在过去12个月里，我们帮一个公司的数据科学团队雇佣了大约10个新的数据专业人员。从实习生到高级职位，你能想到的各类数据分析师和数据科学家工作的个人简历都有。
从这些求职者身上，我学到了很多东西，也希望能教会他们一些新东西。在整个过程中，我发现了那些没有成功通过面试的求职者的一些共同点。
马斯洛锤(The Maslow’s Hammer)
在对求职者进行技术评估时，我从来没有要求过他们必须使用哪一种工具或编程语言来解决问题。因为我认为，在选择上保持一定的开放性，候选人才能用他们的创造力和实验来测试不同的方法。在大多数情况下，这是很有效果的，不过有时刚好相反。
好多次，应聘者都想用一种解决方案来解决所有的问题。一旦失败，就说自己没有办法解决这个问题。就像大家认为，每个聚类问题都可以用K-means解决；或者如果不能用Facebook的Prophet创建一个模型，就没有办法预测时间序列；再或者，简单地认为每个问题都可以用机器学习来解决。
那要如何解决这个错误？你需要关注的是问题本身，而不是目前正在使用的工具。可能每天都会有人要求你给出“一个解决这个问题的人工智能”和“一个预测这个问题的模型”;但你的要问的问题，不是“我应该使用哪种算法?”，而应该是“他们想解决的问题是什么呢?”
出色的代码技能，糟糕的沟通能力
有时候（事实上大多数时候），我们需要把一个技术概念解释给一个非技术人员听，这并不是件容易事。但不管是解释度量的计算，还是模型的预测，其实，我们的大部分工作都是在沟通。
有时，利益相关者大都是外行。所以就需要我们找到跟他们之间共同的交流方式。
在一些应聘者中，我有注意到他们的技术很好，但传达出的效果总是不那么理想。而且，当我们问一些业务人员通常会问的问题，比如解决某个问题的方案时——他们总是抓不住要点，也没有办法解释为什么他们会选择这种特定方法。
如何解决这个问题：在选择解决方案之前，理由必须要充分，可以参照基准、以前的经验或实验——比如，你可以说“在测试的解决方案中，这个更好，因为ABC”。另外，还要了解你的解决方案存在的缺陷、缺点以及改进的方法。
杂乱的交流
这个话题基本上是上个问题的延伸。他们沟通失败的很大一个原因是，他们总想尽可能多地用编程来解决问题，而忘了讲故事。更夸张的是，我还收到一些的评论，他们把camelCase和snake_case代码混合在一起；还混合了不同的语言的注释等等。虽然，不能以此为标准淘汰某位应聘者，但这充分表明他缺乏一定的严谨性。
大多数情况下，缺乏讲故事的能力是指：应聘者在交替使用代码时，没有解释他们所用的方法。很多公司会先进行技术测试，然后再与团队初步对话，事实上，到这一步就决定了你是淘汰还是进入下一轮。
如何解决这个问题：从StackOverflow复制代码没问题，就连我自己一天也得做几次。但是，你必须要保持清醒，而且时刻提醒自己讲一个好故事。对于“好的代码不需要评论”这种想法，我持保留意见，当我们谈到数据科学家和数据分析师的工作时，像jupiter notebook这样广泛用于招聘流程的工具，给我们提供了一些不同寻常的东西:把故事与代码合并的可能性。
不知道公司是做什么的
这可能是求职者们会犯的一个最大错误，特别是对于那些申请数据科学职位的人来说。在这里，并不是说你需要了解公司的全部，但你至少应该知道，这家公司是做什么的。你可能会问，为什么这很重要？
去很多公司面试，你都会面临同样的问题。你会担任一个与业务相关的职位，了解公司是如何赚钱，主要竞争对手是谁，商业模式是什么，这是你与其他人竞争时突出优势的最起码的方法。
原文作者：Paulo Vasconcellos
翻译作者：Lea
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/the-4-biggest-mistakes-of-data-science-job-applicants-20e67fdd0d0a
