寫出一份好的 (資料科學家) 履歷

截圖 2020-03-14 下午11.59.49

從前一份工作開始要審核履歷跟協助面試,到現在成為 hiring manager,我這兩年看過了至少一百份以上的資料分析人員的履歷,時常會覺得很可惜:許多申請者在過去的工作崗位應該有很亮眼的表現,但卻因為不知道如何用文字表達自己過去的經驗,因此沒有辦法讓招聘人員完整了解自己的能力與可以為公司創造的價值。因此,希望花一點時間跟大家聊聊,應該怎麼樣撰寫出一篇好的履歷,把自己的能力好好傳達出來。

 

撰寫履歷的心態

 

儘管大家都知到履歷的目的是「得到面試機會」,但許多申請者會忘記撰寫履歷時最重要的心態:履歷是為了說服招聘人員自己值得面試的機會。因此,撰寫履歷時一定要記得最重要的目標—向招募人員證明自己的能力與經驗滿足職缺要求,在這裡提到我時常遇到的履歷撰寫錯誤:

 

履歷的重點不是在「我很厲害」,而是「我很符合職缺需求」

 

我相信將近 7 成的履歷,有經驗的招聘人員(不論是人資或是 Hiring Manager)可以在五分鐘內決定要不要繼續面試,在這五分鐘內,招聘人員到底會看重什麼呢?答案其實很簡單,就是這個申請者有沒有滿足職缺說明 (Job Description, JD) 上的要求。因此,在撰寫履歷時大可以不要寫與職缺要求太不相關的經驗。比如說,如果今天開的職缺是要找 Data Scientist – Analytics,就算申請者履歷上有在 AAAI 發表機器學習論文的經驗,也不大會幫助申請者得到面試機會;相反的,如果這位申請者寫的是協助產品經理分析用戶留存問題,並提出產品功能開發的建議,這件事情也許沒有發一篇 AAAI 難,但這才是招聘人員會期待看到的經驗。另外,許多資料科學家會把履歷寫得很像資料工程師,比如說:寫自己很熟悉 AWS,有串接 S3, Redshift 等等的經驗,通常這種經驗會是「額外加分」:如果 JD 上沒有這項要求,但公司是用 AWS 系統,那會加一些分數,但如果通篇都是寫串接雲端服務、寫 API 文件、建立資料倉儲等等的經驗,招聘人員會覺得:這個申請者是不是投錯職位了?

 

不要「用自己的標準」去寫履歷,重點是招募人員怎麼想

 

很多人在履歷表上都會有一些讓招聘人員沒有辦法評估的能力/經驗,最常見的就是幫自己的能力「打分數」(像是下表所述)。這個直方圖看完我完全不能理解到底這位申請者對 SQL 有多熟悉,到底他有多 Accurate、多注意細節,當招聘人員沒有辦法評估能力時,基本上不太會願意繼續面試申請者。另外,還有些人的履歷會寫像是 Increased 90% efficiency by writing SQL stored procedures,其實招聘人員是沒辦法理解「90% efficiency」是什麼意思的,是本來從來沒有人試圖自動化,你幫忙做了這件事嗎?還是你覺得自己的效率感覺上提升了 90% 嗎?而且資料科學家很大一部份要定義量化指標以衡量商業目標的達成率,如果申請者沒有辦法定義出清楚的量化指標說明自己工作的表現,我個人認為是很大的減分項。

截圖 2020-03-14 下午1.08.38

 

撰寫履歷的三個心態建議

 

在這裡給大家撰寫履歷時三個心態上的建議。首先,你必須花時間了解招聘人員到底看重什麼,這點從 JD 上的「責任與要求能力」很容易看出來,要求能力當然不用說,而從工作職責中其實很容易可以發現這份工作重視的能力是什麼。此外,履歷是你與招聘人員間的「溝通工具」,有效的溝通是精簡與到位的,因此不應把自己所有做過的事情/會的工具列出來,而是專注於招聘人員看重的重要面向。最後,履歷應該要「結果/影響」導向而非「任務導向」,你必須實際展現出你定義與解決問題的能力,而且必須有效溝通自身的經驗與成就—描述任務的情境與目標,並說明你採取了哪些行動達成目標。

 

如何了解招聘人員看重什麼

 

要了解招募人員看重什麼,首先會建議大家仔細閱讀該職缺的 JD,了解工作崗位的職責與必備條件,以利自己履歷撰寫時能展現與工作職責相關的能力與經驗。通常在必備條件會容易看出職缺的硬技能要求,而職責裡會更能夠看出對於軟技能的要求,比如說:Airbnb 其中一個資料科學家職缺的職責裡面有 Help guide overall vision of pricing and promotion on Airbnb for a dynamically changing platform,代表招聘人員會很重視能提供建議並真的推動改變的能力,而 foodpanda 的 BI Analyst 職責有提到 Build and maintain versatile and dynamic reports to fetch and present internal data in order to provide actionable insights for every department within the company,可以看出來公司會期待你能夠進行跨部門的溝通。

 

此外,如果你是申請特別競爭的工作,不要輕忽 Culture Fit 的重要性,比如說:麥肯錫公司有很直接在招聘官網上列出他們在找尋什麼什麼樣特質的員工(如下圖所示),而 Airbnb 也直接在官網上提到公司的文化,在面試的最後也會特別有 HR 的 Culture Fit 面試,由於很多時候資料科學家是能夠直接推動決策變化的角色,「申請者的價值觀是否與公司一致」其實比大家想像的更重要一些(尤其跟工程師比,資料科學家真的更常被要求比較強的 culture fit)。

截圖 2020-03-14 下午2.30.07

 

有效說明「自己過去的成就」

 

當你了解招聘人員看重的硬實力與軟實力後,接下來要做的就是「總結過去在學校與工作」的經驗,並針對與職缺相關的經驗撰寫「簡潔清楚、結果與成效導向」的經驗總結。首先,在總結經驗的部分,我自己會用下面的表格來幫助我思考自己要在履歷表上放些什麼(通常會寫的更仔細),包含在哪一份工作做的、主要的任務是什麼(下面是簡化版,通常我會把所有的技術細節列出來)、專案達成的成就是什麼、我想要說明自己有什麼樣的能力,最後我會加上自評該經驗的強度以及與職缺的相關性。理想上,我會盡量放 Strong & Relevant 的經驗,而每份工作只會列出 3 – 5 點的經驗說明。

截圖 2020-03-14 下午5.07.56

 

確定好要寫哪些經驗後,我會開始撰寫這些經驗的總結。在撰寫時,要記得:也許你很清楚你自己工作的細節,但看履歷的招聘人員其實並不清楚,因此要確保有一定的細節。比如說,我時常會看到履歷表上寫 Used Python and SQL to scrape, clean, and analyze large datasets,其實這樣看完我只會滿頭問號:多大的 dataset?什麼樣的 dataset?這個 dataset 是從哪裡爬下來的?這個 dataset 如何用來被分析?如果整篇履歷都是比較空泛的經歷,其實招聘人員很難去評估你到底適不適合這份工作,因此大多數的情況也只能對申請人說不了。在描述個人經驗時,需要講清楚「行動」、「背景」、以及「成果」,比如說:

Assisted the business development team to estimate the target price of new titles (背景) by integrating IMDB title information. and re-designing existing view-count prediction models (行動), which improved the RMSE of view-counts by 12% (成果)

另外,除了資料科學的專案外,我也會特別在每份工作中盡量寫一個展現自己領導/團隊協作能力的經驗,比如說:

Coordinated a cross-functional team in product, client service, and data management departments with members from Taipei, Shanghai, Washington DC and India offices (背景) to launch a new analytic services in China (行動). Won $M contracts from 4 leading Chinese card-issuing banks (成果)

 

遵循專業履歷表的格式

 

儘管每個公司篇好的履歷格式不一樣,但大多數的資料科學工作,其實都是要求一份簡單清楚的履歷,因此不太需要美編(當然排版要整齊),而且通常不需要放自己的大頭照。另外,如果工作經驗在 3 年以下,其實應該一頁就可以把過去的事蹟交待完畢了,不見建議寫超過一頁。履歷的內容也很固定,包含:個人資訊、學歷、工作經驗(學生強烈建議寫資料科學專案經驗)、其他活動、以及技能。如果工作經驗較短的朋友,建議在學業部分可以列清楚相關課程與成績、研究經驗、交換等等。另外,在其他活動部分,如果有資料科學的部落格,或是參加相關社群,都會加分很多!

截圖 2020-03-14 下午11.59.49

有關 David’s Perspective 的最新文章,都會發布在大鼻的 Facebook 粉絲專頁,如果你喜歡大鼻的文章,還請您不吝嗇地按讚或留言給我喔!

大鼻觀點:https://www.facebook.com/davidperspective/

 

 

About David Huang

目前於哈佛大學商學院攻讀量化行銷博士,曾任 Migo.tv Data Lead、Mastercard Data & Services 顧問、InrayTek 資料科學家。過去曾協助東南亞與大中華區的領先企業導入資料科學架構,解決使用者體驗優化、個人化推薦演算法設計、客戶偏好分析、新產品導入與訂價、客戶長期價值管理等重要商業問題。

1 Comment

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *