不知道读什么专业，去读统计（数学）

统计未来的方向是什么？

ata scientist一直被视为需要统计，分析，机器学习和商业知识的全方位职业。数据科学家需要从数据中获得洞见，并基于这些做出决策。

一个优秀的数据科学家需要具备的素质有：懂数据采集、懂数学算法、懂数学软件、懂数据分析、懂预测分析、懂市场应用、懂决策分析等。

最近越来越多的企业宣布未来大部分员工将远程办公，同时招聘也会采取远程方式进行，这意味着地理位置的优势将被弱化，大家都站在同一起跑线。能够掌握更多的岗位必备软硬技能和工具就显得格外重要

数据相关的岗位有很多，比如数据运营，数据产品，数据分析，数据开发，数据挖掘，商业分析等。很多招聘岗位的名字可能就只是一个数据分析，但确是数据运营或数据挖掘的工作，下面就帮大家辨别和梳理一下这些岗位的工作内容以及需要的技能。

数据分析有哪些岗位？

数据运营：

很多人把这个岗位比作护士，护士虽然做的是护理工作，但也需要医学知识。数据运营做的是运营的工作，但需要结合数据分析的能力去做。数据运营门槛较低，适合零基础想要转行的小伙伴，先来试试水，后面再慢慢提升。

工作职责：

负责运营相关数据分析；协助运营人员制定数据分析策略；为日常运营提供数据支持；协调推动闭环等，具体的工作职责和内容则要看职位描述了，懂运营，然后用数据的思维去运营，大概可以这么理解这个岗位。

工具：excel+sql+ppt+基础的统计学内容+运营思维

工具的运用上，excel很重要，是用来分析，sql是用来取数的，ppt是用来写报告的，也可能会有不需要sql的公司，但作为一个对自己有要求的数据分析师，还是掌握一下sql吧。

比如以下这个j，就是一个很好的数据运营的招聘。

数据分析：

如果说数据运营是护士的话，那么数据分析岗可以理解为医生。比开发更了解业务，比产品/运营更具有数据分析能力，连接业务与技术。这个岗位其实有点泛了，很多商业分析/数据挖掘也叫数据分析，但这里我们就只谈“真”数据分析。

工作职责：数据提取、清洗；构建指标体系；多维度分析；预测；生成策略推动执行。

工具：excel+sql+python/r/spss/sas+进阶的统计学+ppt

excel+sql是必备技能，python/r/spss/sas任选其一即可，对统计知识的掌握程度要高于数据运营，比如下面这个数据分析的j。

数据开发：数据开发工程师，又叫数据仓库工程师，更偏向开发，需要掌握的技术面比较广，对学历可能会有要求。

工作职责：建设数据仓库；数据库表开发；数据采集、清洗、存储、建模、可视化、数据挖掘、数据应用；数据平台的建设优化。

工具：进阶的统计学+编程语言（python/java/r）+数据库开发

对编程和数据框开发的技能要求更高，如下面的招聘描述

数据挖掘：从算法的角度挖掘数据的价值，数据挖掘需要专且精，在技术上不断深入

工作职责:通过搭建模型算法提供挖掘未知的有价值的信息，提供解决方案；

工具:excel+sql+进阶的统计学+编程语言（python/java/r）+数据库开发+机器学习模型/算法框架

商业分析：基于商业问题和场景，通过数据洞察商业问题，为企业战略和决策提供数据支持，咨询/投行对该岗位的需求会比较多，会更多地关注国内外政策，对统计和业务能力要求更高。

工作职责:专题分析；框架/战略层面分析；分析报告

工具:excel+sql+spss/sas/r+ppt+高阶的统计学

简历如何准备？

无论你在成为数据科学家的路上有做过多少相关实习或者学习过相关课程，面试官在面试过程中肯定会把你简历上面的经历和技能都会问到，我们如何才能在众多求职者中脱颖而出？

第一步肯定是从简历出发，创作一份好的简历从来都不是一件容易的事情，为数据科学家这个抢手岗位准备简历更是难上加难。 

下面会介绍一下作为ata scientist的面试官希望在你的简历中看到的要点。

相关性:

这个并不只是局限于一个岗位，几乎所有岗位的面试官都会在你的简历中寻找和job escription有更加相关的内容。即便是机器去筛选简历，“它们”也会关心你之前是否有和数据科学相关的工作，而不是你一味地表现出想和团队一起去工作。机器和面试官最大的区别是：机器是没有感情的，它们只有yes or no！所以在准备简历之前，你要知道你的简历是发给谁的，同时在相关的内容中去体现你的特长。

如果你应聘的公司是科技公司或金融公司，你至少可以试着展示一些行业认知。你的简历不用因为每次申请重新回炉重做，但是应该对应不同公司的job escription有所不同。

我遇到的一位招聘人员曾告诉我：“我非常欣赏那些与众不同的简历，我们喜欢想要从事这份工作的候选人，而不是想要从事任何工作的候选人。同学们有时不能理解根据job escription修改简历的重要性，这就是投递简历被拒绝的很重要的一个原因：相关性和行业认知。招聘人员会看你是否了解这个行业，是否适合企业、部门以及项目。

关键词:

如果投递数据科学岗位，一定会出现的关键词：machine learning和statistics。除了去研究如何增加或cover到这些关键词，选择适合自己的、以及能够向招聘人员展示你的潜力的关键词也很重要。

前面说到现在大部分简历都是靠机器去筛选，我们要清楚地知道机器筛选都会去扫描简历中的哪些内容：教育背景、工作经验、技能和其他经历。

数据科学岗位会设置的一些关键词

扫描工作经历这一步骤非常重要。机器筛选通常是挑选带有特定关键词相关的简历，因此，即便是你的简历中出现数据科学关键词的同义词，也是有用的。

有时候，在cover letter中加入关键词也会有比较好的效果：在正文部分加入关键词，来确保你的经历、能力和岗位的重要关键词、技能相匹配。

简明的突出专长:

并不是所有的招聘人员都是擅长这个领域，除非看到你简历的是这个部门的负责人或未来和你一起在同部门工作的同事。

如果在简历中对于之前的一段项目或经历长篇大论，这绝对是错误的！

举个栗子

比如这两段经历：

那修改后是什么样子：

所以关键是简明扼要，避免出现多余的短语或者过于冗长的段落阐述做了哪些事情。数字也很重要！如果你的简历整篇都是文字，那数字的出现更能抓住招聘人员的眼球同时也能把你的结果来量化。我们可以把数字或指标加粗，来突出这件事情的结果。

在简历中注意这些细节性的信息，这无疑有助于你获得更多的关注。