技行业求职培训，心之所向，是壮大全球华人科技力量。凭借实战中积累的丰富经验，及由800+全球科技公司在职面试官组成的导师库，我们让求职这件事成为系统的科学，并变得越来越简单！
自2015年，直通硅谷独家秋招计划已帮助5000+学员成功进入全球顶尖科技公司！
你只需要一个
ALLinONE计划
进入全球顶级科技公司
