Взгляд с другой стороны стола
Привет! Я Максим Катрушенко, главный специалист по анализу данных и машинному обучению в ПГК Диджитал. И я тот самый человек, который просматривал десятки резюме каждый день во время поиска стажёра или джуна на позицию в нашу компанию. Из 56 кандидатов до оффера дошло два человека. И знаете, что? Большинство отсеялось именно на этапе первичного просмотра резюме — не потому что кандидаты слабые, а потому что не могут правильно себя презентовать.
Важный момент: на позицию джуна мы не искали готового специалиста — иначе искали бы мидла. Нам был нужен человек, который:
-
может показать, что он делал своими руками, а не просто “изучал теорию”;
-
понимает, почему выбрал конкретный подход к решению задачи;
-
осознаёт, что ML — это на 80% работа с данными и только на 20% — модели.
Сила резюме начинающего специалиста — в умении показать свой потенциал через конкретные действия, даже если опыта пока немного. Прошли курс? Покажите проект после него. Написали модель? Объясните ход мыслей.
Давайте разберём типичные ошибки на реальных примерах. Имена изменены, ситуации — настоящие.
Ошибка №1: Общие фразы вместо конкретики
Реальный фрагмент из резюме:
> “Инженер-физик, практический склад ума. Во время обучения на первом курсе магистратуры ИТМО освоила необходимые для анализа данных библиотеки Python, использую эти знания в своей научной деятельности.”
> “Общительный, коммуникабельный кандидат, умеющий легко найти общий язык с человеком, любящий генерировать новые идеи, брать на себя инициативу.”
В чём проблема:
“Практический склад ума” — слишком абстрактно, это не даёт представления о ваших навыках. “Необходимые библиотеки” — какие именно? NumPy для базовых операций или PyTorch для deep learning? Разница огромная.
Второй фрагмент больше подходит для позиции в продажах или PR. В ML/DS коммуникабельность – это не киллер-фича, хотя, конечно, умение находить общий язык ценится (как и в любой другой сфере). Например, если по подходу в общении вы не подойдёте, вас отсеют на этапе техсобеса или на этапе общения с командой.
Как улучшить:
Вместо: “Освоил необходимые библиотеки Python”
Лучше: “2 года использую pandas/numpy для обработки экспериментальных данных (датасеты 100K+ записей). Автоматизировал анализ спектральных данных: сократил время обработки с 3 часов до 15 минут”
Вместо: “Общительный и коммуникабельный”
Лучше: “Рассказ коллегам про применение ML в спектральном анализе — помог 5 сотрудникам автоматизировать их исследования”
Каждое утверждение подкрепляйте примером или результатом. Это сразу делает резюме более убедительным.
Ошибка №2: Список технологий без контекста
Реальный фрагмент из резюме:
> “Hard Skills: Python (NumPy, pandas, Matplotlib, seaborn, scikit-learn, xgboost, catboost, lightgbm) · Высшая математика · SQL (подзапросы, обычные запросы) · Git · Frontend (HTML, CSS)”
> “Python, numpy, pandas, sklearn, pytorch, mapplotlib . Знаком со случайными лесами и градиентным бустингом.”
В чём проблема:
Во-первых, “mapplotlib ” написано с ошибкой — это вызывает сомнения в реальном опыте использования. Во-вторых, фраза “знаком с градиентным бустингом” слишком расплывчатая. На каком уровне? Теория или практика? Понимаете отличия XGBoost от CatBoost? HTML/CSS для ML-позиции выглядят лишними и размывают фокус — вы хотите быть дата-сайентистом или веб-разработчиком?
Как улучшить:
Структурируйте навыки по уровню владения и опыту:
Основной стек (использую постоянно):
• Python: pandas для обработки данных, numpy для векторизации
• ML: sklearn — полный пайплайн от EDA до валидации
– Пример: прогноз оттока клиентов, сравнил RandomForest и XGBoost, выбрал RF из-за лучшей интерпретируемости (ROC-AUC 0.81)
• SQL: написание запросов для отбора данных
Есть опыт работы:
• PyTorch: реализовал классификацию изображений (transfer learning) на хакатоне
• Визуализация: matplotlib/seaborn для отображения данных в лабораторной работе.
Лучше реально знать несколько инструментов, чем рассказывать о знании десятков.
Ошибка №3: Отсутствие портфолио или пустой GitHub
Реальные фрагменты:
> “Мой гитхаб: https://github.com/repo_example_link”
[При проверке: 2 репозитория, оба форки без изменений]
> “Разрабатывал REST приложение с сервером на Flask: Kanban доску”
[Ссылка на код не приложена]
В чём проблема:
Код для DS — это как портфолио для дизайнера. Без примеров работ сложно оценить ваш уровень и стиль мышления. Давать ссылку на пустой GitHub — это создавать негативное впечатление. Лучше не давать ссылку вообще, чем показывать пустой профиль.
Как улучшить:
Создайте хотя бы один качественный проект с хорошим оформлением:
«Прогноз оттока клиентов телеком-оператора»
Задача – Снизить отток клиентов на 15% через таргетированные удерживающие предложения
Данные:
– 7043 клиента, 21 признак
– Дисбаланс классов 73:27
– Подробный EDA в notebooks/exploration.ipynb
Результаты
– Baseline (LogisticRegression): ROC-AUC 0.71
– Финальная модель (RandomForest + SMOTE): ROC-AUC 0.85
– Выявлены топ-5 факторов оттока
Структура проекта
project/
├── data/ # Примеры данных
├── notebooks/ # Исследование и эксперименты
├── src/ # Основной код
└── README.md # Документация
Если нельзя показать реальные данные из-за NDA, используйте открытые датасеты для демонстрации навыков.
Ошибка №4: Фокус на образовании, а не на практике
Реальные фрагменты:
> “Студент 4 курса Московского физико-технического института направления прикладные математика и физика.”
> “Закончил курсы: «Основы разработки на C++: белый пояс», «SQL for Data Science», «Поколение Python», «Основы статистики 1, 2»”
В чём проблема:
Хорошее образование — это прекрасно, но работодателя больше интересует, как вы применяете полученные знания. Список базовых курсов без проектов не показывает ваши реальные навыки.
Как улучшить:
Свяжите образование с практическими результатами:
Вместо: “Студент МФТИ, прошёл курсы по Python и статистике”
Лучше:
> “МФТИ, прикладная математика (4 курс)
> Курсовая работа: Оптимизация инвестиционного портфеля — применил методы регуляризации, улучшил коэффициент Шарпа с 0.8 до 1.2
> Проект после курса по статистике: Анализ A/B теста для интернет-магазина, выявил рост конверсии на 12% (p-value < 0.05)”
Ошибка №5: Универсальное резюме на все вакансии
Реальные фрагменты:
> “Программист-стажер / Data Scientist / Data Analyst / Data Engineer”
> “Готов к любым задачам в области анализа данных, разработки и исследований”
В чём проблема:
Такой подход показывает, что вы либо не понимаете разницу между позициями, либо рассылаете одно резюме везде. Data Engineer и Data Analyst требуют разных навыков и решают разные задачи.
Как улучшить:
Адаптируйте резюме под конкретную вакансию:
Для ML Engineer в продуктовой команде:
> Ищу позицию Junior ML Engineer
> Интересуюсь задачами внедрения моделей в production
> Есть опыт: развернул модель рекомендаций на FastAPI + Docker
> Изучаю: MLOps, мониторинг моделей, A/B тестирование
Для Data Analyst в e-commerce:
> Junior Data Analyst с фокусом на продуктовую аналитику
> Опыт анализа воронок и когортного анализа
> Навыки: SQL для построения витрин, Python для автоматизации отчётов
> Понимаю продуктовые метрики: retention, LTV, CAC
Стремитесь персонализировать ваше резюме под вакансию, а не рассылать однотипный шаблон.
Чек-лист успешного резюме джуна в ML/DS
-
Конкретные достижения с цифрами — “ускорил обработку в 10 раз”, “точность модели 0.85”
-
Хотя бы один завершённый пет-проект — от постановки задачи до выводов
-
Чистый, документированный код на GitHub с понятным README
-
Фокус на применении знаний — не просто “знаю sklearn”, а “использовал для решения задачи X”
-
Понимание бизнес-контекста — зачем нужна модель и какую проблему она решает
-
Читаемая структура — ключевая информация в начале, без лишней воды
-
Адаптация под компанию — покажите, что изучили вакансию и понимаете специфику
Заключение: что действительно важно
Лучшие джуны — это не те, кто знает больше всех, а те, кто честно оценивает свой уровень и показывает желание развиваться.
Из 56 резюме, которые я недавно просматривал, оффер получил кандидат, который:
-
Показал один, но качественный проект с документацией
-
Честно указал, что не знает, но готов изучить
-
Адаптировал резюме под нашу специфику
-
Не пытался выглядеть опытнее, чем есть на самом деле
Мы все когда-то начинали свой путь в IT. Мы понимаем, как волнительно отправлять первое резюме и как тяжело получать десятки отказов. Но те, кто работает над собой и учится на ошибках — обязательно находят свое место.
P.S.
Сколько звезд на небе, столько уже написано советов по составлению резюме. Пусть эта статья окажется счастливой звездой в карьерном пути дочитавшего её джуна.
Отдельно хочу порекомендовать книгу Максима Ильяхова «Пиши, сокращай». Она будет полезна тем, кто хочет избавиться от «воды» в тексте и чётко формулировать мысли.
Помните: правильно составленное резюме — это ваш первый шаг к успешной карьере. Инвестируйте время в его создание, и оно обязательно окупится.
Автор: Maxim_Santalov
