- UID
- 1322851
- 在线时间
- 小时
- 注册时间
- 2017-12-31
- 最后登录
- 1970-1-1
- 主题
- 帖子
- 性别
- 保密
|
我们第一届MMA在四月底刚刚结束课程，还记得当时2018年申请的时候, CD上关于加拿大BA方面以及多伦多大学MMA的信息还很少，所以就想开个帖子和大家分享下。
本人undergrad专业是Nano-Science，偏tech，在毕业前找到Full Time的Data Scientist工作，现在位于多伦多downtwon工作。
基本信息：
我们第一届MMA一共43人，印巴学生大约10人，加拿大本地大约10人，中国学生大约20人(包括加拿大籍)，其中陆本1/3，海本2/3。同学的本科背景，将近50%是STEM专业的，另外50%是会计、金融、心理学等文科专业。绝大部分人的full time工作经验基本为0，除了少数3-4个同学有5年以上工作经验。项目一共分3个term，Intro (Summer) term, Fall term, Winter term，从8月初开始到次年4月底结束所有课程，共9个月。我们这一届在intro term开始就已经组好了队(Director写的一个Algorithm分配的), 并且这个组队安排会一直延续到Fall term结束。（这个组队的事情还是有些小插曲的，后面会细说）
课程设置：
8月初开始的Intro term为期一个多月，有 bootcamp和商科的基础课程，基本就是introduction level的课程，顺便让同学都相互了解下，最后是以考试+presentation的形式作为Final Exam。在Intro term的末尾阶段，career service就开始进入了，介绍求职时间线，行业现状，mock interview等等。9月中旬开始的Fall term一共4门主课（外加Practicum Project和Colloquia），基本属于Technical课程，Python、SQL、R、SAS、Tableau都会用到，并且会有Machine Learning方面的统计学课程。Fall term基本以Individual Assignment和Group Assignment的形式呈现，期末依旧是Exam+Presentation的形式。这学期课业负担比较大，会很忙，偶尔熬一两个通宵也是有可能的，但学的东西还是很扎实很有用的。
说回组队的事情，因为每个人的background都不一样，有人tech强，有人写report牛，大家水平参差不齐，所以一开始这种被动组合的team里面有可能会有矛盾，而且每个人的work ethic也都不一样，分工不均、划水不干实事的情况也是有的。也因为program service对于这种情况经验不足，导致team内部矛盾比较多，所以本来Winter term还是要用Algorithm进行分组的，但是在大家的要求下变成了自由组队。这也算是Teamwork的宝贵经验了。
圣诞假期不是很长，大概三周左右，当时在这个时候我们的求职压力就开始浮现了，大家也都纷纷开始network+投简历。
Winter term比较偏向business side，还是4门主课外加实习和Colloquia。有一门课我觉得最有意思，Analytic Insights using Accounting and Financial Data，完美地把Fall term学到的technical知识应用在了finance的真实问题上，学的也都是research领域比较前沿的东西。其他几门课就比较水，比如Supply Chain和Marketing Strategy这两门课就比较老套，用到的skill也不怎么跟得上时代，但是这两门课所教的qualitative的东西还是很有用的，尤其以后求职的时候对于特定领域可以有东西聊。还要再吐槽下最后一门课，Customer Value这课实在是水的不行，prof本身感觉在混日子，教的东西也和其他的课有重复，完全没有structure。但是，请学弟学妹们不要担心，在我们的强烈建议下，2019年的这门课已经被取消了，prof也不会再教了。对于空缺出来的这门课，据说会换成一门从cs角度教学的Python课，以弥补课程和市场对Python的高水平需求。
实习项目：
多大MMA是自带9个月实习的，从Fall term开始一直到Winter term结束，每周五都没有课程安排，一整天都属于这个实习项目，有的公司可以on-site工作还有pay（比如银行），有的实习就只能在Rotman远程做，还没pay，差异性比较大。这一届实习的公司有大有小，五大银行中的4个(TD, CIBC, Scotia, BMO)，Tech firm(Google, Rubiloud等)，Retail行业(Unilever、加拿大轮胎等)。整体感觉下来，我认为这个实习不是很扎实，每个实习公司所给的support差异性也很大，重视程度也参差不齐，但在求职上还是有帮助的。毕竟我们是第一届，一切都是实验性质的，希望未来能有所改进。据说第二届开始会有Deloitte加入，以填补consulting行业的空缺。
求职现状：
现在是六月初，65%的同学都已经在加拿大本地找到了工作。Rotman的career service总体处于一般水平，该有的都有，比如改进LinkedIn Profile，组织Mock Interview(公司的HR来面)，修改resume和CL，1对1的counseling，移民session等等。缺点是拉过来的info session数量比较少，内部贴出来的对口岗位不是很多(但据说从Rotman内部系统投的简历，给面试的机率很高，这也为很多人积累了真实的面试经验)。而且当初career service建议的是2月开始才进入求职找工作阶段，但是从我们几个同学的个人经验来说，找工作越早开始越好，有很多非常好的Rotation Program / Graduate Program都是8、9月开始招人，圣诞节前基本就结束了。而3至5月的岗位基本都是直接full time，对于初入职场的学生来说不是最好的选择，而且对口岗位数量也较少，导致求职压力在最后一个学期会很大。所以，我建议在9、10月就开始调整简历，开始coffee chat，了解各行业，申请工作。
根据我与不同的人coffee chat了解到的情况来看，多伦多市场对于Data Science & Analytics的需求还是很庞大的，而且具有行业宽、职能广、层次深的特点。行业宽，Retail Banking Consulting Tech Healthcare都有岗位，大公司和start-up都有需求。职能广，可以做IT Consulting，可以做Marketing Analytics、Customer Analytics，在Bank有Anti-fraud、AML、Strategy。层次深，BA/DS是个交叉学科，business和tech兼具，在多伦多可以找到很tech的工作(Data Scientist), 也可以找到很business的职位(Data Strategist, Consultant)，所以可以根据个人的特长和兴趣来选择。综上，求职不单单是看学校career的资源，更重要的还是个人能力，所以经常networking+掌握专业知识+提升简历才是硬道理。
总体来说，这个专业由于第一年开设，整体还是需要改进的，课程设置上优缺点共存，但是必须要肯定的是，MMA的Director (Dmitry Krass) 个人能力超强，与Industry的Connection也很多，Program Service很到位，很重视学生的就读体验，对于学生提出的建议相应的也很迅速，并且已经针对2019年的第二届课程设置进行了优化（加入了两门课，Python和Deep Learning，去掉了Colloquia和太水的Cusotmer Value），并且越来越多的公司也加入了我们的Advisory Board提供实习机会。我相信有了第一年的基础和沉淀，career上的资源会变得越来越多，再加上TD Bank与MMA合作建立的Management Data Analytics Lab(TD bank投了$4 million, 银行是真的有钱), 以后MMA与Industry之间的联系只会变得更紧密，整体是在朝着好的方向走的。
最后说下生活环境，多伦多downtown租金较高，消费水平也较高，但是中餐质量我觉得北美第一。而且多大Rotman就在市中心，和别人network、coffee chat都很方便，做个地铁或者走个路就行。天气上可能不是很理想，冬季时间较长、降雪较多、温度很低，但是夏季真的很舒服，可以说是完美，有利有弊吧。从北美来看，加拿大的工资水平还是比较低的，相同的岗位，不换算汇率的工资都比美国低一点，但是对于国际生还是相当友好地，毕了业哪怕没有工作就可以申请工签。
楼主刚读完这个项目，评价上可能有失偏颇，仅供参考哈，还希望大家多回复、多交流。
谢谢~
|
|
[复制链接]
京公网安备11010202008513号 京ICP证101109号 京ICP备12012021号
发表于 2019-6-3 16:26:59
收藏
收藏
楼主
