Истории

Четыре ошибки в резюме, которых следует избегать аналитикам данных

Истории
Анна Самойдюк
Анна Самойдюк

Ex-редактор направления «Истории».

Анна Самойдюк

Канадский предприниматель, сооснователь соцсети для начинающих специалистов по машинному обучению Джереми Харрис рассказал о типичных ошибках в резюме аналитиков данных, из-за которых им могут отказать в приглашении на собеседование.

Четыре ошибки в резюме, которых следует избегать аналитикам данных
Присоединиться

Я прочитал множество резюме аналитиков данных за свое время работы в SharpestMinds. Поскольку эта платформа по сути является огромной машиной фидбека, мы часто слышим отзывы от компаний, которые выкладывают там объявления – не только о том, хотят ли они провести собеседование с определенными кандидатами или нанять их, но и почему они выбрали того или иного сотрудника.

Наблюдая за процессом принятия решений сотен компаний, мы поняли, как должно выглядеть хорошее резюме и как оно выглядеть не должно.

Примечание: каждая компания ищет что-то разное. Поэтому создать «идеальное» резюме для всех аналитиков данных – невыполнимая миссия.

Существует множество ошибок в составлении резюме, из-за которых вас вероятнее всего не позовут на собеседование:

1. Описание в резюме тривиальных проектов

Не упоминайте в резюме проекты, использующие тривиальные датасеты. К числу таковых относятся:

  • Классификация выживаемости на датасете Titanic.
  • Классификация рукописных цифр на датасете MNIST.
  • Классификация видов цветов на датасете Ирисов Фишера.

Почему это вам навредит

Место в резюме ограничено. Это знают кандидаты и рекрутеры. Поэтому если его занимают датасеты вроде MNIST, работодатель начинает задаваться вопросом, хороший ли вы специалист.

Что с этим делать

Если в вашем резюме указаны такие проекты и вы не работали с чем-то более интересным или сложным, вы должны усерднее поработать над своим портфолио. Если у вас есть другие, более интересные проекты, укажите лучше их.

Исключения

Конечно, вполне возможно создать отличный проект, используя хорошо изученные датасеты вроде MNIST или Titanic. Однако примите во внимание то, что большинство рекрутеров не разбираются в этой теме и просто смотрят на ключевые слова, поэтому вы должны четко указать, что работаете с чем-то сложным и нетривиальным.

2. Описание проектов с курсов Udacity или Coursera

Открытые онлайн-курсы вроде Udacity, Coursera и deeplearning.ai – замечательный способ углубиться в тему анализа данных и глубокого обучения. Тем не менее, многие компании скептически настроены к кандидатам, которым кроме этих курсов больше нечего показать.

Фото: Unsplash

Вот чего не стоит делать:

  • Указывать в портфолио только те проекты, которые являлись частью онлайн-курса.
  • Слишком подробно описывать эти проекты или указывать их в самом начале резюме.

Почему это вам навредит

В процессе приема на работу есть немного эго. Компании хотят говорить, что нанимают лишь «особенных людей» или «1% лучших кандидатов». И поскольку у многих есть сертификаты пройденных онлайн-курсов, вы не будете особенным в глазах работодателя.

Рекрутеры сейчас хорошо знакомы с таким онлайн-образованием и легко могут распознать проекты, которые являются частью стандартной программы. Вы должны фокусироваться на проблемах, которые не очень хорошо исследованы, чтобы казаться уникальным.

Хотел бы уточнить: Udacity, Coursera и deeplearning.ai предлагают отличные программы. Просто не стоит указывать их в самом начале резюме, чтобы не отпугивать рекрутеров и работодателей.  

Что с этим делать

Как только вы пройдете курс, сделайте что-то сами: например, примите участие в соревнованиях Kaggle или воспроизведите некоторые результаты из интересных научных докладов по анализу данных.

Это важно, потому что: 1) так вы будете казаться более уникальным; 2) сможете похвастаться интересными проектами; 3) проявите способность к самообучению.

Исключения

Исключением можно назвать уникальные проекты, которые тем не менее являются частью вашей онлайн-программы. Я имею в виду проекты, когда вы сами выбирали датасет и решали проблему от начала до конца самостоятельно.

3. Отсутствие навыков работы с системой управления версиями/DevOps/базами данных

Если вы не перечислите в резюме ключевые навыки, которые указывают на то, что вы знаете что-то об анализе данных, вам точно не светит приглашение на собеседование.

Вот что вы должны обязательно упомянуть:

  • Система управления версиями (например, GitHub/GitLab)
  • DevOps (например, AWS/Floydhub/Digital Ocean/Flask)
  • Базы данных (mySQL/mongoDB).

Почему это вам навредит

Как правило, именно алгоритмы вызывают интерес к анализу данных. Здорово думать, что нейросети могут решить вашу проблему. В результате именно в это люди инвестируют больше всего времени. Дело в том, что проектирование моделей – не то же самое, что глубинное обучение или анализ данных в реальном мире.

Аналитики данных в основном большую часть своего времени занимаются не самыми интересными аспектами анализа данных, и уже недостаточно просто хорошо разбираться в Python/sklearn/TensorFlow/Keras/PyTorch.

Если вы не будете указывать ключевые навыки, на ваше резюме, скорее всего, просто не обратят внимание рекрутеры, которые смотрят только на ключевые слова и ищут причины сказать «нет», а не «наверное».

Нет GitHub? Нет mongo? Спасибо, мы поищем кого-то другого.

Что с этим делать

Если вы не перечислили эти навыки в резюме, перечислите их. Если вы никогда не работали с DevOps, системой управления версиями и базами данных, вы должны это исправить. И не только потому, что это будет красиво смотреться в вашем резюме, но и потому, что это необходимая часть вашего набора умений как аналитика данных.

Исключения

Если вы отправляете заявку на ведущие позиции, не так важно перечислять эти навыки. Тут будет оцениваться ваш опыт работы с инструментами анализа данных.

4. Вы ничему не научились на проектах, над которыми работали

Если вы указываете проект в своем резюме, будьте готовы к тому, что вас о нем спросят во время собеседования.

Если работодатель спрашивает, чему вы научились, работая над этим проектом, ответ «ничему особенному» не подходит.

Почему это вам навредит

Ответы на вопросы об опыте работы с предыдущими проектами расскажет работодателю многое о ваших коммуникативных навыках и о том, как глубоко вы мыслите, когда решаете проблему. Даже простой датасет чему-то вас должен научить.

Что с этим делать

Если вы указываете в резюме проекты, подготовьте какие-то инсайты и вынесенные уроки, которые удивят человека, не работавшего с этим датасетом.

Исключения

Их нет. Если вы работали над каким-то проектом, вы действительно должны были чему-то научиться.

Бонус: Опечатки

Да, это не очень связано с анализом данных, но мы были очень удивлены, когда узнали, что опечатки в резюме связаны с поведением на собеседовании. Люди, в резюме которых находили опечатки – в виде неправильного написания слова или даже неаккуратного форматирования – намного хуже справлялись с собеседованием.

Почему это вам навредит

Внимание к деталям в резюме связано с вашим вниманием к деталям в проектах.

Что с этим делать

Попросите просмотреть ваше резюме друга, который а) носитель языка, б) внимателен к мелочам. Для большей мотивации вы можете пообещать ему какую-то награду, если вас примут на работу.

Исключения

Никаких исключений быть не должно. 

Источник.


Материалы по теме:

Что я узнал после многочисленных собеседований в компаниях, специализирующихся на ИИ

«Надо по-настоящему болеть этим». Дата-сайентист – о своей работе

Как выглядит типичный день дата-сайентиста в петербургском стартапе

Малому бизнесу сложно выжить без аналитики. И вот почему

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 «Яндекс» представил третье поколение YandexGPT для решения задач в сфере IT
  2. 2 AI для HR: профиль кандидата, который повысит скорость найма в два раза
  3. 3 Эволюция ML-сервисов в микрофинансовых организациях и советы по внедрению
  4. 4 Машины не восстанут, но вылететь с работы можно: разбираемся, зачем осваивать нейросети
  5. 5 Мнение эксперта: Игорь Пивоваров о том, что происходит с OpenAI