京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20