评论
由Frederik Bussler，Apteo 增长营销部门提供
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你组织的 IT 需求
照片由Jake Kokot提供，来源于Unsplash。
找到一个数据科学工作是否就像学习 Python 和 Jupyter 等技能、参与 Kaggle 比赛、获得认证、并在求职网站上提交简历一样简单？
错误。
最近，Kaggle 的独立用户达到了500 万。在其他社区中，Towards Data Science 每月获得2000 万次浏览。AI 研究员 Andrew Ng 在他的 Coursera 课程中有400 万名学习者。
与此同时，全球只有17,100名机器学习工程师。截止撰写本文时，LinkedIn 上有2,100个开放的机器学习工程师职位。其中，大约80个职位在 FAANG 公司。
“开放的数据科学职位”由 Apteo 的“数据科学职业趋势”仪表盘提供。
公平地说，如果我们包括一般的数据科学和 AI 研究员角色，全球共有86,000个空缺职位。然而，称数据科学为“竞争激烈”可能是对今年的轻描淡写。
数据科学社区与数据科学就业机会。作者可视化展示。
在商业中，一个竞争激烈的领域被称为“红海”，在这个拥挤的空间里鲨鱼在争夺。相比之下，“蓝海”则指的是未开发的、没有竞争对手的市场空间。
图标由 Freepik 提供，来自 flaticon.com。由作者编辑。
作为一个未来的数据科学家，你的目标是竞争于蓝海。以下是四种方法。
红海与蓝海策略。由作者创建。
我是 LinkedIn 的超级粉丝。事实上，在完成了 100 多门 LinkedIn 学习课程后，我曾 被 LinkedIn 特别推荐，我的帖子获得了 超过 10,000 条评论，并且我有超过 20,000 个连接。不过，仅依赖 LinkedIn 是一种红海策略 (
LinkedIn 帖子，由 LinkedIn 提供。
LinkedIn 拥有大约 六分之一亿 用户。这意味着，如果你仅在 LinkedIn 上进行网络连接，并通过 LinkedIn 申请工作，你将与 大量 人竞争。
作为一个使用 LinkedIn 招聘的人，好的职位发布可能会迅速涌入大量申请者，以至于很难浏览所有申请，更不用说给每个人反馈了。
这就是为什么，除了 LinkedIn 之外，我建议你还使用一些小众平台，比如 Shapr、Y Combinator 的 Work At A Startup、Lunchclub.AI（注：这是我的邀请链接，但我不会从中获利）、像 Wizards 这样的 Slack 社区，以及 Meetup 或 Eventbrite 上的线下社区。
这些都是免费的。
紧密的社区使你更容易脱颖而出。例如，Shapr 和 Lunchclub 是专注于一对一连接的专业网络。
我曾经遇到一个会议参加者开玩笑说：“网络连接是新的不工作的方式。”虽然这很有趣，但我在那次活动中也遇到了一个新客户。
网络连接与第一个要点类似，但这里我专指申请工作的时间。
照片由 Chuttersnap 提供，来自 StockSnap。
你可能听说过有人提交 数百 份工作申请却没有任何回应的故事。也许你自己也经历过这种现象。
尽管有些人通过这种方式找到了工作，但提交简历到某些招聘门户网站的可能性越来越大，意味着你永远不会收到回复。如我所提，招聘经理正被申请者淹没。
这就像把你的简历扔进了黑洞。
问问自己：如果你必须在一个完全陌生的人和一个你被介绍的人之间做出决定，你会选择谁？
因此，招聘经理和高管几乎总是选择与他们有某种联系的申请者，即使只是通过共同的熟人介绍。
你建立的网络越多，你与潜在雇主的共同联系就会越多，获得介绍也就会更容易。
LinkedIn“共同联系”。由作者创建。
这是一个你可以用来请求共同联系介绍的超级简单模板：
首先，关注他们最新的帖子，然后发消息。
嘿 Connector_name,
希望你一切顺利。由于我们在同一行业，并且与[@name]在[@company]有共同联系，我希望你能通过 LinkedIn 介绍我。我最近申请了他们的[job posting title]。
我写了一条草稿信息，你可以复制/粘贴给他们以便轻松介绍：
你好 [@name],
我注意到你正在招聘一个[job posting title]。
我想向你介绍[@Frederik Bussler]作为潜在候选人，他在这个领域有[achievement_1]和[achievement_2]。Frederik 有兴趣与你讨论这个职位。你想要一个简短的介绍吗？
谢谢，
Connector_name
数据科学韵图，由作者创建。
数据科学是一个多学科领域，其中一个重要组成部分是领域专业知识。
例如，沃尔玛使用预测模型来预测某些时间段的需求。如果数据科学岗位的招聘经理必须在“Python 专家”和“零售预测建模专家”之间做出选择，显然更专业的候选人会胜出，其他条件相同的情况下。
亚马逊的推荐引擎负责亚马逊高达35%的收入，他们不断招聘数据科学人才以壮大这只金蛋。如果你曾经在推荐引擎上工作过——即使只是作为一个副项目——那会给你带来比更通用的申请者更大的优势。
学习专业化技能——具体选择哪种专业取决于你的个人兴趣——是一个改变游戏规则的因素。
证书在 2020 年非常流行。如果你使用 LinkedIn，你肯定注意到那些臭名昭著的“证书帖子”。
用户展示了他们来自 Coursera、EdX、在线学习门户、LinkedIn Learning 以及其他无数来源的证书。我也有这样的过错——正如我提到的，我参加了 100 多门 LinkedIn Learning 课程，并获得了几乎每所常春藤大学的证书来自几乎每所常春藤大学。
尽管如此，依赖证书是一种红海战略（
比较数据科学工作与 Andrew Ng 的 Coursera 学生。由作者创建。
实践项目，即分析你感兴趣的数据，将给你带来巨大的优势。
你可以参考上面提到的data science career trends仪表盘以及其他公开工作区来获得灵感。
数据科学是一个竞争日益激烈的领域，但你可以通过使用小众平台、扩大你的专业网络、专注于你感兴趣的领域，并与世界分享独特项目来脱颖而出。
原始。经许可转载。
相关：