CDA数据分析师 出品  作者:Elad Cohen 编译:Mika

作为一家技术公司的副总裁,我在管理数据科学部门时,还需要处理大量的招聘工作。

通常,招聘人员在一份简历上花的时间平均只有7.4秒。

一个抢手的职位可能会吸引到一百余人投递简历。在本文中,我将教你几个技巧,帮助你在求职过程中让你的简历脱颖而出。

下面我将分享一下,在快速筛选数据相关职位简历时,我最看重的这7点。

01 以往的数据相关经验

在浏览简历时,我会快速看看你以前的职位,看是否与数据挂钩,有数据相关工作经验。

比如具体有数据相关项目的经验,在项目中通过什么方法解决了哪些问题,或者参加过数据相关的培训或课程。

02 业务方面的成果

接着,我还会看一下你曾从事工作的技术方面内容,以及业务成果。有许多精通技术的数据分析人员对业务术语并不擅长。因此如果你能清晰罗列出所做工作对业务KPI的影响,这将是加分项。

例如,指出模型在AUC方面的改进是可以的,但若能明晰模型改进会导致转换率增加,这意味着你有不错的业务知识,并且有数据赋能业务的意识。

看到以下的例子,比较用技术与业务两个不同侧重点,来描述相同工作的方案:

  • 银行贷款违约率模型--将模型的精确度-召回AUC从0.94提高到0.96。
  • 银行贷款违约率模型--在保持违约率不变的情况下,使业务部门的年收入增加3%(每年50万美元)。

03 相关教育和学习背景

我还会看看求职者所受的教育情况如何,来自哪所学校,哪个专业。对于应届生,我还会考察他们的成绩等情况。

由于数据分析是一个新兴且较广泛的领域,并没有某种唯一的标准化测试。即使你没有相关专业的教育背景,但如果有该领域的从业经验或接受过数据相关培训也是可以的。

04 美观且条理清晰的简历

我看过不少排版美观的简历,也收到过一些没有任何格式的txt文本简历。在编写简历时,可以找一找好的模板,在有限的篇幅内清晰介绍自己的情况。

这里可以有效利用简历的空间。将页面分割开来,突出不按时间顺序排列的工作或教育经历。当中还可以包括你熟悉的技能,做过的项目,自己的Github或博客的链接等。同时,一些简单的图标也可以帮助强调标题。

许多求职者在他们熟悉的语言、工具旁边会用1-5颗星或柱状图代表自己的熟悉度。我个人不太喜欢这种方法,原因有几个。

  • 这是非常主观的——你的“五星”和别人的“二星”一样吗?
  • 这种熟悉度是很主观的。你的 熟悉程度”5星 "和别人的 "2星 “可能并不一样

有些人把语言和工具,甚至把语言和软技能混为一谈。把自己领导力的熟悉度填上“4.5星”是没有说服力的。

还有把自己技能的主观衡量标准变成饼状图的,比如Python技能占30%,团队合作能力占10%等。虽然这是一种突出自己的创新方式方式,但却显示了自己对不同图表概念缺乏基本了解。

以下有两份排版很不错的简历,可以用于参考:

两个示例中使用的垂直分割,以区分经验、技能、成就等。用简短的摘要段落能有助于描述求职人背景和期望。

05 机器学习相关内容

我主要会看这两种类型。

  • 算法的类型

结构化、经典机器学习与深度学习

一些求职者只使用深度学习,包括在结构化数据,而这些数据更适合基于树的模型。虽然使用深度学习本身没有问题,但限制的工具集会让你的解决方案有局限性。

正如马斯洛所说,“如果你唯一的工具是一把锤子,那么你就会把所有问题都看成是钉子。”

在我的日常工作中,我们处理的是结构化、领域驱动、特征工程化的数据,这些数据最好用各种形式的提升树来处理,光使用深度学习是不够的。

  • 机器学习领域

这通常与两个需要大量专业知识的领域有关--计算机视觉和自然语言处理。

这些领域的专家很抢手,在许多情况下,他们的整个职业生涯都将专注于这些领域。但对于一个从事一般数据分析工作的人来说,这通常不适合。因此,如果你的大部分经验是在自然语言处理领域,而你要申请该领域以外的职位,可以试着强调你曾在结构化数据方面工作过的经历,以展示多样性。

06 技术栈

 通常细分为语言、特定的包(scikit-learn、pandas、dplyr等)、云及其服务(AWS、Azure、GCP)或其他工具。

某些求职者将其与熟悉的算法或架构混在一起,比如RNN、XGBoost、K-NN。

就我个人而言,我更倾向于围绕技术和工具展开;当提到一个特定的算法时,我想知道求职者的机器学习理论知识是否仅限于这些特定的算法。

这部分,我会看技术栈的相关性。

技能点是否是近几年的,这表明求职者在主动学习新技能;还有技术栈的广度,表明求职者是否局限于特定的工具;以及与我们技术栈的匹配度。

07 个人项目

你会在GitHub上有分享个人项目吗?参加Kaggle比赛或副业项目都是加分项。从中能够看你代码的简洁性、预处理的类型、特征工程、EDA、算法选择以及在实际项目中解决问题的能力。

这里如果有的话,可以附上你的GitHub和Kaggle链接,以便面试官深入了解你的代码。

同时要熟悉自己做过的项目,最好在面试前就梳理一遍。之前的面试中,就有求职者对项目不太熟悉,从而面试官无法就项目展开,进一步了解求职者在项目中做出的选择和背后的原理。记住,在罗列项目时,列出2-3个高质量的项目要比10个质量的更有效。

结语

如果你正在找数据相关的工作,可以花点时间过一遍文章中的要点,希望本文能对大家的求职有所帮助。

参考链接:

https://www.kdnuggets.com/2021/04/7-must-haves-data-science-cv.html