Как составить резюме Data Scientist: проекты и стек

Data Scientist в 2026

Middle DS — 250–400К, Senior — от 450К. Работодатели: Яндекс, Сбер, Тинькофф, Ozon.

Ценятся практический опыт ML в продакшне. Создайте резюме в AI-конструкторе.

Структура

1. Summary

• «DS, 3 года e-commerce. Python, PyTorch, Spark. Рекомендации: GMV +12% ($2M/год).»
• «ML Engineer, 5 лет финтех. NLP, fraud. Потери -40% ($5M/год).»

2. Проекты с бизнес-метриками

• «Рекомендации (collaborative + content-based): CTR +25%, GMV +12%»
• «Модель оттока (XGBoost, AUC=0.91): retention +15%, экономия 30 млн/год»
• «A/B с нуля: 50+ экспериментов, uplift +8%»

3. Стек

scikit-learn, PyTorch, TensorFlow, SQL, Spark, MLflow, Airflow

4. Kaggle и публикации

Подробнее — резюме для IT и портфолио.

Ошибки

• «Изучаю ML» — нужен продакшн-опыт
• Нет бизнес-метрик
• Нет A/B-тестов

Советы HR

1. Бизнес-результат в каждом проекте
2. GitHub с ML-проектами
3. Kaggle-медали

Готовый образец резюме Data Scientist. Конструктор. Гайд.

Часто задаваемые вопросы

Нужен ли Kaggle для резюме Data Scientist?

Kaggle — сильный плюс, но не обязательное требование. Медали и высокие позиции в соревнованиях показывают навыки моделирования. Альтернатива — GitHub с ML-проектами и бизнес-метриками.

Как описать ML-проект в резюме без раскрытия NDA?

Используйте обобщённые формулировки с метриками: «Модель прогнозирования оттока (XGBoost): AUC 0.91, retention +15%». Укажите тип задачи, алгоритм и бизнес-результат без деталей данных.

Какой стек технологий указать в резюме Data Scientist?

Основные: Python, SQL, pandas, scikit-learn. ML-фреймворки: PyTorch или TensorFlow. Инфраструктура: Airflow, MLflow, Spark. Укажите только то, с чем реально работали в продакшне.