掌握这12个雷点，一定能写出HR看一眼就受不了的简历！
很多小伙伴都在积极备战2024年的秋招，很多同学要么就是直接被默拒，或feedback寥寥无几，投一些大厂还被泡池子。。
大家有没有想过问题到底出在哪儿了？是背景不如人，还是简历不过关？
在花大量时间、精力、金钱去学习也好，武装自己也好，我们先需要对自己的问题一一诊断，目前简历关都过不去，还准备啥面试呢？
今天，我们聊聊北美关于数据分析、数据科学相关职位的简历，也就是resume该怎么写？
我们就来依次展来聊聊这12大雷点
掌握这12个雷点，一定能写出HR看一眼就受不了的简历！ 雷点一、模板太花哨，你要选美么？雷点二、布局太复杂，简单点雷点三、中英翻译，简单粗暴！雷点四、把自己吹爆！我要打十个！雷点五、字体太草率，要不你用草书吧！雷点六、把Education写最前面雷点七、消失的keywords雷点八、空旷的header雷点九、不写Summary雷点十、项目实在太水雷点十一、不会包装自己雷点十二、产出不会量化
雷点一、模板太花哨，你要选美么？
首先，在模板上，大家千万要注意，对于ng来说，不要花里胡哨的模板，长得好看是容易被优待，但是简历太花，却不能引起HR的注意。。
要知道，HR每天要面对成百上千份简历，而且平均每份简历只停留5-10秒，一般一个active position一周就能收到3000~5000封简历，真心看不过来。。
一份带背景、带格子、带颜色的简历，就还是别搞了。。。
推荐一些Resume Builder：
大家根据自己的需求，来选择模板，我个人还是建议越简洁越好。creative-looking往往在art、design这个领域比较好用，像我们tech领域的还是黑白的好点。
雷点二、布局太复杂，简单点
个人不建议这种2列的布局，尽量还是一列为好
https://drive.google.com/drive/folders/1QOuT9FV2vLtnHP96Fk2aYU-RJMI8EOQW
比较推荐这个~
雷点三、中英翻译，简单粗暴！
选好了模板之后，很多同学就打开了Google translate，开始把自己的中文简历一行行的翻译成英文的。
别以为回国求职，然后把英文翻译成中文的同学，我没说你。。。
这种翻译在HR眼里就是，中英文混杂、语法错误百出、词意直接“变味”。。
雷点四、把自己吹爆！我要打十个！
GPT牛，大家都知道，但不代表它真的能完全自动帮你写简历。。
它写简历有几个毛病：
喜欢用比较fancy的形容词
写的东西中间有逻辑gap，因果关系对不上
写的产出有点扯犊子。。
GPT可以用，但是别直接照搬，可以参考，但最终还是要一个个字自己细扣。
虽然大家简历都有水分，但别把自己吹得太过火。。。
一些夸张的形容词不要用，保证concise和informative很重要
首先，你的简历要先过机筛，再到hr那，写那么多tech且晦涩的词，别人都看不懂，hr直接就给你挂。。。
雷点五、字体太草率，要不你用草书吧！
英文字体可太多了，但是不要乱用
NO：Comic Sans MS、MS Gothic、Ink Free、Agency FB、OCR A Extended
Calibri、Times New Roman、Arial、Verdana、Cambria、Tahoma、Georgia 这样的字体就比较合适
注意：
正文部分使用 11-12 号字体，章节标题和页眉使用 14-16 号字体。
将章节标题和页眉设置为粗体。
避免过多的文字样式，比如粗体、斜体、粗斜体和下划线。
设置 1-1.15 的行间距。
避免使用视觉效果、装饰或不必要的图标。
bullet point就用点就可以了，别用乱七八糟的符号
雷点六、把Education写最前面
很多同学不知道，这个布局也是很讲究的
一般就是这几个模块
Education
Experience
Skills
Projects（如有）
Certificates（如有）
Research（如有）
Leadership（如有）
反正前三个是肯定要写的
后面有的话最好，不然一页好像也没啥写的对吧。。
但是前三点的顺序，不固定，看你的优势是啥。
比如：你是常青藤，相关专业对口，绩点高，有参与什么学校竞赛等等，那就把Education写前面
什么时候Education不要写前面呢？
学校一般（非QS前100）
gpa一般（3.2/4以下）
专业不对口（文科专业或者会计、金融啥的）
有gap year（本科结束，中间打过工，再去读书的）
雷点七、消失的keywords
在美国中到大型公司在面试过程中，人力部门都有一套完成的计算机系统来监视整个面试过程，称之为ATS。
简单说，就是可以把简历的关键词解析出来与工作描述（jd）进行匹配并给简历打分，这样就能快速筛掉大部分不合格的简历，你的简历很有可能就被机器筛掉了，然后自动触发邮件，告诉你gg了。。
这么做肯定能节省时间和成本，但也有可能就把一些因为排版或没写关键词的优秀candidate淘汰了
如何通过ATS？
以技术类的岗位为例，最好把自己所有的技能分门别类的列举出来，尽可能多的跟工作描述中的内容所匹配。
Skills方面，就得看你求职的是DA还是DS
DA就多写：
Programming languages (Python, R, SQL)
Data Visualization Tools (Tableau, Power BI)
Statistical Analysis (A/B test)
Soft Skills
DS就再加上
Machine learning
Big data technologies
在Experience里面，还需要把自己工作的经验描述出来，核心的内容还可以加粗字体，告诉雇主自己有与工作内容相关的经验。如果工作经验较多，与求职岗位关联性差的部分可以进行弱化，关联强的经历可以着重描写，这里也要多出现关键词。
建议：
（1）如果你实习经验比较足，公司质量也比较高的话，建议写最前面
（2）关键词是啥？在哪找？一定要利用好JD，JD写什么关键词，简历就写啥
不过很多人不懂咋解析JD，有机会再讲吧。。
系统可能会解析不出来花里胡哨模板里面的关键词。。
雷点八、空旷的header
尽量填写与公司地址相近的地方
邮箱尽量选择如上图所示的比较职业化的邮箱地址
尽量加上Linkedin
Github最好要有主要放project porfolio
Personal Website有的话加分
雷点九、不写Summary
Summary这个呢，是optional的，但是对于ng来说，经历相对较少，如果你写了很多国内的实习，那还不如换成summary。。。
国内的实习为啥尽量不写？
不好背调，成本太高
比较好造假
国内外业务形态差距大，不太能借鉴
国内外文化大，不一定能兼容
语言关能不能过不清楚
如果此时，你的Project或者Research经历也不丰富，那咋办呢？
就写一写Summary占占篇幅
举个例子：
2+ years of experience in data analyses to derive meaningful insights and strategies for business marketing and improvement
Highly skilled in SQL, Tableau, Excel, Python, R, MS Access and web marketing using Google Analytics
Ability to provide marketing strategies based on KPls to improve company's performance for profitable results
Skilled in processing data using data mining, natural language processing and performing predictive analysis
雷点十、项目实在太水
为什么要写Projects呢？
其实就是因为工作经验不足，需要用商业化的实战项目去补充
行业经验背景的缺失
主流工作场景所需技术能力的不足
那么，咱们就最好不要用学校里教授给我们布置的final project来写到简历
因为，这个是属于学术项目，目的是让你巩固课上学到的知识，不能deliver value！
但是工作当中要做的项目，是要解决实际的问题，会有很多限制和业务逻辑需要你深入了解。
还有一些过于大众的项目，也不要写
比如：
airbnb房价预测（数据量太小，属于demo级别，太多人做了）
股价预测（你看看有没有人花钱买你的模型去炒股赚钱。。。不能商业化的项目）
还有一些过于小众的项目，也不要写
比如：
森林火灾传感器数据预测（落地场景很小众）
criminal预测（你要去抓贼当警察么）
什么样的项目是个比较好的项目呢？
能写到Github的项目：
给大家推荐下鲸鲸的项目
https://zg104.github.io/whale_projects
雷点十一、不会包装自己
据我了解，很多同学实习来自于：
家长靠关系安排（一般是国内的，很少能安排国外的，就算有可能也跟da/ds不相关）
中介买（一般海外实习公司好点，能出证明的，都是十万rmb起，一般是找个在职的da/ds带你做个数据脱敏的小项目，证明可能也是假的）
自己找（一般公司知名度比较低，如果是腾讯、字节等大厂会很吃香）
不管咋样，你一定要把自己的经历“包装”成跟DA/DS相关的才行
| 非数据相关的实习经验 | 转换为数据相关的描述 |
|---|---|
| 参与公司的战略分析工作。 | 支持战略决策的数据收集和分析，运用Excel和SQL进行数据挖掘和整合。 |
| 协助IPO前的财务审查过程。 | 利用Python进行自动化财务建模和估值分析，提高数据处理效率。 |
| 负责市场研究和竞争对手分析。 | 应用统计分析技术，使用R或Python对市场趋势进行量化研究，输出数据看板并对数据进行深入解读。 |
| 协助制定营销策略和销售预测。 | 通过构建和调整预测模型来优化库存管理，使用数据驱动的方法来指导营销策略。 |
| 进行客户满意度调查并汇总反馈。 | 设计并实施数据收集方案，使用可视化工具（如Tableau）跟踪客户满意度指标，提取关键影响因子。 |
| 管理项目时间表和组织文件。 | 开发和维护项目管理仪表板，监控关键绩效指标（KPIs），确保项目按时完成。 |
雷点十二、产出不会量化
我知道大部分同学做的实习都是所谓的“打杂”，不过不要写daily duty，那就是流水账了。。
把自己的经历全部堆上去，以为全写上去就可以展示自己的能力了！
这样只会没有重点、没有条理，该突出的亮点不突出，没有亮点的内容还占了绝大部分的空间...
想着靠字数多来取胜。。。是想让我们来做阅读理解么？
| 👍 | 👎 |
|---|---|
| 通过优化算法，提高了模型的准确率10%。 | 在项目中负责数据清洗和预处理。 |
| 利用统计分析方法，帮助团队节省了20%的时间来识别关键趋势。 | 参与开发了一个预测模型。 |
| 实施了一项A/B测试，导致用户参与度提高了15%。 | 在实习期间，我参与了多个数据分析项目。 |
| 通过自动化报告系统，减少了错误率并提高了报告的准确性。 | 对数据集进行了探索性数据分析。 |
| 利用机器学习技术，实现了销售预测的准确度提升了25%。 | 对数据进行了深入研究以发现洞察。 |
| 开发了一个数据仪表板，使决策者能够实时监控关键性能指标，从而提高业务效率。 | 协助团队进行数据可视化。 |
| 通过构建一个推荐系统，增加了产品的点击率和转化率。 | 使用Python进行数据处理和分析。 |
英文版本
| 👍 | 👎 |
|---|---|
| Optimized algorithms that improved model accuracy by 10%. | responsible for data cleaning and preprocessing. |
| Utilized statistical analysis methods, helping the team save 20% of time in identifying key trends. | Participated in developing a predictive model. |
| Conducted an A/B test that led to a 15% increase in user engagement. | Involved in multiple data analysis projects during the internship. |
| Implemented an automated reporting system, reducing error rates and enhancing report accuracy. | Performed exploratory data analysis on datasets. |
| Applied machine learning techniques to improve sales forecasting accuracy by 25%. | Conducted in-depth research on data to find insights. |
| Developed a data dashboard enabling decision-makers to monitor KPIs in real-time, thus improving operational efficiency. | Assisted in data visualization efforts. |
| Built a recommendation system that increased product click-through and conversion rates. | Worked with Python for data processing and analysis. |
综上所述，一个好的简历主要有以下几点：
简历模板清楚整洁（字体、布局、格式、颜色、顺序）
使用与工作描述中相关联的关键词（过机器筛选）
与DA/DS不相关的经历不要写（实习）
要写商业级的实战项目（背景、收益、预计节奏、难点痛点、复盘优化等）
要有measurable results（产出量化）