Резюме Data Scientist: образец и примеры
Резюме Data Scientist, в котором только список моделей и библиотек, отсеивается на первом же скрининге. Собеседование приносит связка «задача — метод — эффект»: как вы сформулировали проблему, почему выбрали именно этот подход и какая бизнес-метрика изменилась — выручка, отток, точность, стоимость.

Ключевые навыки: Машинное обучение (регрессия, классификация, кластеризация) · Глубокое обучение (нейронные сети, TensorFlow, PyTorch) · Обработка естественного языка (NLP) · Python (Pandas, NumPy, Scikit-learn, Keras) · SQL (PostgreSQL, MySQL, MS SQL Server) · Big Data (Apache Spark, Hadoop) · Визуализация данных (Tableau, Power BI, Matplotlib, Seaborn) · Статистический анализ и A/B-тестирование · Облачные платформы (AWS, Google Cloud, Azure) · Аналитическое мышление и решение проблем · Коммуникативные навыки · Владение английским языком (технический)
Советы по написанию резюме
Метрика модели и метрика бизнеса
Gini 0,61 говорит команде, а «−8% списаний» — руководителю. Пишите обе: так видно, что вы понимаете, зачем строили модель.
Путь до продакшена
Рекрутеры отличают ноутбук от работающего сервиса. Укажите, как модель внедрена: батч в Airflow, API, A/B-тест, мониторинг дрейфа. Даже одна внедрённая модель весит больше нескольких исследований.
Данные, с которыми работали
Объём и тип данных задают уровень: «транзакции 15 млн клиентов», «логи 2 ТБ в день», «тексты обращений». Добавьте инструменты: SQL, Spark, ClickHouse, Hadoop.
Проекты, если опыта нет
Kaggle, учебные и pet-проекты подойдут, если по ним видно постановку задачи, выбор метрики и выводы. Одна страница README с результатом сильнее десятка ноутбуков без описания.
Документы и требования
Задача, метрика, эффект
В вакансиях на hh.ru Data Scientist'ов чаще всего спрашивают, как модель повлияла на бизнес. Для каждого проекта пишите тройку: какую задачу решали, метрику качества модели (ROC-AUC, Gini, MAPE) и что изменилось в деньгах или процессах. Стек — отдельной строкой под должностью.
Примеры раздела «О себе»
- Junior Data Scientist. Окончил магистратуру по прикладной математике, сделал проекты по прогнозу оттока и классификации отзывов (Python, scikit-learn, CatBoost), участвовал в двух соревнованиях на Kaggle. Уверенно пишу SQL. Ищу команду, где модели доходят до прода.
- Data Scientist, 4 года в ритейле. Построил модель прогноза спроса для 1 200 магазинов: ошибка прогноза снизилась с 24 до 15% (WAPE), списания свежих товаров — на 8%. Python, CatBoost, PySpark, Airflow, ClickHouse.
- Руководитель направления машинного обучения в банке, 9 лет в анализе данных. Команда из 8 человек: скоринг, антифрод, рекомендации. Новая скоринговая модель подняла Gini с 0,52 до 0,61 и сократила долю просрочки в новых выдачах. Отвечаю за MLOps и найм.
Сильные пункты резюме
- Разработал и внедрил модель машинного обучения для прогнозирования оттока клиентов, что привело к снижению потерь на 12% за 6 месяцев.
- Оптимизировал алгоритмы обработки больших данных на Apache Spark, сократив время выполнения задач на 30% и повысив эффективность ETL-процессов.
- Провел A/B-тестирование новых функций продукта, выявив ключевые факторы роста вовлеченности пользователей на 8%.
- Создал интерактивные дашборды в Tableau для мониторинга KPI, обеспечив бизнес-аналитиков актуальными данными для принятия решений.
- Применил методы NLP для анализа отзывов клиентов, идентифицировав основные болевые точки и предложив улучшения, что повысило удовлетворенность клиентов на 5%.
- Построил предиктивную модель спроса на основе временных рядов, что позволило сократить издержки на хранение запасов на 10%.
- Автоматизировал процесс сбора и очистки данных из различных источников, сократив ручные трудозатраты команды на 20 часов в неделю.
Частые вопросы
Поставьте вперёд образование и проекты: задача, данные, метрика, результат, ссылка на GitHub. Добавьте соревнования, стажировки, курсы с итоговыми проектами. В заголовке — «Junior Data Scientist» или «Стажёр».
Аналитику важны отчёты, дашборды и выводы для бизнеса. Data Scientist'у — модели, эксперименты и внедрение. Если вы на стыке, выберите акцент под вакансию и сделайте две версии.
Да, если они по теме: статьи, доклады на конференциях, выступления на митапах. Одной строкой с названием и годом.
Те, которыми вы работали за последние два-три года, сгруппированные: языки, ML-библиотеки, данные, MLOps. Список из тридцати пунктов без групп читается хуже.
Создайте профессиональное резюме
Начните с резюме под вашу роль — дальше ResumeQuick находит подходящие вакансии и говорит, что делать дальше.