数据分析师行业|数据科学求职不太容易？告诉你4个数据科学求职的建议

1、数据科学求职的建议——勤加练习

在我第一份工作申请中，在技术面(主要是关于统计玩具问题)中表现优秀，而且个人也非常适合应聘公司的企业文化，但是在终面时，收到了一个负面的反馈信息。应聘的岗位非常注重业务能力，而我更担心的是面试时遇到的理论方面的问题。

被拒后的几天里，心情有些沮丧，但是只有在这种情况下，才有机会正确认识到自身能力的不足，并有机会提升自己。通过这件事情，我意识到将所有理论知识学会是不切实际的，而是学习到足够用来找工作的数据科学方面的知识就行，并改变自己的思维方式“应用并创造价值”。

相信大部分的同学都知道Kaggle竞赛，但是少有人尝试去参与该类竞赛。大部分同学的想法应该与我类似，那就是学习到足够的知识后才能参加这类比赛。这种想法是错误的，参加Kaggle竞赛是一个非常友好的获取相关知识并增添实践能力的途径。相关的建议是学习基本的数据额科学工具，比如R、Python语言，并开始探索Kaggle中基本的竞赛教程等。

之后，开始尝试进行一些稍微有些难度的竞赛。如果不知道如何下手，可以去论坛找到其他人分享的相关信息。此外，随着Kaggle相关代码的公开，我们可以访问一些优秀的解决方案，并通过阅读代码学习一些知识。更吸引人的是，竞赛的冠军通常会分析他们在比赛中使用到的策略，因此我们可以从最好的解决方案学起。

底线是：建立一个项目/竞赛，这不仅能帮助你更好地面对应聘公司时的技术面试，还能丰富个人应聘简历。

2、数据科学求职的建议——申请感兴趣的每一个职位

在求职的时候，会遇到很多公司有着类似的岗位，但稍微有些差别。因此在应聘的质量和数量之间需要掌握一个平衡。我最初的策略是重视数量，一份简历用于每个岗位。但后来发现这种方式是无效的，所以应该对于每一个职位都需要重新设计自己的简历。显然这种操作会比较费神费力，提高了应聘的质量，但是大大减少了应聘的数量。

最后才发现，一个人不需要准备太多份不一样的简历，每份简历都强调自己经历的一部分。比如说：对于数据相关的岗位而言，更多地侧重于应用研究的论文或研究经验;而对于机器学习工程师相关的岗位而言，除了基本的机器学习技能外，还必须具有很丰富的后端开发经验;对于以业务为中心的岗位而言，更应该证明自己的潜力以及良好的沟通能力、领导能力等。

所以不要怕麻烦，对应不同类型的岗位要求准备几份不同的简历，然后开始投递就好。

3、数据科学求职的建议——认清现实

与数据相关的岗位在招聘时候竞争是非常激烈的，如果你没有获得与数据科学相关的硕士学位或博士学位，并且居住在美国和欧洲之外的国家，除非你有很多相关的专业经验，否则只能受限于申请这些国家的数据相关岗位。我试图向这类国家的很多公司投递了简历，但是通常情况下不会收到反馈或者反馈的是“对不起，我们无法提供签证”。但是我发现有两个国家是例外——德国和荷兰。你可以在这两个国家比较容易地获得初级职位的offer。

对于国内的同学们而言，大部分人不会遇到应聘海外岗位的问题，但无法避免的是就业岗位所在地的选择问题。对于北京而言，相应的就业机会与薪酬待遇也会较高，但是面临的竞争压力也非常大。如何选择合适的就业岗位和就业地点需要各位同学综合考虑。

4、数据科学求职的建议——了解自己

大多数的人都无法全面地了解自己，在应聘时也是需要考虑自身的一些因素，比如个性、能力等。如果你喜欢在创业公司和节奏比较快公司工作，而不是喜欢在官僚和流程比较繁琐的公司的话，技术面试等挑战要求是比较高的。因此在就业的时候，应该思考什么样的行业适合自己、选择好行业之后选择适合自己的岗位，确定好岗位之后选择合适的公司。

除了经历了很多技术面试之外，我还与人力资源师、数据科学家、首席技术官、首席运营官以及首席执行官进行了数百次有关文化和价值的对话。这些人经常会问比较深刻的问题，比如你为什么离开之前的公司，为什么想来我们公司工作等。如果你不了解自己的话，那么无法诚实地回答这些问题，最终使得自己看起来比较肤浅。

每天花点时间来反思这些事情，以及你在之前工作环境中喜欢或不喜欢的地方。在你的第一次面试中，也许没法很好地回答这些问题，但是通过足够的练习(尽可能地多申请岗位)，那么对于几乎所有的面试官可能会问到的“软”问题都能够有一个比较好的答案。

我希望本文的四个建议对读者找工作有所帮助，对于各位求职者的读者而言，面试时遇到的问题肯定会千差万别，欢迎各位读者留言分享那些遇到的有意思或比较奇葩的问题或面试官。

以上就是有关于数据科学求职的建议的相关内容，以及相应的解析，不论你是已经入职数据分析师岗位的新人，还是打算进入数据分析岗位的小白，以上的内容都或多或少会对大家有所帮助，环球网校的小编在这里祝大家的数据分析师职业道路顺利。