全文共2249字，预计学习时长6分钟
图源：unsplash
涉世未深的小白常常把找工作想得太简单了，觉得找到一份数据科学工作就像学习Python或Jupyter那样，只需参加Kaggle竞赛，拿到资格认证，并在求职网站上提交自己的简历信息即可。
然而这大错特错。
近来，Kaggle吸引了500万的独立用户；其他社区平台，如Towards Data Science每月能吸纳2000万次浏览量；人工智能研究员吴恩达的Coursera课程也已经有了400万学习者。
与此同时，全球只有17100名机器学习工程师。撰写本文时，LinkedIn上有2100个机器学习工程师职位对外开放，其中大约80%在脸书、苹果、亚马逊、Netflix、谷歌。
“数据科学职业趋势”主板的“开放式数据科学职位” | 作者：阿帕托
事实上，如果将通用数据科学和AI研究人员的职位计算在内，那么全球共有86000个职位空缺，数据科学市场的竞争激烈程度不容小觑。
数据科学社区vs.数据科学工作机会.
红海 vs. 蓝海战略
在生意场中，热门竞争领域被称为“红海”，各大巨头在拥挤的其中作战。相反，“蓝色海洋”是指未开发的、没有竞争对手的市场空间。
作为未来的数据科学家，我们的目标是在蓝海中竞争。以下有四种方法：
红海 vs蓝海战略
1.选择利基市场和平台
笔者是LinkedIn的铁杆粉丝。在参加了100多个LinkedIn学习课程后，我成为了LinkedIn的特别人物，发表了超过10000条评论帖，拥有超过20000个好友。虽然这样，单独依靠LinkedIn仍是一种红海策略。
领英推文
领英拥有约十亿用户的三分之二。这意味着，如果你仅在LinkedIn上进行社交联络，并通过它申请工作，势必面对极其激烈的竞争。
当某公司采用LinkedIn招聘人员，出色的职位发布会受到众多申请人的青睐，雇主很难浏览所有的申请，更不用说向所有应聘者提供反馈了。
因此，除了LinkedIn之外，笔者还建议你同时使用其他利基平台，例如Shapr、Y CombinatorWork at A Startup、Lunchclub.AI、Wizards之类的Slack社区，以及Meetup或Eventbrite上的线下社区。
2.人脉联络应避免黑洞效应
我曾听人开玩笑说：“人脉联络不是找工作的好方法。”确实，将找到工作完全寄希望于人脉关系是不明智的，但在那次活动中我也遇到了一个新客户。
你大概率听说过有人提交数百份求职申请却杳无音讯，也许你自己也在经历着这一切。尽管有些人是通过这种方式找到工作的，但现在通过求职网站提交简历从而得到回复的概率越来越小。正如上文所述，招聘经理那里人满为患。
这就像是将简历投入了黑洞一般。
扪心自问：在一个完全陌生的人和一个内推人之间，你会决定雇佣谁？结果显而易见，招聘经理和高管总会更青睐和他们有某种关系的应聘者，即使这只是个有共同关系的人的介绍。人脉联络越多，与潜在雇主的联系就越多，就容易获得举荐。
领英 “共同关系”
这是一个非常简单的模板，你可以使用该模板来要求有共同联系的人来介绍自己。首先了解他们最新的动态，然后再发消息。笔者写了一条消息草稿供你参考：
您好[@name]，
我注意到您正在招聘[职位发布标题]。
我想向您介绍[@Frederik Bussler]作为潜在候选人，他在该领域拥有[achievement_1]和[achievement_2]。弗雷德里克有兴趣与您讨论该职位。您想了解一下他吗？
谢谢！
联系人名字
3.专业化
数据科学韦恩图
数据科学是一个综合学科，其中很大一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段的需求，如果担任数据科学家角色的招聘经理必须在“ Python专家”和“零售预测模型专家”之间做出选择，那么在其他所有条件不变的情况下，显然更专业的候选人将会获胜。
亚马逊的推荐引擎贡献了亚马逊收入的高达35％，他们一直在聘用数据科学人才来发展这座金矿。如果曾经在推荐引擎上工作过，即使只是作为辅助项目，也会使你比一般的申请人更具优势。
学习自己感兴趣的专业技能，你会成为改变规则的人。
4. 实际项目> 证书
考证热潮从未衰退，在2020年更是风行一时。如果你使用LinkedIn，肯定会注意到臭名昭著的“认证帖”。
用户从Coursera、EdX、在线学习网站、LinkedIn Learning和100万其他来源获得证书并以此炫耀。甚至我也参加了100多个LinkedIn学习课程，并获得了几乎所有常春藤联盟大学的证书。
然而依靠证书是一个红海策略。当数以百万计的人拥有相同的证书时，你需要与众不同，在实际项目中分析你感兴趣的数据就是你创造优势的方法。
比较数据科学工作和吴安国的Coursera学生
数据科学是一个竞争日益激烈的领域，但是你可以通过使用利基平台、发展专业网络、专注于感兴趣的领域并与世界共享独特的项目来脱颖而出。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范