肖哥，DS简历应该怎么写？我会在美国找DS、DA类的工作

我们先说下ds/da/ba类的职位的本质，然后再说。只要本质你理解了，你就知道这个简历要怎么弄了。你耐心读完，读完会有所启发的。

一、先梳理一下大部分公司的经营逻辑以及ds da ba类职位的本质

1.公司只要在经营，就会遇到business problem，如果这种business问题不被解决，公司的profit就会降低。

任何公司都是这样的，比如这个产品卖不出去了，那profit就升不上去了；比如最近离职的员工太多，然后就没人干活、没人帮公司赚钱了，那profit就升不上去了；比如最近产品的原材料价格上涨，所以公司的成本大幅度增加，那profit就升不上去了。

反正公司只要在运营，就会出各种各样的business problem，然后归根到底，这些问题都会影响到profit的增加这件事。

所以公司会招一些ba da过来，让他们用data的方法来解决这些business problem，以让profit增加。

2.拆解：

虽然最高目标是让profit增加，但是这个任务目标过于宏观，我们需要拆解一下，拆成小任务、小的business problem，这样做起来会容易一些。

所以我们要思考，公司的profit又是什么？没错了，是profit = revenue - cost

所以解决business problem（想让profit增加）的方法有什么呢？没错了，那就是为公司增加revenue，或，为公司降低cost，或 both。

3.再拆解：

但是为公司增加revenue也好，为公司降低cost也好，依然是有点虚、有点过于宏观，因为这依然是high level的business goal。但是具体要做什么，依然要进一步拆解。

例如，想要增加公司revenue，那，如果公司有一个实际的product，那可能围绕product，就是三件大事要做好就能增加revenue：

• Marketing要做好：Marketing做好了，就会有更多人从不知道这个产品 变为 知道这个产品

• Sales要做好：就会有更多人从知道这个产品 变为 购买这个产品

• After-sales的service/product要做好：付费客户都开心，就有可能多次购买这个产品，或者，推荐朋友一起买

4.继续拆解：

但是只这么说这三件事（marketing、sales、after-sales的service/product），还是有点虚、还是有点宏观。所以，针对这三件事我们具体要做什么，就还是要进一步拆解。

例如，想要做好marketing（让更多人知道这个产品），那估计就要做多种marketing，例如：

• Brand marketing

• Product marketing

• Social marketing

…..

同理，想要做好sales，也是要采用多种sales的方法/策略，然后把这些方法都执行好。

所以，marketing、sales和after-sales的service啊，都是又可以进步拆解为更小的business problem。

5.在进一步拆解的过程中，发现了一些不一样的事情：

回顾以上的拆解过程，我们可以发现，这个是business problem细化的过程，是从宏观到微观的过程，是从“虚”到“实”的过程。随着拆解的逐渐深入，我们会发现，这些小的business problem就是不同行业完全不一样。比如：

• 游戏公司，关心的其中一个问题可能是，啊 ，我公司的游戏有100关，我期待让尽可能多的游戏玩家的通关数都尽量多（我不希望我的玩家都是玩了一两关、三四关就不玩了，我期待他们都玩至少50关、60关、90关甚至100关）

• 健康医疗公司，关心的其中一个问题可能是，啊，有一个医院，我期待让这个医院接待的病人   看了病后就彻底好了，不要看了病、开了药、养了病，然后又犯病（就得又去医院看病，重复这个过程）这个又犯病然后去看病，就叫做“再看病率”，re-admission rate。我们希望医院的re-admission rate尽量低一些（否则医院的医生都要被累死了）

• …

所以游戏公司是不会关心健康医疗公司/医院的re-admission rate是不是太高的、健康医疗公司/医院也不会关心一个游戏公司的 玩家平均通关数的。但是游戏公司A可能会关心游戏公司B是如何解决的让玩家平均通关数的增长 这个问题的。对不对~~

~~~~

所以，你会发现，任何公司在宏观层面，可能期待解决类似的problem（比如都期待profit多，都希望revenue多，都希望cost少）。但是在往下深入的过程中，到微观的business problem的话，那就是不同领域的公司完全不一样。

6.继续拆解，会发现开始暴露metrics了：

然后，，进一步的，你会发现，此时，继续把微观的business problem拆解的话，就会开始有business metrics暴露出来了，例如，

• 我们要提高广告的click through rate

• 提高我们公司的日活（DAU）

• 提高我们公司的游戏玩家的平均通关数

• 降低医院的re-admission rate

• 等等等等。。。

然后有了大的指标要提高（例如这个大的指标是提高DAU），然后我们就要围绕这个指标的提升   这件事，做进一步拆解（思考做哪些事可以让这个指标提升），然后拆解为的每一件事又都有各自要提升的指标。

7.就这么继续拆下去，，，一直拆解下去。。那什么时候停下来、不再拆解呢？

嗯，没错，你稍微想下就知道，拆解到不可拆解的技术实操的东西就停止了，比如拆解到最后，看到了：

• 【需要针对xxx的数据集   用xxx类型的machine learning来做xxxx的分类或者预测】

• 【由于数据量太大，想要run机器学习的话，得用spark来承载这大规模的数据】

• 当然也有可能很简单，比如【用excel统计一下客户的男女比例】，这个就基本上没有什么难度，因为就是用下excel的filter功能就行了，但是毕竟用到了excel这个工具，所以也算技术实操吧。

嗯，看到纯技术实操的节点后，然后也拆不下去了。。。因为拆到这个level那这个深入的过程（逐渐拆解的过程）就可以停下了。

8.回顾与总结：

我们把这个拆解细分的过程，用一个图表示，也就是：

所以你看到了，在这个思维逻辑下，一个ds/da/ba要解决的business问题其实是一个树形结构。。最上面的根节点一直到最终的叶子节点。这些所有节点中，是分为三层：

• 第一层：宏观business问题——所有领域的所有公司都面临这些问题

• 第二层：微观business问题和metrics——不同领域的公司的问题不一样，相同/相近领域的公司的问题是一样的。

• 第三层：不可以拆分的技术实操——即便是相同/相近领域的公司，在技术实操上也可能有很大差异（当然了，也有可能是近似的）

嗯对，所以ds/da/ba要解决的问题就很清晰了，他们就是要cover 特定的几个路径（图里的黄色线条部分）。。。这里的路径是指什么？嗯，一个路径就是【一个叶子节点到根节点的通路】。。也就是下面这个图里的黄色的部分：

所以每一个ds/da/ba就是在若干条路径上工作。他们在工作的过程中，黄色的线条是自下而上的产生逐级向上的影响，没错了，这种影响就是business impact。

所以，读到这里，你也发现了，在da ba ds的所有职责里，只有最后一层的节点是技术成分，其他节点都是通通的清一色的business的问题。。。

所以这个简历大概要怎么写，你应该很清晰了。。。一定是business色彩和technical色彩并重的。

二、ds da ba简历的不同section的书写建议

0.在具体说这块如何写之前，我们先梳理一个问题，就是，简历上的两种类型的信息。

（1）定死了，没法改的信息：比如，你在xx学校读的xx专业，你在xx公司做的xx职位。

（2）可以灵活机动调整或者替换的信息：比如skills，和personal project，其实是需要针对不同职位做出定向调整的、甚至是替换。尤其是personal   project，你是需要在投递不同的职位的时候，在personal project这个section里要呈现不同的project （以迎合不同职位的需求），而不是只做了1-2个project然后用这1-2个project打所有的职位。

因为（1）里的信息已经无法改了，你做了什么就是做了什么，这是无从改变的印记；但是你还有机会改（2），对不对，（2）是活的，不是死的，所以（2）这种信息就要换起来！对不对，针对不同的职位做出替换。。。那如何才能做到精准的替换呢（如何确保自己替换了的project是最对职位的招人胃口的）？ 有两个方面需要同时满足：

• Business色彩要满足。比如投递游戏公司的da ba职位，那你最好personal project是基于游戏玩家的数据做一个什么分析或者预测；投递外卖公司的da ba职位，你最好personal project是基于外卖订单数据做一个什么东西的分类啥的，当然，因为外卖行业和快递行业（比如ups、fedex）很像，所以用快递行业的数据做一个什么da/ds的project，也可以用来投递外卖公司的da ba职位。

• 技术色彩要满足。那就是看job posting里的description里都要求了什么技术。然后如果你在你没法改的信息（比如在xx学校读xx专业、在xx公司做xx职位然后工作任务是啥）没法暴露你想投递的job要求的技术，那你就要通过academic project来满足。

此时就牵扯出一个问题了：那是不是意味着需要有多个project在手，这样才能见什么人出什么牌呢？（见什么职位出什么project？）

嗯对的，就该这样。

但是霎时间，如何才能快速做多个project？

嗯，所以不是自己亲自做，而是看懂别人的优质ds/da project。只要看会 而且有源代码在手，就知道细节，就和自己做的没区别。

所以你直接搜「kaggle best kernel」或者「kaggle top notebook」，你就能搜到很多人开源的kaggle   solution，甚至还获奖了。你看会了你就可以写了。

除了kaggle，还有github要用起来。github的search bar本身背后就是一个搜索引擎 做的还是不错的，我估计你可能没搜过也不知道如何精细化搜索，你可以看下https://www.cnblogs.com/suwanbin/p/12113751.html   这个帖子 你就会搜了。然后搜出特定的自己需要的project然后看会了就可以说是自己做的.

这样就是比如你投递e-commerce的da ba职位，就在personal project里写基于e-commerce数据集做的data project；你投递healthcare的da ba职位，就在personal project里写基于healthcare数据集做的的data project；

所以你的简历大概是这个思路去写：

1.下面说一下skills这块应该怎么写。

skills这块，我们可以分成两列来列，一类是技术能力（或者叫理工科技能），一类是business能力（或者叫商业技能和商业知识/sense）。

（1）技术能力好说，有很多种，且分类不唯一，比如：

Programming: Python (scikit-learn, pandas, numpy, beautifulsoup), R(dplyer, data.table, glmnet), MATLAB, SAS, JavaScript等等

Statistics: Probability, Distribution, Statistical Inference, Hypothesis Testing, Bayes Theorem, Law of Large Number, ANOVA等等

Big Data: Kafka, Spark, Hadoop, Pig, Nutch, Mahout, Flume, Druid, Oozie, MapReduce, Alluxio, Flink, MapReduce, HDFS, Heroku等等

AI Models: Regression (Linear Regression, Logistic Regression, SVR),Bayesian(Naive Bayes, Bayesian Network), Decision Tree(ID3, C4.5, C5.0), Ensemble (Random Forest, Boosting, AdaBoost),Clustering (K-Means, Expectation Maximization, Hierarchical Clustering), Neural Networks (Backpropagation, Chain Rule of Derivative), Deep Learning(CNN, DNN, RNN)等等

Data Visualization: Tableau, histograms, frequency polygons, box-plots, quartiles, scatter plots, heat maps, EDA, ROC, profit curve等等

Database: MySQL, PostgreSQL, MongoDB, Cassandra, Redis, Oracle, Memcached, Sqlite, H2, HBase, SQLite, Neo4j, Hive

（2）至于business能力，应该如何陈列呢？

嗯，没错，分成3个方面。

第一个方面就是常用的分析方法，你可以参考这个产品经理常用的分析模型的图，这点ds和pm是overlap的：

你看你这里会什么你就写什么吧。如果不会的话，也可以只管写一下，因为这些分析方法都不难，现学的话可以很快学会。

第二个方面就是industry，为什么向人证明industry你很懂是很重要的？是因为不同industry解决的问题不一样，比如外卖行业要解决一份外卖如何最快、最节省成本的送到客户手上，而游戏行业要解决游戏玩家通关数目的问题（不能让某个游戏的用户刚玩1关、2关就不玩这个游戏了）。。 这些business问题可能是完全不同的。所以industry定下来后，就会决定之后做的任务的色彩。所以首先要写自己熟悉的industry并且在industry后面打上括号，括号里是你熟悉的high level business problem）

第三个方面就是metrics。Metrics就是指的上面那个图的第二层里，每一个节点的问题如果要解决，都是要具体解决一个指标的。

比如【After-sales的service做好了，付费客户都开心，就有可能多次购买这个产品，或者推荐朋友一起买】，那这里的指标是啥？没错 是同一个用户的重复购买率   和    推荐率    ，这两个指标，如果变高了，那after sales的service就算做好了，这一步的goal就达到了。

所以在metrics这一方面，你就要对你懂的business metrics做一下分类，然后分门别类的呈现出来。那都有哪些metrics呢，嗯，你看这4个帖子就有了：

https://www.ntaskmanager.com/blog/business-metrics/

https://www.process.st/business-metrics/

https://www.scoro.com/blog/key-performance-indicators-examples/

https://www.qlik.com/us/kpi/kpi-examples

（3）所以，这个简历的skills要怎么写，你知道了不，可能大概长这样：

也可能长这样，也就是merge了一下：

SKILLS

• Programming: Python (scikit-learn, pandas, numpy, beautifulsoup, web scrapping) R(dplyer, data.table, glmnet), MATLAB, JAVA, Excel VBA.

• Big Data: Spark, MapReduce, Hadoop.

• Al Models: Regression (Linear Regression, Logistic Regression, SVR), Bayesian, Decision Tree, Ensemble(Random Forest, Boosting, XGB), Clustering (K-Means, Hierarchical Clustering), Neural Networks, Deep Learning (CNN, DNN, RNN).

• Data Visualization: Tableau,histograms,frequency polygons, box-plots, quartiles, scatter plots, heat maps, EDA, ROC.

• Statistics: Probability,Distribution,Statistical Inference,Hypothesis Testing,Bayes Theorem, Law of Large Number, ANOVA,Time Series Analysis (ARIMA, Prophet).

• Analytics: A/B Testing, SWOT, Maslow's hierarchy of needs, PESTEL, KANO, Fogg Behavior Model.

• Metrics/KPIs: Fintech(Gross/net profit margin, operating profit,ROI,LTV,CAC,digital tranction metrics,total gross revenue);Marketing (eCPM,funnel analysis, impression, conversion rate,click through rate, google analytics);Product (A/B testing,DAU/MAU Ratio,customer engagement rate, customer acquisition cost, bounce rate, cumulative penetration); Website(SEO,SEM,upstream/downstream sites, unique users, number of visits, time spent, search traffic)

写东西的时候，要务必记住我说的路径问题，即：

你需要确保 你所负责的所有路径的所有节点的词汇（也就是business problems以及这些problems如何被解决的），都要暴露在简历里。。。

2.然后，我们梳理下大型经历（比如实习、或者personal project）要咋写：

（1）用树形结构,,,在你大脑中梳理你的经历，看有几条路径（每个路径是某个叶子节点到根节点），然后这条路径上是tech的东西和business的东西都应该有，即从编程语言/ML/数据库   到business metrics,到 business问题以及微观business问题和宏观business问题，都要展露在简历里

（2）每个工作经历大概要写5-8个bullet：

1. 第一个bullet一般是high level的说解决什么问题（但是也得具体点破这件事的本质是啥，比如就是解决“如何让现存用户发生更多购买行为 以让公司有更多revenue by utilizing什么business知识和什么技术知识方面，比如这里写statistics、machine learning、big data pipeline、funnel analysis这种词汇”。

2. 中间的几个bullet就是说自己的工作具体做了什么，写的时候确保每一个路径（叶子节点到根节点）的所有信息都展露了出来。所以中间的几个bullet，是business   metrics，叶子节点是technical，所以你这样融到一起写应该是很具体的某种技术、某种metrics，都暴露出来了，所以营造出了business与technical的交融的感觉

3. 最后一个（或者最后的某几个）bullet就是写impact，要点破具体对公司的影响（with 数字）

（3）每一个经历的每一个bullets里最好都有数字。。。。要让简历整个看上去就星星点点的字里行间全是数字。。。。。营造这种数字感。

数字感有3个维度

4. business metrics的数字（比如DAU提高了多少，影响了多少用户）

5. technical metrics的数字（比如准确率，召回率等）

6. 一些看似无关痛痒的数字（比如3张表，14个features，2天，2019 的3个quarter，数据集是1.5 GB等等）

你尽量让每一个bullet都至少有一个数字暴露出来~相信我，一定可以的

3.页数：

你先不要管页数，比如你改完了后，超过1页了，你先不要管这个页数问题，你先把我想看到的东西，暴露出来，最终格式、页数问题，然后我去调整和修改、以及精简。

因为你心怀着 “简历的1页限制”的想法，一轮轮改和写，弄出的简历

和

你 不想着这个想法   然后写简历 写出来一个1.5页、2页、甚至3页的简历   然后最后再统一精简为1页

这两个肯定是后者更容易写好一个简历

三、data简历的本质

你要时刻记得，data职位是一个「碰巧需要用技术的一个business职位」，而不是一个单纯的技术职位。所以写简历的时候，一定是business与technical交融的感觉。

插一句题外话，其实如果一个公司的业务定死了（例如，就是做电子游戏的公司 例如EA、或者是电商平台公司 例如Amazon），那它的这个公司的三角形也就定死了——宏观商业问题、微观商业问题、以及最后一层的技术实操，其实都定死了。

拿技术实操来说，由于machine learning存在when to use what machine learning models的问题————这件事的本质是，machine learning models是有适用场景的，在公司业务以及商业场景定死了以后，其实这个公司的ds岗位需要用什么machine learning models，也就定死了。

因此，如果公司以及团队定死了，那就意味着...想要筛选出适合这个公司的这个团队的ds人才，要问什么面试题，也就定死了。因此，三角形的每一个节点其实就是有标准答案的。。。。那只要提供辅导的人，他在这种公司（例如是游戏公司）的这种团队（例如是marketing team）做过，他就知道这个团队需要懂什么business knowledge以及stats ml knowledge。

这就意味着，ds职位的面试是可以押题的~~！~~~   公司名字+团队名字+职位描述+谁会面你 = 大概率可以押这个DS职位的面试题~~~

（注意，一个事情如果在三角形的节点上，那才可以押题。那ds面试中，哪些面试题可能不在三角形的节点上呢？比如sql challenge这种东西就不在三角形的节点上，因为sql challenge和公司业务以及三角形的节点，并不相关。所以sql challenge只能提供讲课辅导，无法提供押题服务）