logo
← 返回面试流程列表
W

伍德赛德能源

Woodside Energy数据科学家
难度 ⏱ 5-8 weeks📋 7 轮面试data-scienceFull-time

伍德赛德能源在其运营中广泛运用数据科学，从海上设备的预测性维护到产量预测和储层表征。伍德赛德的数据科学家使用来自传感器、地震调查和运营系统的海量数据集，构建机器学习模型以优化生产效率和安全性。面试流程全面，平均约 44.67 天，遵循结构化流程：在线申请、Pymetrics 行为评估（12 个基于神经科学的小游戏）、预录视频面试、技术评估（Python、ML、EDA）、现场技术深度面试结合行为面试、尽职调查和 Offer。伍德赛德强调 ML 在能源运营中的实际应用、生产 ML 部署，以及向非技术利益相关者沟通复杂发现的能力。流程拥有 87.5% 的正面候选人体验评分。

数据科学应用于能源运营：预测性维护、产量预测、储层表征技术评估强调 Python、TensorFlow/Keras、实际 ML 应用和成果展示使用 Pymetrics 游戏化评估（12 个神经科学小游戏）进行行为特征评估能源特定 ML 挑战：设备故障的不平衡数据集、生产 ML 部署、模型监控伍德赛德数据科学家薪资具有竞争力：总薪酬 $130K-$158K，高级 $150K-$190K+
WoodsidePerthData ScienceMachine LearningEnergy AnalyticsPredictive MaintenanceTensorFlowProduction ML

面试流程 (7 轮)

1
📋
在线申请与简历筛选Online Application & Resume Screening
⏱ 1-2 weeks

通过伍德赛德招聘门户（woodside.com/careers）申请。人才团队筛选数据科学资质（优先硕士或博士）、Python 熟练度、机器学习经验和相关领域知识。伍德赛德寻找具有扎实统计基础、有生产部署经验的实际 ML 经验和能向业务利益相关者沟通复杂分析发现能力的候选人。时间序列数据、异常检测或优化问题方面的经验尤其受重视。

💡

可能题目

  • 你部署到生产环境的 ML 项目有哪些？它们的业务影响是什么？
  • 描述你在时间序列数据分析或异常检测方面的经验。
  • 你如何向非技术利益相关者沟通复杂的分析发现？
  • 你在应用 ML 项目中使用 TensorFlow/Keras 或 PyTorch 的经验是什么？

简历优化

  • 以可量化的 ML 项目成果开头：「构建预测性维护模型，将设备停机时间减少 23%」或「开发日处理 1000 万+ 传感器读数的预测管道」。
  • 伍德赛德重视应用数据科学而非仅学术出版物。突出生产 ML 部署经验。
  • 强调时间序列数据、异常检测、不平衡数据集或优化问题方面的经验。
  • 包含 pandas、numpy、scikit-learn、TensorFlow/Keras 和可视化工具的熟练度。

薪资基准（澳元）

  • 基本薪资：$105,000-$147,000。总薪酬（含奖金）：$130,000-$158,000/年。
  • 高级数据科学家：总薪酬 $150,000-$190,000+。起始薪资最近增长约 12%。
  • 与 Chevron（$120K-$160K）、BHP（$110K-$150K）、Santos（$105K-$140K）对比。
🔒
还有 6 轮面试流程未显示解锁后查看全部 7 轮面试详情