
获得面试对许多工作来说自然是必不可少的,数据科学工作也不例外。虽然关于这一主题的资源肯定不缺乏,但实际可行的建议却很少。在我找工作的过程中,我知道超过70%的求职者是通过某种形式的关系网找到工作的。我知道我应该“联系招聘人员,建立我的关系网,以便进入这个领域”。但即使知道了这一点,我仍然面临着一个重要的问题:如何?
我第一次寻找数据科学工作是在2017年2月我即将完成研究生学业的时候。我尽我所能得到面试,包括…
在三个月的全职工作承诺下(即每天至少花8小时)求职后,我终于通过AngelList获得了第一次面试机会。
我第二次发现自己在寻找数据科学工作是在2018年12月,当时的初创公司解雇了我。这一次,我在一个月内获得了10个面试机会,使用了50份申请和18份推荐(总共花了不到30个小时)。这种巨大的差异并不是因为我有工作经验。事实上,我第二次在就业市场上并没有更有竞争力。这种剧烈的变化是因为我第一次就做错了!这并不是因为关于获得数据科学面试的文章误导或不正确,而是它们只告诉我该做什么,而不是如何做。
在这篇文章中,我不仅将分享要做什么(只有3种方法而不是10种),以及如何有效地获得面试。你会在这篇文章中找到策略、脚本和其他免费资源,这将帮助你在求职中有条不紊。具体来说,本博客回答了这些问题:
在我们开始之前,你更喜欢视频吗?观看这段YouTube视频,而不是阅读。
有三种获得面试的方法:原始应用程序、联系网守和获取推荐。原始申请意味着简单地向职位空缺提交你的简历。虽然这是一个简单的方法,但它也有低效率的倾向。联系看门人可能更有效,但需要更多的努力。获得推荐人是最有效的方法,但它也需要最多的时间和精力(假设你还不认识愿意推荐你的人)。下图给出了这三种方法在努力/时间和有效性方面的可视化。
当我们第一次想到求职板来检查我们的求职时,我们通常会立即转向流行的在线求职板,如LinkedIn、GlassDoor或事实上。第一次找工作时,我在LinkedIn上提交了数百份申请,但得到零回复。事实上,我的一些正在进行职业转型的朋友也发现自己在领英上没有得到回复。当我开始第二次找工作时,我没有在LinkedIn上提交一份申请。
为什么?问题是,每个职位在一周内都有数百名申请者申请。如果你仅仅依靠这些受欢迎的求职板,你得到回应的机会很小。你在和堆积如山的候选人竞争!
不幸的是,近几年来,LinkedIn已经成为一个为招聘人员服务的平台,这些招聘人员希望接触到具有确切经验和资历的潜在候选人。它不是一个为缺乏经验的求职者服务的平台,因为你必须与数百(有时数千)的求职者竞争一个职位。
解决这个问题的一个方法是在不太受欢迎的网站上应用。使用尚未成为主流的网站。怀疑?爱德华·哈里斯(Edouard Harris)在他的博客文章中出色地解释了为什么“公司更关注通过不太为人所知的渠道申请的申请人”。这里有一些我和我认识的人尝试过的网站,并被证明是有帮助的。有些甚至是专门与数据科学相关的。
此外,还有一些较小的在线招聘板比三个最大的回应率更高。
无论何时在任何职务公告板上申请,请尝试向正在雇用的人发送个性化通知。调查公司(使用公司网站、谷歌和Glassdoor)并解释为什么你会是该职位的最佳人选。个性化将大大增加你得到回应的机会。
尽管我推荐的网站的回复率往往比大的求职板高,但招聘人员仍然需要几周时间才能做出回应,因为他们总是有一堆简历需要审查。现在您想尝试第二种方法--直接联系网关守卫。使用这种方法,我能够比原始应用程序更快地获得响应。
把关人是指您感兴趣的公司中的技术招聘人员或数据科学家。大公司通常有专门招聘数据科学家的技术招聘人员,但小公司的数据团队可能更独立。如果你能赢得守门人的支持,它可以让你在招聘过程中继续前进。
以下是赢得守门人的几个步骤:
电子邮件演讲应该简洁完整。你的电子邮件可能会被转发给另一个人,没有人会为你复制和粘贴多封电子邮件,所以推销需要有一切。一封好的电子邮件包含两个部分:
为了使事情更简单,这里有一个模板。
如果你在几天内得到回应,太好了!但是,如果您在一周左右的时间内没有收到它,请发送后续电子邮件给守门人。根据我自己和我朋友的经历,对后续邮件的回应率高于第一封邮件。这是我用于后续邮件的模板:
虽然您当然可以使用这两个模板作为起点,但不要复制它们。如果看门人看到完全相同的电子邮件模板,就会留下负面印象。你可以改变一切。你可以把它变长或变短。只要记住,主要的想法是表明你的兴趣,并发送一切必要的。
第一次找工作时,我联系了校友、有共同朋友的人,甚至随机的人来获得推荐。然而,我最终没有得到任何。相比之下,我第二次找工作时,我的关系网里的人告诉我,他们愿意推荐我,甚至还没等我开口。
随着时间的推移,我学到了一些关于要求转诊的误解。获得推荐是为了让熟悉您的工作的人向他们的公司提供热情的推荐。它是而不是骚扰你在LinkedIn或其他地方发现的陌生人。此外,大多数时候,后一种方法不起作用。
获得推荐与联系守门人的不同之处在于,首先要与在科技公司工作的人建立关系,无论他们的职业是什么。不管他们是产品经理、软件工程师、产品设计师还是其他什么。一段感情有很长的路要走。Haseeb Qureshi在博客上发表了一篇进军科技行业的文章。关于网络的部分尤其精彩。库雷希说…
…人们讨厌当你向他们要求工作时。
给你工作?为什么?他们不认识你。他们为什么要给你工作?他们为什么要在你身上浪费时间?
信息性面试的威力在于,你不是在谈论你,而是在谈论他们。人们喜欢谈论自己。他们喜欢教别人。他们想帮忙。但他们不想被陌生人缠着寻求帮助。
如果你继续这样做,人们会看到你的好奇心和你的真诚。他们会相信你的故事,他们会希望向你推荐。
这听起来像很多工作,尤其是当你以前没有做过的时候,但实际上只有4个步骤来正确地建立一段关系:
正是这些步骤让我在第二次求职中找到了18个推荐人。如果你遵循所有这些步骤,你会得到强大的推荐!这不仅对你第一次找工作有帮助,而且对以后的求职也有帮助。
下面是一个冷电子邮件模板,你可以作为第一次外联的参考。这里的要点是使它个人化,并表明你真正的兴趣。
同样,世界很小。不要复制完全的脚本。花时间定制您的消息,因为从长远来看,这是值得的。
根据你的目标和可用性,你可以选择三种方法中的一种或多种来获得面试。但是不管你使用哪种方法,一份好的简历是关键。这是让招聘人员扭转局面的事情。
简历是你成就的总结。它应该是简短的,所以它不是一个展示你所知道或能做的一切的地方。添加太多的内容只会让人们用不必要的信息不堪重负。因此,在你的数据科学简历中,你希望突出与数据科学相关的最重要的东西,如工作经验、培训和相关技能。当招聘人员或招聘经理看到你的简历时,他们应该立即觉得你在数据科学方面有丰富的经验,你是一个合格的候选人。
下面是我在测试自己的简历,与许多招聘人员和招聘经理交谈,并审阅其他人的简历后创建的一些写简历的规则。
归根结底,获得数据科学面试是很困难的,尤其是对初学者来说。即使你已经努力工作了几个月,但没有得到任何回应,这可能会令人沮丧。希望这篇文章能让任何有抱负的数据科学家在找到工作的过程中变得更加清晰。如果你想要更多的建议,请随时联系我,我很乐意帮忙!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
t 检验与 Wilcoxon 检验:数据差异比较的两大统计利器 在数据分析中,“比较差异” 是核心需求之一 —— 如新药疗效是否优于旧药 ...
2025-08-26季节性分解外推法:解锁时间序列预测的规律密码 在商业决策、资源调度、政策制定等领域,准确的预测是规避风险、提升效率的关键 ...
2025-08-26CDA 数据分析师:数据治理驱动下的企业数据价值守护者 在数字经济时代,数据已成为企业核心战略资产,其价值的释放离不开高 ...
2025-08-26基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18