最近在和很多刚开始进行求职准备的同学进行沟通过时，发现大家都不可避免的会触碰一些“坑”，所以希望通过这两篇文章的梳理，帮助大家尽早地避免问题，提高求职的效率。

很多同学为了尽早拿到offer，在网申或者找内推的时候，往往不加选择，只要是和数据稍微沾点儿边的岗位，都想申请。比如和数据分析相关的岗位可能有，business intelligence analyst/data analyst/business analyst，和数据科学相关的岗位可能有，data scientist/data scientist-algorithm/data scientist-machine learning/data science analytics。如果这样不加选择的去申请所有相关的岗位，可能会带来这样几个问题：

我们拿data scientist-machine learning和data science analytics举例。前者非常明显，强调面试者需要有比较多的机器学习相关的知识，那么你在复习面试或者前期准备的时候，就需要把业界常用的机器学习模型复习个遍，包括模型的推导逻辑、优缺点、适用场景等等，而后者，其实更侧重在你的business sense的考察，你需要找很多涉及到business sense的题目进行练习、梳理框架、再练习，以及最好掌握A/B testing和sql。其实到这里，你就能看到，两个岗位你的准备侧重完全不一样。如果一旦你有两个面试同时进行，最可能的结果是，你哪一个岗位都没有做好充分的复习，最终都很难发挥出最好的面试水平

这个时间的浪费，单纯是指你花了非常多的时间在投递简历，但最终却可能不会拿到面试机会。原因很简单，每一个不同类型的岗位，对于简历的要求都会很不一样，依然是上面的例子，申请前者，你必须在简历中凸显出自己ml方向的项目经历，而后者，你需要有比较强的storytelling能力来向hr呈现出你具备定义问题、拆解问题、完成数据分析并落地分析结论的能力。这只是两个类型的岗位，如果你同时申请了更多种类的岗位并且都希望拿到面试机会，那就意味着你一定要准备好多个不同的简历，这会极大的挤压你复习面试的时间

 

很多情况下，当我给同学推荐一些课程、书籍或者视频的时候，同学们都会问，这个真的有用吗？哪本你觉得最有效。其实我特别能理解大家的这个题，因为每个人都非常想尽快拿到offer，所以会很想学完一个东西，就能立刻cover所有的面试题。但这几乎是不可能的，因为任何一个岗位，其实都有对应的能力模型，而我们需要做的，是不断学习新的技能，来让自己无限贴近那个目标的能力模型。所以，没有什么资料是“最有效的”，当我们已知了自己需要学的东西，就立刻开始，安排好学习计划，然后一点一点儿地向前推进，直到学完。这样稳扎稳打，其实才是最高效的复习方式