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.
Комментарии (23)
axion-1
23.10.2025 15:19Большинство отсеялось именно на этапе первичного просмотра резюме — не потому что кандидаты слабые, а потому что не могут правильно себя презентовать.
То есть, отсеяли большую часть кандидатов далеко не по самому важному критерию - навыку самопрезентации и заполнения резюме.
Такое ИМХО имеет смысл делать только в том случае когда количество кандидатов намного превышает планируемое количество собеседований. Из собственного опыта, хороший специалист вполне может иметь не особо удачное резюме. И наоборот.
dom1n1k
23.10.2025 15:19Опять комментаторы видят то, что хотят видеть, а не что написано.
Фразу
Большинство отсеялось именно на этапе первичного просмотра резюме — не потому что кандидаты слабые, а потому что не могут правильно себя презентовать.
следует читать как "кандидат может быть и нормальный, но понять это из резюме не представляется возможным, а собесить всех без разбора - тем более".
А не как "ну я в принципе вижу, что чел нормальный, но из вредности отсею его за некрасивое резюме".
axion-1
23.10.2025 15:19А не как "ну я в принципе вижу, что чел нормальный, но из вредности отсею его за некрасивое резюме".
Я ни про вредность ни про способность увидеть что чел нормальный без собеседования ничего не писал. Перечитайте моё сообщение, такое впечатление что вы его поняли ровно наоборот.
Maxim_Santalov Автор
23.10.2025 15:19У нас объективно не было возможности прособесить всех 56 человек на позицию джуна/стажёра. Как раз эта статья рассчитана на то, чтобы помочь хорошим начинающим специалистам доработать их резюме и повысить шансы пройти первичный отбор.
janson
23.10.2025 15:19А точно джуна искали, не мидла? Если джун который вот всё что перечислено сделает, да ещё так же осмысленно объяснит что и почему так - это уже не джун, а вполне готовый мидл. Который и проблематику понимает, и задачу вычленяет и гипотезу строит, и даже успешные проекты имеет
Maxim_Santalov Автор
23.10.2025 15:19Да, джуна. Мы морально были готовы к тому, что человек будет не знать каких-то простых вещей в кодинге и работе с данными, но готов обучаться и умеет мыслить аналитически. Нашли в итоге, кандидат отлично попал под запрос.
H01y
23.10.2025 15:19Джунов больше нет. Есть мидлы и мидлы, которых продавили на снижение зарплаты (формальные джуны). Дефективный менеджмент во всей красе.
JuryPol
23.10.2025 15:19главный специалист по анализу данных и машинному обучению в ПГК Диджитал
Странно, а советы все - как от обычного HR. «Процент нанесенного эффекта» в виде "сократил время обработки с 3 часов до 15 минут" - это из их методички. Да и остальное все...
Это стажера или джуна ищут.
Maxim_Santalov Автор
23.10.2025 15:19Нет каких-то секретов или заклинаний, чтобы написать идеальное резюме. Вы вряд ли найдете статью с советом - "напишите "я умею ухаживать за пандами" и у вас будет 100% шанс получить оффер на любую вакансию". Поэтому какие-то советы здесь перекликаются с советами HR, это нормально. Вопрос только в том, какая формулировка вам отзовётся.
Я, например, когда защищал магистерскую, стремился сократить время расчёта перезарядки энергетических уровней в полупроводнике с 60-90 часов до 8-10. Это была действительно значимая задача. И потом о ней же рассказывал, когда впервые устраивался на работу в IT. Так что это личный опыт, о котором также советуют рассказывать HR.
olku
23.10.2025 15:19Вы пробовали включать в описание вакансии эти требования? Кандидат не может залезть в голову авторам каждого объявления.
dyadyaSerezha
23.10.2025 15:19Адаптируйте резюме под конкретную вакансию:
Слишком жирно будет. Достаточно иметь несколько (немного) вариантов резюме или сопроводительных писем для каждого типа вакансий.
Ну и ещё раз про конкретные достижения (выше уже хорошо написали). Вот работает чел, закрывает тикеты, добавляет новые фичи в продукт, по одной каждые 1-3 недели. Какие достижения он должен писать? Добавил кнопку "Детали" в такую-то форму - и так ещё 50 маленьких фич? Или что? Бред всё это, для обычного программиста так не работает.
Ну и тут было смешно - десятки резюме в день и в сумме всего 56)
koldyr
23.10.2025 15:19А потом эти же люди будут рассказывать нам про A/B тесты.
Вот взяли бы и провели тест, как "правильное" по их мнению резюме связано с наймом хорошего сотрудника. И цифры выложили.
Maxim_Santalov Автор
23.10.2025 15:19Да, предложение хорошее. Будет время, проведём эксперимент — в отдельной статье напишу, что получилось.
Maxim_Santalov Автор
23.10.2025 15:19Да, замечание разумное. Адаптировать резюме под каждую вакансию - идеальный случай. По времени оптимальнее иметь насколько вариантов резюме и подгонять сопроводительные письма под вакансию.
Согласен, что не все советы в статье универсальны и применимы для каждого отдельного случая.
По числу резюме - мы имели довольно сжатые сроки на найм, поэтому цифры реальные.
H01y
23.10.2025 15:19Адаптировать резюме под каждую вакансию - идеальный случай.
Для того же хх это невозможный случай, так как стоит ограничение. Но наниматели продолжают требовать. Так и живём.
axion-1
23.10.2025 15:19Какие достижения он должен писать?
Грамоты и поощрения, "сотрудник месяца" и т.д. Улиточке же дали.
SeveR31
23.10.2025 15:19Вижу эти советы из статьи в статью. Но в этом году я побывал ещё с другой стороны баррикад и они теперь кажутся вредными:
Погоня за цифрами доходит до смешного, особенно у тестировщиков. Нам целая пачка резюме упала, где люди мерялись количеством написанных тест-кейсов, знанием конкретных слов SQL и количеством вкладок в веб тулзах, сокращением времени тестирования (особый мем, если потом ещё человек пишет, что он в команде единственный - сократил себе рабочий день, получается) и тому подобное. Да и как можно оценить эти метрики в отрыве от проекта?
Зачем пояснять стек, если читающий резюме, очевидно, должен его как минимум знать, а как максимум применять в работе? А hr-ы и не должны в нем разбираться.
Гитхаб не смотрят в 99% случаев, потому что сходу вникнуть в чужой проект затратит больше времени, чем кандидата один час опросить.
Не знаю, чем вам образование не угодило, если человек осилил вуз - как минимум умеет выполнять минимально требуемое любым возможным способом. А добавить "лучшие" работы в вузе можно сверху к этому. Но опять же, погоня за цифрами - уже у ml-щиков был человек, который вписал в резюме участие в 27 хакатонах, правда с местами где-то в середине, т.к не имел профильного образования. Всего надо в меру.
Резюме отдельные я бы стал делать только если компания НУ ОЧЕНЬ ПРЯМ ПОНРАВИЛАСЬ или там конкуренция в виде тысячи человек за забором и миллион ещё на подходе
Имхо, совет получить рекомендацию работающего на том месте, куда устраиваешься или хотя бы стажировки у ведущих компаний мне кажется ощутимо ценнее, чем мучать людей цифрами.
Maxim_Santalov Автор
23.10.2025 15:19В этой статье важно учитывать специфику: что речь идёт про ML. Если речь идёт про тестировщиков, то, вероятно, фраза «закрывал Х тикетов в неделю» будет малоинформативна.
Опять же, для ML стек имеет значение. В случае с джунами это даёт понимание, что кандидат просто графики пытался красивые строить на статичных данных (например, только pandas + matplotlib) или пробовал погружаться во что-то серьёзное.
Про GitHub скажу, что глубоко вкапываться в чужой код не хотелось, но на тех собеседованиях мог поспрашивать кандидата по тому, что он делал в своём пет-проекте по коду. Да и чтобы оценить структуру, оформление и общее содержание, достаточно немного времени требуется. В общем, отсутствие GitHub-проекта — не блокер, конечно, но в нашем случае было приятным бонусом, чтобы сформировать представление о кандидате.
Про образование был посыл, что по возможности стоит стремиться раскрывать контекст полученных знаний. Наличие образования — безусловно плюс.
Совет про рекомендацию от работающего на месте действительно дельный. Возможно, скоро обобщу комментарии и добавлю отдельным пунктом в статью с указанием автора.
d3d11
23.10.2025 15:19Был же случай, когда неросеть составила бредовое резюме (типа лучше всех бухал в студенческом кружке), специально для прохождения HR фильтров, и оно их прошло.
ChePeter
я вот начитавшись таких советов, прикладывал с откликам не только Github, но целые статьи с Хабра.
Копировал их себе в блог один-в-один и давал ссылку - и там рассуждения, примеры, разборы и выводы. И код и анализ. И даже есть чем похвастать.
вот гляньте https://7210208.blogspot.com/ и нет индексации гугла и все посетители только по ссылкам.
Так вот - 99% HR по ссылке не переходят, статьи эти не читают. Это видно по статистике между откликом и отказом.
Какие только страны уже не приходят по ссылкам, статьи уже живут своей жизнью, но HR их не смотрят и в команду резюме и ссылки не попадают.
Вот тут за последние 3 месяца HR всего двое
Maxim_Santalov Автор
Это проблема слабых HR, к сожалению. 26 статей на Хабре - это круто для джуна. Удалось в итоге работу найти или ещё в процессе?
ChePeter
Это проблема всех HR.
Попробуйте сами предложенный метод и удивитесь.