
弗雷德里克·巴斯勒,APTEO增长营销。
获得一份数据科学工作就像学习Python和Jupyter之类的技能一样容易,参加Kaggle比赛,获得认证,并在求职门户网站上提交简历,对吗?
错误。
最近,Kaggle的用户达到了500万。看看其他社区,走向数据科学每月有2000万的浏览量。人工智能研究员吴恩达在他的Coursera课程中有400万学习者。
与此同时,全世界只有17100毫升的工程师。在撰写本文时,全球LinkedIn上有2100个开放的机器学习工程师角色。其中,大约80人在Faangs。
公平地说,如果我们把普通数据科学和人工智能研究员的角色包括在内,全球总共有86000个空缺职位。尽管如此,称数据科学为“竞争”将是今年的轻描淡写。
在商业上,竞争激烈的领域被称为“红海”,鲨鱼在拥挤的空间里争分夺秒。相比之下,“蓝海”指的是未开发的、没有竞争对手的市场空间。
作为一个未来的数据科学家,你的目标是在蓝海中竞争。这里有四种方法可以做到这一点。
我是LinkedIn超级粉丝。事实上,我参加了100多个LinkedIn学习课程后,已经成为LinkedIn的特色,我发了超过10,000条评论的帖子,我有超过20,000个连接。也就是说,仅仅依靠LinkedIn是一种红海战略(⚠·️)。
LinkedIn拥有亿万用户中的三分之二。这意味着,如果你只在LinkedIn上建立网络,并通过LinkedIn申请工作,你将与大量难以置信的人竞争。
作为一个使用LinkedIn招聘人员的人,好的招聘信息可能会被如此多的申请者淹没,如此之快,以至于连浏览所有的申请都很难,更不用说给每个人反馈了。
这就是为什么除了和LinkedIn之外,我还建议您使用利基平台,如Shapr、Y Combinator在初创公司的工作、LunchClub.ai(注意:这是我的邀请链接,但我没有报酬)、Wizards等松散社区,以及Meetup或Eventbrite上的离线社区。
所有这些都是免费的。
紧密结合的社区让脱颖而出变得容易得多。例如,Shapr和RunchClub都是专业网络,完全专注于建立一对一的联系。
我曾经遇到一个参加会议的人,他开玩笑说“网络是说不工作的新方式。”有趣的是,我还在那次会议上遇到了一个新客户。
网络与第一点类似,但这里我明确地指的是什么时候该申请工作了。
您可能听说过这样的故事:人们提交了数百份工作申请,却没有得到任何回复。也许你自己也是这种现象的受害者。
虽然有些人通过这种方式找到工作,但越来越有可能的是,在某个求职网站上提交简历意味着你永远不会得到回复。正如我所提到的,招聘经理已经被应聘者淹没了。
就像把你的简历扔进黑洞一样。
问问你自己:如果你必须决定雇佣谁,在一个完全陌生的人和一个介绍给你的人之间,你会选择谁?
因此,招聘经理和高管几乎总是和他们有一些联系的求职者一起去,即使只是由一个共同的熟人介绍。
你的关系网越多,你与潜在雇主的相互联系就越多,就越容易得到介绍。
下面是一个超级简单的模板,您可以使用该模板向相互连接询问介绍:
首先,参与他们的最新帖子,然后信息。
嘿Connector_name,
我希望你过得很好。因为我们在同一个行业,并且和[@name]在[@company]有共同的联系,我希望你能通过LinkedIn介绍我。我最近申请了他们的[招聘职位]。
我写了一条草稿消息,您可以复制/粘贴到他们那里进行简单介绍:
你好[@name],
我注意到您正在招聘一个[招聘职位]。
我想把[@Frederik Bussler]介绍给你,他是一个潜在的候选人,在这个空间里有[earchement_1]和[earchement_2]。弗雷德里克有兴趣和你谈谈这个职位。您想简单介绍一下吗?
谢谢,
connector_name
数据科学是一个多学科领域,一个很大的组成部分是领域专门知识。
例如,Walmartuses预测模型可以预测特定时间的需求。如果一个数据科学家职位的招聘经理必须在“Python专家”和“零售预测建模专家”之间做出选择,显然更专业的候选人会赢,其他条件都一样。
亚马逊的推荐工程师贡献了亚马逊高达35%的收入,他们不断雇佣数据科学人才来培养这只金鹅。如果你在推荐引擎上工作过--即使只是作为一个附带项目--这会让你比一个更通才的申请人更有优势。
学习SpecializedSkills--哪个专业取决于你的个人兴趣--是一个游戏规则的改变者。
证书在2020年风靡一时。如果你使用领英,你肯定会注意到臭名昭著的“认证贴”。
用户展示他们从Coursera、EdX、在线学习门户、LinkedIn Learning和数百万其他来源获得的证书。我也对此感到内疚--正如我提到的,我参加了100多门LinkedIn学习课程,并获得了几乎所有常春藤盟校的证书。
也就是说,依靠证书是一种红海战略(⚠·️)。当数百万人拥有与你相同的证书时,那么你就需要区分器。
实际的项目,在那里你分析你感兴趣的数据,会给你一个巨大的优势。
为了获得灵感,您可以查看上面提到的数据科学职业趋势SDashboard和其他公共工作区。
数据科学是一个竞争日益激烈的领域,但你可以通过使用利基平台、发展你的专业网络、专注于你感兴趣的领域,并与世界分享独特的项目来脱颖而出。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05