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。
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。
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：
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。
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。
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。
我主要会看这两种类型。
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。
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。
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。
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。
数据分析咨询请扫描二维码
