全文共2249字，預計學習時長6分鐘
圖源：unsplash
涉世未深的小白常常把找工作想得太簡單了，覺得找到一份數據科學工作就像學習Python或Jupyter那樣，只需參加Kaggle競賽，拿到資格認證，並在求職網站上提交自己的簡歷信息即可。
然而這大錯特錯。
近來，Kaggle吸引了500萬的獨立用戶；其他社區平台，如Towards Data Science每月能吸納2000萬次瀏覽量；人工智慧研究員吳恩達的Coursera課程也已經有了400萬學習者。
與此同時，全球只有17100名機器學習工程師。撰寫本文時，LinkedIn上有2100個機器學習工程師職位對外開放，其中大約80%在臉書、蘋果、亞馬遜、Netflix、谷歌。
「數據科學職業趨勢」主板的「開放式數據科學職位」 | 作者：阿帕托
事實上，如果將通用數據科學和AI研究人員的職位計算在內，那麼全球共有86000個職位空缺，數據科學市場的競爭激烈程度不容小覷。
數據科學社區vs.數據科學工作機會.
紅海 vs. 藍海戰略
在生意場中，熱門競爭領域被稱為「紅海」，各大巨頭在擁擠的其中作戰。相反，「藍色海洋」是指未開發的、沒有競爭對手的市場空間。
作為未來的數據科學家，我們的目標是在藍海中競爭。以下有四種方法：
紅海 vs藍海戰略
1.選擇利基市場和平台
筆者是LinkedIn的鐵桿粉絲。在參加了100多個LinkedIn學習課程後，我成為了LinkedIn的特別人物，發表了超過10000條評論帖，擁有超過20000個好友。雖然這樣，單獨依靠LinkedIn仍是一種紅海策略。
領英推文
領英擁有約十億用戶的三分之二。這意味著，如果你僅在LinkedIn上進行社交聯絡，並通過它申請工作，勢必面對極其激烈的競爭。
當某公司採用LinkedIn招聘人員，出色的職位發布會受到眾多申請人的青睞，僱主很難瀏覽所有的申請，更不用說向所有應聘者提供反饋了。
因此，除了LinkedIn之外，筆者還建議你同時使用其他利基平台，例如Shapr、Y CombinatorWork at A Startup、Lunchclub.AI、Wizards之類的Slack社區，以及Meetup或Eventbrite上的線下社區。
2.人脈聯絡應避免黑洞效應
我曾聽人開玩笑說：「人脈聯絡不是找工作的好方法。」確實，將找到工作完全寄希望於人脈關係是不明智的，但在那次活動中我也遇到了一個新客戶。
你大機率聽說過有人提交數百份求職申請卻杳無音訊，也許你自己也在經歷著這一切。儘管有些人是通過這種方式找到工作的，但現在通過求職網站提交簡歷從而得到回覆的機率越來越小。正如上文所述，招聘經理那裡人滿為患。
這就像是將簡歷投入了黑洞一般。
捫心自問：在一個完全陌生的人和一個內推人之間，你會決定僱傭誰？結果顯而易見，招聘經理和高管總會更青睞和他們有某種關係的應聘者，即使這只是個有共同關係的人的介紹。人脈聯絡越多，與潛在僱主的聯繫就越多，就容易獲得舉薦。
領英 「共同關係」
這是一個非常簡單的模板，你可以使用該模板來要求有共同聯繫的人來介紹自己。首先了解他們最新的動態，然後再發消息。筆者寫了一條消息草稿供你參考：
您好[@name]，
我注意到您正在招聘[職位發布標題]。
我想向您介紹[@Frederik Bussler]作為潛在候選人，他在該領域擁有[achievement_1]和[achievement_2]。弗雷德里克有興趣與您討論該職位。您想了解一下他嗎？
謝謝！
聯繫人名字
3.專業化
數據科學韋恩圖
數據科學是一個綜合學科，其中很大一部分是領域專業知識。例如，沃爾瑪使用預測模型來預測某些時段的需求，如果擔任數據科學家角色的招聘經理必須在「 Python專家」和「零售預測模型專家」之間做出選擇，那麼在其他所有條件不變的情況下，顯然更專業的候選人將會獲勝。
亞馬遜的推薦引擎貢獻了亞馬遜收入的高達35％，他們一直在聘用數據科學人才來發展這座金礦。如果曾經在推薦引擎上工作過，即使只是作為輔助項目，也會使你比一般的申請人更具優勢。
學習自己感興趣的專業技能，你會成為改變規則的人。
4. 實際項目> 證書
考證熱潮從未衰退，在2020年更是風行一時。如果你使用LinkedIn，肯定會注意到臭名昭著的「認證帖」。
用戶從Coursera、EdX、在線學習網站、LinkedIn Learning和100萬其他來源獲得證書並以此炫耀。甚至我也參加了100多個LinkedIn學習課程，並獲得了幾乎所有常春藤聯盟大學的證書。
然而依靠證書是一個紅海策略。當數以百萬計的人擁有相同的證書時，你需要與眾不同，在實際項目中分析你感興趣的數據就是你創造優勢的方法。
比較數據科學工作和吳安國的Coursera學生
數據科學是一個競爭日益激烈的領域，但是你可以通過使用利基平台、發展專業網絡、專注於感興趣的領域並與世界共享獨特的項目來脫穎而出。
留言點贊關注
我們一起分享AI學習與發展的乾貨
如轉載，請後台留言，遵守轉載規範