Data Analyst 履歷如何成功應徵 Data Scientist 職位

從 Data Analyst 跨到 Data Scientist 的頭銜，不是換個職稱那麼簡單。招募人員看的 JD 關鍵字不同，期待的工作成果也不同。但你已有的分析經驗並非劣勢——問題在於你的履歷有沒有把這些經驗「翻譯」成 DS 職缺看得懂的語言。

分析師技能與 Data Scientist JD 的對應方式

DA 和 DS 的技能重疊度比多數人想像的高，但 JD 用的詞彙不同。以下是常見的對應關係：

• SQL 查詢與資料清洗 → Feature engineering、data pipeline
• A/B 測試分析 → Hypothesis testing、experimental design
• Tableau / Power BI 視覺化 → Communicating model results to stakeholders
• Python 資料處理（pandas、numpy）→ ML 前處理基礎
• 統計分析（迴歸、分群）→ Supervised / unsupervised learning fundamentals

履歷上不要只寫「熟悉 Python 資料分析」，改寫成「使用 Python（pandas、scikit-learn）建立客戶流失預測模型，準確率達 82%」。具體的工具名稱加上可量化的結果，才能通過 ATS 篩選並吸引人工審閱。

關於如何針對每一份職缺調整措辭，可以參考 如何針對職缺客製化履歷 的完整流程。

自學 ML 專案的呈現方式

沒有公司內部的 DS 專案不代表沒有作品。自學專案只要呈現方式正確，同樣有說服力。

選題原則： 優先選與目標產業相關的資料集。應徵電商 DS 職缺，就用電商交易資料做推薦系統或需求預測，而非通用的 Titanic 生存預測。

呈現格式： 在履歷的「專案」區塊，每個項目包含：

1. 問題定義（解決什麼業務問題）
2. 使用的方法與工具（XGBoost、SHAP、MLflow 等）
3. 可量化的結果（AUC 提升 0.08、推論時間縮短 30%）

避免的寫法： 「完成 Kaggle 課程」或「跟著教學實作」這類描述對 DS 職缺沒有說服力。把課程學到的技術直接應用在獨立專案上，再把專案寫進履歷。

GitHub 與作品集連結的正確放法

GitHub 連結放在履歷頁首的聯絡資訊區，格式為 github.com/yourname，不要縮短或用 bit.ly 遮蔽。招募人員和技術主管都會直接點進去看。

你的 GitHub 要能通過「30 秒檢查」：

• README 清楚說明專案目的、資料來源、方法與結論
• 程式碼有基本的結構（資料夾分層、requirements.txt）
• 最近 3 個月有 commit 紀錄，顯示你持續在學習

如果有個人網站或 Notion 作品集頁面，可以在 GitHub 的 Profile README 互相連結，形成完整的技術形象。履歷本身只需要放最重要的 1-2 個專案連結，其餘導向 GitHub 主頁。

沒有碩士學位的教育區塊怎麼寫

許多 DS JD 寫著「碩士優先」，但這通常是期望值，不是硬門檻。你的教育區塊可以這樣處理：

• 把學士學位正常列出，不要刻意縮小或省略
• 在學歷下方新增「持續學習」子區塊，列出有完成證書的課程：Coursera Machine Learning Specialization（Andrew Ng）、fast.ai、Google Professional Data Engineer 等
• 不要列出沒有完成或沒有可驗證證書的課程

重點是：教育區塊不是你的強項，就讓它簡短，把篇幅留給技能和專案。履歷整體版面配置可以參考 ATS 友善履歷模板 的建議結構。

DA 與 DS 職缺的關鍵字落差分析

在投遞 DS 職缺前，先做一次系統性的關鍵字比對。方法很直接：

1. 收集 5-10 份目標 DS 職缺的 JD
2. 把高頻出現的技術詞彙列出來（例如：model deployment、feature store、MLOps、A/B testing at scale、LLM fine-tuning）
3. 對照你目前履歷，找出缺少的詞彙
4. 判斷哪些你實際上有能力但沒有寫進去，哪些是真正的技能缺口

常見的落差詞彙包括：model monitoring、data versioning（DVC）、containerization（Docker）、experiment tracking（MLflow、W&B）。這些工具的學習曲線不高，花兩週做一個端對端的小專案，就能誠實地寫進履歷。

使用 TailorMyJob 的 JD 對比功能，可以快速找出你的履歷與目標職缺之間的關鍵字落差，省去手動比對的時間。更完整的 ATS 優化邏輯可以參考 ATS 優化完整指南。

工作經歷區塊的重寫策略

不要為了應徵 DS 職缺而虛報職稱或誇大職責。正確的做法是重新框架（reframe）你實際做過的事：

• 「每月產出銷售報表」→「設計自動化銷售預測流程，整合 SQL 與 Python，將報表產出時間從 3 天縮短至 4 小時」
• 「協助行銷團隊分析活動成效」→「建立 A/B 測試分析框架，評估 12 次行銷活動，提供統計顯著性報告供決策使用」

每一條工作描述都應該包含動詞、方法、工具和結果。如果你的 DA 工作中有任何接觸到預測模型、自動化決策或統計推論的經驗，都要明確寫出來。

轉職情境下的履歷策略，也可以參考 轉職履歷完整指南 的框架思維。

投遞前的最後確認清單

• 技能區塊有沒有列出 scikit-learn、XGBoost、TensorFlow / PyTorch 中至少一項
• 專案區塊有沒有量化結果
• GitHub 連結是否可以正常開啟且 README 完整
• 職稱是否誠實（可以寫「Data Analyst | ML Projects」，不要直接改成 Data Scientist）
• 關鍵字是否涵蓋目標 JD 的前 10 個高頻技術詞彙

從 DA 到 DS 的跨越不需要等到拿到碩士學位或完成所有 Kaggle 競賽。你需要的是一份能夠清楚說明你已有能力、正在補強缺口的履歷。