数据 / 算法岗简历:区分离线指标和业务指标,写清口径与样本
数据岗的简历有一个其他岗位没有的陷阱:离线指标和线上业务指标混着写。「模型 AUC 提升 0.03」和「业务转化提升 3%」是两件事,混着讲的人,面试一问样本量和口径就露。分开写,反而是最简单的专业信号。
先说清你产出的是什么
- 模型与算法:离线指标(AUC、NDCG、F1)、线上指标、推理成本、覆盖请求量。
- 指标体系与实验平台:口径统一了多少张表、实验平台被多少团队使用、上线决策周期缩短多少。
- 分析工作:推动了什么决策,而不是产出了多少张报表。这是分析岗最常写错的一条。
- 数据链路:数据量、时效(T+1 还是分钟级)、质量问题下降、成本。
离线与线上必须分开写
错误写法:训练了推荐模型,提升了点击率。
正确写法分两段:离线阶段,基于行为序列特征训练召回模型,AUC 从 0.71 提升到 0.76;上线后做 AB 实验,实验组点击率相对提升 4.2%,样本量约 200 万,置信区间 95%。
多出来的那半句话不是炫技,是让对方知道你的数字是怎么来的。数据岗被追问的第一句几乎总是「样本多少、口径是什么」。
分析的成果是决策,不是报表
「每周输出经营分析报表」描述的是工作量,不是影响力。改成:通过分渠道留存分析识别出某渠道用户次周留存显著低于均值,推动该渠道投放策略调整,季度获客成本下降 18%。
关键差别在于:报表是产出物,决策是结果。前者随时可以被自动化替代,后者不能。
数据质量与口径是专业度的试金石
- 写清你如何保证口径一致:建立了指标字典、统一了计算逻辑、发现并修复了多少处口径冲突。
- 写清数据质量问题如何被发现和处理:监控、对账、异常告警、回溯。
- 如果你做过实验设计的规范(分流、显著性、护栏指标),这是很强的加分项,务必单独写。
常见问题
- 算法岗简历要不要写论文和竞赛?
- 有就写,放在项目或教育之后。但筛选者更关心工程落地能力:模型有没有真的上线、线上表现如何、推理成本和延迟如何控制。只有论文没有落地经验的简历,在工业届投递里通常不如有线上经验的。
- 业务方不采纳我的分析结论,这段经历怎么写?
- 照样写,并且写清分歧与处理:你的结论是什么、业务方的顾虑是什么、你用什么方式验证或折中。这展示的是沟通与说服能力,是分析岗真实的日常。只写被采纳的结论反而失真。
- 转行做数据,没有指标怎么量化?
- 用工程侧的证据:处理的数据量、建立的指标体系覆盖了多少张表、自动化替代了多少人工统计。这些同样能被验证,也比编一个 AUC 安全。
把这份指南里的方法用在你的简历上
上传简历,助手按目标岗位逐条找出没有信息量的句子,追问到你补得出证据为止。