13 мая 2026 г.·4 мин чтения

Резюме Data Scientist: структура, примеры, ошибки

Готовься к собесу аналитика как в Duolingo
10 минут в день — SQL, Python, A/B, метрики. 1700+ вопросов в Telegram
Открыть Карьерник в Telegram

Содержание:

Зачем DS особенное резюме

Резюме Data Scientist отличается от резюме разработчика или аналитика. Рекрутер за 30 секунд должен понять: какие алгоритмы, какие инструменты, какой business impact. Если структура «опыт работы → должности → даты» — это не DS-резюме.

Хороший DS-резюме показывает: измеримый impact (метрика выросла на X%), технологический стек (PyTorch / CatBoost / Spark), scale (модель на N юзеров), методология (от формулировки задачи до production deploy).

Структура резюме DS

1. Заголовок: Имя · позиция · контакты
2. Summary (3-5 строк)
3. Skills (technical + ML areas)
4. Experience (опыт работы с проектами)
5. Projects (pet-projects, Kaggle, publications)
6. Education
7. Дополнительно (сертификаты, языки)

1. Заголовок и контакты

  • Имя, текущая позиция (или ожидаемая)
  • Email, Telegram / LinkedIn / GitHub
  • Город

Пример:

Иван Иванов
Data Scientist · Middle
ivan@example.com · t.me/ivanivanov
github.com/ivanivanov · Москва

2. Summary (3-5 строк)

Quick pitch: кто, какие сильные стороны, какой стек, какой impact.

Плохо: «Опытный data scientist, ищу интересные проекты».

Хорошо: «Data Scientist с 3 годами опыта в recommender systems и ranking. Запустил модель на 50M+ юзеров, +12% CR. Стек: Python, PyTorch, Spark, CatBoost. Pet-projects на GitHub.»

Главные блоки: что писать

Skills (technical)

Разбить по категориям:

  • ML/Stats: classical ML (CatBoost, XGBoost, sklearn), Deep Learning (PyTorch, TF), causal inference, A/B-тесты
  • Programming: Python (pandas, numpy, scipy), SQL (window functions, optimization)
  • Big Data: Spark, Hadoop (если работал)
  • Tools: Airflow, MLflow, DVC, Docker, Kubernetes (если знаешь)
  • Visualization: matplotlib, seaborn, plotly, Tableau / DataLens

Не пиши всё, что когда-то видел. Только то, что можешь обсудить на собесе.

Experience: формат STAR

Каждая позиция:

Компания · Должность · Период

• Project / задача: что делал
• Метрики: что выросло / упало / достигнуто
• Стек: что использовал

Хорошо:

Tinkoff · Data Scientist · 2023-2026

• Built fraud detection model для кредитных карт.
  Recall 92% при precision 85% (предыдущая модель — 80/72).
  Снижение потерь от fraud на $X.

• Запустил recommender для cross-sell продуктов.
  +18% conversion в подключение второго продукта.

Стек: Python, CatBoost, PyTorch, Spark, Airflow, MLflow.

Плохо:

Tinkoff · Data Scientist · 2023-2026

• Делал модели машинного обучения
• Работал с большими данными
• Участвовал в проектах

Projects: pet-projects + Kaggle + публикации

Это критично для junior / mid. Senior — опционально.

Хорошо:

Recommender for marketplace (pet-project)
• End-to-end: data → two-tower model → API → Streamlit demo
• Stack: PyTorch, FastAPI, Docker
• GitHub: github.com/...

Плохо:

- Изучал нейросети
- Прошёл курс по ML

Education

Магистратура / бакалавр + университет. ШАД / другие сильные программы — отдельно.

МГУ · ВМК · Магистр прикладной математики · 2019-2021
ШАД · Data Science · 2020-2022

Шаблон резюме

ИМЯ ФАМИЛИЯ
Data Scientist · Middle
email · t.me/... · github.com/... · Москва

SUMMARY
Data Scientist с N годами опыта в [domain]. [Главное достижение].
Стек: Python, [main tools]. [Контекст].

SKILLS
ML/Stats: CatBoost, XGBoost, sklearn, PyTorch, A/B-тесты, causal inference
Programming: Python (pandas/numpy/scipy), SQL (advanced)
Big Data: Spark, Airflow
Tools: MLflow, Docker, Git

EXPERIENCE

Компания · Должность · MM.YYYY — MM.YYYY (or Сейчас)
• Achievement 1 with метрика
• Achievement 2 with метрика
Стек: ...

[Предыдущие позиции]

PROJECTS

Project Name (pet-project / Kaggle / open-source)
• Описание + результат
• Стек, ссылка

EDUCATION
[Университет, специальность, годы]
[ШАД / Karpov.Courses / специализация — если релевантно]

ADDITIONAL
Языки: русский native, английский intermediate / advanced
Сертификаты: ...
Готовься к собесу аналитика как в Duolingo
10 минут в день — SQL, Python, A/B, метрики. 1700+ вопросов в Telegram
Открыть Карьерник в Telegram

Метрики проектов

Без метрик резюме DS не работает. Каждый bullet должен иметь измеримый результат.

Метрики моделей

  • Качество: AUC, F1, precision, recall, NDCG, RMSE / MAPE
  • Скорость: latency p95, throughput
  • Размер: обучен на N samples / features

Метрики бизнеса (важнее)

  • Conversion / CR
  • Revenue / GMV
  • Retention / churn
  • NPS, satisfaction

Связь model → business

«AUC модели 0.85» — это технически. «AUC модели 0.85, в A/B показал +5% CR при 100% rollout» — это сильно.

Частые ошибки

  • Список технологий без проектов. «Знаю Python, Spark, PyTorch» без проектов = ничего.
  • Размытые проекты. «Работал с big data» — это не проект. Что конкретно делал, какой результат.
  • Без метрик. «Улучшил модель» — без чисел. Стоп. Сколько % улучшил?
  • Pet-project в Jupyter Notebook. Если pet-project — то end-to-end (deploy, API). Notebook — это эксперимент, не проект.
  • Слишком длинно. Senior — до 2 страниц. Junior — 1 страница. Не больше.
  • Все курсы и сертификаты. Релевантные — yes. Stack of certificates на полстраницы — нет.
  • Стандартные шаблоны hh.ru. «Я ответственный, командный игрок» — это для нон-tech. DS-резюме — про проекты и метрики.

Связанные темы

FAQ

Сколько страниц должно быть резюме DS?

Junior — 1 страница. Middle — 1-2. Senior — 2.

Нужен ли GitHub?

Сильно желателен, особенно для junior / middle. Pet-projects + open-source = signal.

Английский язык?

Если работа в РФ — русское резюме. Английское — дополнительно (для международных компаний). Если знаешь — добавь в additional.

Стоит ли указывать зарплатные ожидания?

В резюме на hh.ru — да, скажет рекрутерам матчится / нет. В резюме для targeting (рассылка) — нет, обсуждение на собесе.

Что писать, если опыт DS меньше 1 года?

Усилить projects, publications, Kaggle. Опыт в смежной роли (аналитик / разработка) с ML-задачами — это релевантно, оформи как DS-experience.

Ещё по теме