Анализируя более 100 резюме специалистов в области data science и машинного обучения — как практик и как карьерный консультант, — можно отметить, что большинство из них далеки от идеала.
Составить эффективное резюме не представляет сложности, однако многие упускают элементарные аспекты.
Качественное резюме открывает двери для собеседований, поэтому его подготовка требует тщательного подхода.
В этой статье разбирается структура резюме, которое привело к нескольким предложениям с зарплатой свыше 100 тысяч долларов в сферах data science и машинного обучения, с рекомендациями по каждому разделу.
Резюме (обзор)
Для тех, кто не готов читать статью целиком, доступны версии резюме в формате PDF, созданном с помощью LaTeX (на платформе Overleaf), и в формате Google Doc.
PDF-версия на LaTeX обеспечивает привлекательный внешний вид, однако может вызывать проблемы с системами отслеживания заявок (ATS).
Поэтому существует отдельная версия в Google Doc, которая лучше совместима с ATS.
ATS представляет собой автоматизированную систему для отбора кандидатов, не соответствующих требованиям вакансии. Как и любая система, она имеет недостатки и иногда не справляется с парсингом форматов, таких как PDF из LaTeX.
Почти все компании из Fortune 500 (99%) применяют ATS в подборе персонала, и 75% резюме не проходят эту фильтрацию, не доходя до рекрутера.
В ситуациях без гарантии просмотра человеком, например при быстром отклике через LinkedIn или Indeed, предпочтительнее использовать формат Google Doc для надежности.
Если резюме будет рассмотрено рекрутером или менеджером по найму напрямую, то предоставляется PDF-версия из LaTeX/Overleaf.
Далее разберем каждый раздел с ключевыми советами.
Общие принципы
Ниже приведены базовые правила, которым должно соответствовать резюме. Вероятно, хотя бы одно из них не учтено.
- Отсутствие орфографических ошибок и правильная грамматика — это критично, поскольку оплошности сразу отпугивают проверяющих.
- Объем — одна страница, за исключением случаев с опытом свыше 10 лет.
- Единообразие размеров шрифтов в разделах, без избыточного выделения жирным или курсивом.
- Простое форматирование, без излишеств.
- Отказ от графики, изображений или иконок.
- Избегание элементов, провоцирующих предвзятость, таких как возраст, пол, национальность и подобные.
- Применение маркированных списков вместо сплошного текста.
- В версии Google Doc — шрифт, удобный для чтения, например Times New Roman, Calibri или Georgia.
- Для PDF рекомендуется LaTeX за его чистый и эстетичный результат.
- При наличии времени адаптируйте каждый раздел под описание конкретной вакансии.
Шапка
Этот раздел обычно не вызывает трудностей, и удивительно, когда в нем допускают ошибки.
Достаточно включить:
- ФИО.
- Должность или самоидентификация — по желанию.
- Контактные данные: номер телефона и email.
- Местоположение: город и страна.
- Релевантные ссылки, такие как LinkedIn, GitHub, Medium, Kaggle и другие. Важно проверить работоспособность ссылок, поскольку они содержат полезную информацию, и переход должен вести именно туда, куда задумано.
Заявление о квалификации
Если остальное резюме четко отражает достижения и профиль, этот раздел можно опустить, чтобы избежать повторений и сэкономить место.
Например, отсутствие такого заявления не помешало получить предложения. Тем не менее, оно полезно для адаптации под компанию или роль, а также для оптимизации под ATS.
Частая ошибка — использование слов вроде «страстный», «трудолюбивый» или «целеустремленный».
Избегайте этого.
В бесчисленных резюме встречаются утверждения о том, что кандидат — мотивированный и энтузиастичный специалист.
Это минимальный стандарт для любого соискателя.
Эффективное заявление кратко описывает профиль и ключевые достижения в нескольких предложениях.
Пример для специалиста:
Специалист по data science / инженер по машинному обучению с опытом более 4 лет, фокусирующийся на прогнозировании временных рядов, задачах операций исследований / оптимизации и прикладном машинном обучении. Экспертиза в областях страхования, цепочек поставок и логистики из различных компаний.
Без воды, только суть.
Технические навыки
Это краткий обзор компетенций, не превышающий 4–5 строк, даже если это предел.
Размещение наверху позволяет рекрутеру сразу оценить соответствие техническим требованиям вакансии.
Кандидаты часто невольно допускают ошибки, думая, что перечисляют желательные навыки, но на деле отпугивают проверяющих.
Рассмотрим типичные промахи:
- Не указывайте слишком много технологий — это вызывает подозрения. Список вроде «Python, SQL, C++, Rust, Assembly» выглядит как набор buzzwords, и маловероятно, что все они освоены на достойном уровне.
- Для языков программирования используйте формулировки «владею» или «знаком с». Избегайте звездочек вроде «Python 4/5» или «продвинутый» — это устанавливает нереалистичные ожидания. Критерий: если комфортно решать простые задачи Leetcode на этом языке, то владение есть.
- Не перечисляйте все пакеты Python. Для data science предполагается знание NumPy, Pandas, Matplotlib — нет нужды акцентировать. Укажите Git, AWS, Argo, Bash, Databricks — технологии, которые не у всех есть.
Опыт / Проекты
Ключевой момент — четко показать, что выполнялось в каждой компании и какие результаты достигнуты, обязательно с цифрами и показателями. Идеально — финансовый эффект.
Не скромничайте: подчеркивайте объем работы и влияние, демонстрируя навыки.
Например, в резюме упоминаются технические шаги или модели вроде ARIMAX или XGBoost для улучшения прогнозирования бизнес-задач, с указанием метрик улучшения и связи с бизнес-результатами.
Это иллюстрирует техническую компетентность и ориентацию на бизнес-эффект.
В итоге компаниям важен только финансовый вклад. Не имеет значения, нейронная сеть или линейная регрессия использовалась.
Прибыль есть прибыль.
Это упрощение, но правда: если удается связать машинное обучение с бизнес-результатами, то вы опережаете 80% кандидатов.
Рекомендуемая структура для каждого пункта в разделе опыта:
- Укажите, что анализировалось, прогнозировалось или моделировалось.
- Перечислите используемые технологии, алгоритмы и статистические инструменты.
- Опишите улучшенные метрики.
- Укажите созданную бизнес-ценность.
Не стесняйтесь конкретики по технологиям, пакетам и алгоритмам — это лучше расплывчатости и помогает ATS.
Дополнительные, но очевидные аспекты:
- Включайте только оплачиваемый опыт, но исследовательский тоже подойдет.
- Начинайте с последней позиции, двигаясь хронологически назад.
- Различайте стажировки и полную занятость.
- Избегайте подпугнков — они излишни.
При отсутствии опыта замените на раздел проектов с аналогичным акцентом на технике и бизнесе. Выбирайте проекты, релевантные вакансии, чтобы показать интерес к сфере.
Образование
Без релевантного опыта размещайте образование перед опытом, а проекты — после.
С опытом более 4 лет раздел образования упрощен. Его сохраняют, поскольку многие вакансии в data science и ML требуют магистерской степени в STEM-дисциплине.
Без опыта можно расширить, описав релевантные работы по программе, но не стоит перечислять все курсы — это избыточно, и никто не вникает. Дополнительные соображения:
- Если оценки высокие, укажите; иначе опустите.
- Добавьте специализированные достижения, вроде хакатонов или проектов.
- Укажите награды и призы из учебного заведения.
- Исключайте сертификаты курсов, кроме ключевых вроде AWS Practitioner, если место позволяет.
Активности / Внеклассная деятельность
Этот раздел опционален, и многие советуют его пропустить.
Однако добавление нотки индивидуальности не вредит, хотя и не обязательно — это первое, что стоит убрать при дефиците места.
Здесь можно выделить YouTube-канал или блог, если они усиливают заявку, но такие случаи редки.
Если есть аналогичные элементы, раздел подходит для их представления.