沒有上線過模型的人（學生、研究員）第二段怎麼寫？

拿查證得了的東西：開源套件被幾個團隊採用、論文的預測在哪個基準線上贏了幾點。範例人物的 backtest-kit 被 [N] 個團隊採用，就是這種證據。沒上線就不要寫得像上線了。寫它停在哪一步，和你為什麼知道下一步是什麼。

職缺偏 ML engineer，信要講部署嗎？

講一句，用動作講：模型怎麼交付（每週檔案、API、批次流程）、上線後誰在監測。不要列 Docker、Kubernetes 清單。

可以寫失敗的實驗嗎？

可以，而且常常比三個成功更有力。讀數是平的、你照樣如實寫報告並停掉功能的例子，證明的是判斷力。

Kaggle 名次和 GitHub 要放哪？

信頭的聯絡列放 GitHub。Kaggle 名次放履歷；信的正文留給上過線、動過指標的事。

四段、200 到 300 個英文字。這頁的範例是 [N] 字，旁邊的信件檢查會顯示實際數字。

職缺寫 Data Scientist，但職責讀起來像分析師，信要照哪個寫？

照職責寫，不照職稱寫。動詞會露餡：整篇都是 report、dashboard、ad-hoc request，那是分析的缺；出現 deploy、retrain、monitor、experiment design，才是模型的缺。兩種訊號都有的時候，第二段放模型，第三段放一句你怎麼把一次性分析變成排程的例子，結尾問他們最近三件上線的東西是什麼。那個答案會告訴你這個缺實際上是哪一種，也決定你要不要接。

博士剛畢業，論文要放進信裡嗎？

放一句，而且那句的主詞是問題，不是方法。「這個做法讓某個決定可以提前 [N] 週下」比「我用了某某模型」有用得多。其餘留給履歷和面試。以方法名稱開頭的句子在這裡讀起來像投稿摘要，資料主管會直接跳過那一段。

我上線過的模型後來被下線了，還能寫嗎？

能，而且應該寫。它在線上那段時間動過的數字是真的；下線的原因通常也值一句話：團隊換了指標、資料來源沒了、維護成本超過它帶來的收益。唯一不能做的是含糊帶過。讀信的人一定會問它現在還在不在，這個答案放在信裡，比留到面試被問出來好。

流程裡有 take-home 或 case study，信還有用嗎？

有，但不要拿信去做作業會做的事。take-home 測得出你會不會建模、會不會寫乾淨的程式，測不出你有沒有一個模型在真實世界活過一年、被監測過、被下線過、被業務單位質疑過。把信留給那些作業看不到的事：模型的下落、實驗的設計選擇、你和對口怎麼談誤判率。何況信通常決定的是你有沒有拿到那份作業。

求職信範例

資料科學家的英文求職信怎麼寫

Q: 博士剛畢業，論文要放進信裡嗎？

放一句，而且那句的主詞是問題，不是方法。「這個做法讓某個決定可以提前 [N] 週下」比「我用了某某模型」有用得多。 其餘留給履歷和面試。以方法名稱開頭的句子在這裡讀起來像投稿摘要，資料主管會直接跳過那一段。

更新於 2026-09-03

資料科學家的求職信要證明一件履歷證明不了的事：你的模型上過線，而且動過一個公司真的在算的數字。履歷可以列十個模型；信只挑一個改變了決策的，再加一次讀得誠實的實驗，然後停。讀信的人多半是資料團隊的主管，看過太多停在 notebook 裡的專案，他要的證據是指標，不是演算法。

第一句最常壞在學位和工具。「熟悉 Python、XGBoost、PyTorch」對方在履歷上看得到。第一句要說職缺缺什麼、你哪一個上線的模型解過同一題；職缺缺的和你解過的對上，信就有了骨架。

這封信真正的工作是那個「挑」。履歷把十個模型並排，沒有先後；信只能挑一個，而挑法本身就是訊息：你認為哪個決定重要，以及你分不分得出「動過最多錢的模型」和「你做起來最開心的模型」。沒被寫進信裡的那九個，比寫進去的那一個更能說明你懂輕重。

下面的範例是虛構人物 Noor Siddiqui，和履歷範例頁上的是同一位，信裡每一項宣稱都能對回履歷的某一條。數字全部留 [N]；旁邊的「信件檢查」由產品引擎現算：字數、段數、空格、八股。

這個職位的英文求職信，寫完長這樣

下面是虛構人物的完整範例，和履歷頁上的是同一位，所以信裡每個宣稱都能在履歷上找到來源。旁邊的信件檢查由產品的量測引擎現算：字數、段數、空格數、陳腔濫調——不是我們打上去的。

信件檢查292字、4段。還有 10 個空格沒填。填完之前這封不能寄。

Noor Siddiqui

noor-siddiqui@example.com · Toronto, Canada

September 1, 2026

Application for Senior Data Scientist, Marketplace Pricing — Noor Siddiqui

Dear Hiring Manager,

Your posting for a Senior Data Scientist asks for someone who has priced a two-sided marketplace and measured the effect honestly. At a ride-hailing platform I built the demand forecast that sets weekly driver incentives across [N] cities and [N] million rides a month, cutting forecast error by [N] points and incentive spend by [$N] a quarter. That is the market your posting describes, where both sides react to every price change.

Two results map onto the courier-pricing problem your data blog describes. I replaced the flat surge multiplier with an accept-probability model, which halved rider cancellations on surge trips and launched only after a [N]-city holdout held the gain for [N] weeks. I also designed the switchback framework that stopped two-sided interference from inflating lift in the pricing team’s tests; [N] pricing changes shipped on its readouts in one year. That interference is what the framework was built to remove.

The habit behind those numbers is deciding how a model will be judged before it exists. At a property and casualty insurer I put calibration and drift monitoring on the team’s [N] production models; it caught a feature outage that had degraded the fraud score for [N] days. I register the metric and the stopping rule before an experiment starts, and I write the readout the same way when the result is flat. Your post says courier supply moves between zones within the hour, which decides what a switchback can see: do yours randomise by zone-hour or by region-day?

I can start on [N] weeks’ notice, and a model review or an experiment readout would make a good first conversation. My resume is attached; every figure on it is one I can show, or a bracket where I still owe one.

Sincerely,

Noor Siddiqui

資料科學家求職信的四段

四段，各有一個任務。多一段，讀的人就少讀一段。

1
主旨行：寫團隊和問題，不只寫職稱
大公司裡「Data Scientist」可能同時開在定價、風控、成長、平台四個組，同一個信箱收。主旨寫成 Application for Senior Data Scientist, Marketplace Pricing，收信的人才知道要轉給哪位主管。範例的主旨就是這樣寫的，這一行不算在四段裡，但它決定四段會不會被對的人讀到。
2
開頭：職缺缺的 × 你上線過的
第一句複述職缺要的能力，例如替雙邊市場定價並量測效果；第二句給對應的上線模型和它動過的指標，附 [N]。不寫學歷，不列工具。
3
第二段：一個模型、一次實驗
一個進了生產環境並改變某個業務數字的模型，一次讀數沒被干擾污染的實驗。點名對方資料部落格或論文裡的一篇，說明為什麼挑這兩件。
4
第三段：評模型的習慣
習慣寫成動作：模型存在之前先決定怎麼評它、上線後監測 drift、實驗開跑前登錄指標和停止規則。結尾留一個關於對方實驗設計的真問題。
5
第四段：何時、怎麼談
上工時間、方便的談法（模型審查或實驗讀數都可以）、履歷附上。兩句，不再多謝一次。
6
結尾那一句問題：挑主管想回答的那種
好問題大概只有三類：隨機化單位（你們的 switchback 按 zone-hour 還是 region-day）、重訓與監測（模型多久重訓一次、drift 是誰在看）、指標歸屬（這個數字現在由哪個團隊守）。壞問題只有一類，就是答案已經寫在職缺描述裡的那種——它證明你沒讀完就寄了。
7
每個數字的形狀：基準線、量法、[N]
信裡的數字要能被追問三次還站得住。「錯誤率降 [N] 點」要說贏過哪個基準（季節性模型、精算查表），「取消率砍半」要說怎麼量的（多城 holdout 撐了 [N] 週）。想不起來的部分就留 [N]，不要補一個看起來合理的數字：面試時要替它辯護的人是你。
8
刻意不寫進去的四件事
工具清單（履歷技能欄已經有）、學位（教育欄）、Kaggle 名次（比賽資料是乾淨的，對方知道）、課堂或 bootcamp 的模型（沒有使用者的模型不會被追問第二次）。把這四件刪掉，第二段才空得出位置放一個真的跑在排程裡的模型。

這封信逐段在做什麼

一段一段拆：哪一句扛什麼，哪一句刻意不寫。

1
Your posting for a Senior Data Scientist asks for someone who has priced a two-sided marketplace and measured the effect honestly. At a ride-hailing platform I built the demand forecast that sets weekly driver incentives across [N] cities and [N] million rides a month, cutting forecast error by [N] points and incentive spend by [$N] a quarter. That is the market your posting describes, where both sides react to every price change.
第一句照職缺的要求寫（雙邊市場定價、量測效果），第二句給一個上線的預測模型和它動過的兩個指標，全部留 [N]，第三句把對方的市場和自己的市場對上。沒有學位，沒有工具清單。
2
Two results map onto the courier-pricing problem your data blog describes. I replaced the flat surge multiplier with an accept-probability model, which halved rider cancellations on surge trips and launched only after a [N]-city holdout held the gain for [N] weeks. I also designed the switchback framework that stopped two-sided interference from inflating lift in the pricing team’s tests; [N] pricing changes shipped on its readouts in one year. That interference is what the framework was built to remove.
兩件事，各對到對方部落格文章講的定價實驗：一個把取消率砍半的模型，附上線前的多城 holdout；一個讓 lift 不再被雙邊干擾灌水的實驗框架。「your data blog」那句證明你讀過他們寫的東西。
3
The habit behind those numbers is deciding how a model will be judged before it exists. At a property and casualty insurer I put calibration and drift monitoring on the team’s [N] production models; it caught a feature outage that had degraded the fraud score for [N] days. I register the metric and the stopping rule before an experiment starts, and I write the readout the same way when the result is flat. Your post says courier supply moves between zones within the hour, which decides what a switchback can see: do yours randomise by zone-hour or by region-day?
習慣寫成三個動作：模型存在前先定評法、上線後監測 drift 抓到壞掉的特徵、實驗前登錄指標和停止規則。最後一句是關於 switchback 隨機化單位的真問題，這種問題主管會想回答。
4
I can start on [N] weeks’ notice, and a model review or an experiment readout would make a good first conversation. My resume is attached; every figure on it is one I can show, or a bracket where I still owe one.
只講何時能開始、怎麼談。「a bracket where I still owe one」說明 [N] 是誠實的空格，不是漏掉的數字，也把讀者送回履歷。

第一句的七種寫法

第一句決定第二句有沒有人讀。七種開法，沒有一種以「I am writing」起頭。

Your posting asks for someone who has priced a two-sided marketplace and measured the effect honestly; that has been my job at a ride-hailing platform for [N] years.
職缺要求 → 你的工作。職缺寫得具體時最好用。
The interference problem your data blog describes in courier-pricing tests is the one my switchback framework was built to remove, so I will start with what it did.
從對方發表的內容切入。有資料部落格或論文的公司用這種。
The accept-probability model I put into production halved rider cancellations on surge trips, which is the outcome your pricing team is hiring to reach.
一個上線成果 → 職缺存在的原因。職缺只繞著一個指標時用。
My churn score reached the renewals team as a weekly file with a one-page playbook, and it lifted retained premium by [$N] in the first renewal cycle, which is the kind of adoption your posting asks for.
模型交付的形式加上它動過的指標。對方在意模型有沒有被業務單位真的用起來時，這樣開。
Your app appears to price surge by city, and the accept-probability model I put into production priced the same decision by trip; whether your data supports that split is the first thing I would want to check.
從產品表面切入：指出一個明顯由模型在做的決定，再說你做過同一個決定的更細版本，最後留一個保留態度的但書。對方沒有公開任何技術內容時用這種。
The last time a pricing team asked me for the lift of a marketplace change, I told them the test as designed could not see it and rebuilt it as a switchback; that habit is worth more to your team than the number would have been.
用一次拒絕開場。你擋下一個看不到的 lift，比你報一個漂亮的 lift 更能證明判斷力。寫給實驗文化成熟、會追問設計的團隊。
A drift monitor I set up caught a feature outage that had been quietly degrading a fraud score for [N] days, which is the failure a scoring team most wants to hear that someone has caught.
從一次被抓到的失誤切入。風控、詐欺、信用這類職缺特別吃這種開頭，因為他們知道模型壞掉的時候沒有人會收到錯誤訊息。

這封信最後會被誰打開

資料科學家的信通常經過三到四個人，每個人翻的東西不一樣。動筆前先想清楚：哪一句是寫給誰的。

1
招募：先確認你是這三個職稱裡的哪一個
資料分析師、資料科學家、機器學習工程師的缺常常由同一位招募負責，字面上又都寫 Python 和 SQL。他掃的是邊界訊號：你的成果收在儀表板、收在被移動的業務數字、還是收在延遲和吞吐。第一段收錯地方，後面那幾個人根本不會看到這封信。
2
用人主管：現在還有沒有一個你的模型在跑
他自己手上帶著幾個排在排程裡的模型，最怕收到一個只交付過分析的人。他找的是一句能追問下去的話：模型接上哪個決定、多久重訓一次、壞掉的時候誰被叫醒。第二段給他一個這樣的模型，比給他三個模型名字有用得多。
3
未來的業務對口：你講的是誰的指標
模型的客戶通常會被拉進第二輪——定價、成長、風控那邊的人。他不讀 AUC，他讀的是你有沒有把話講成他的語言：取消率、續保保費、誤判率。整封信如果沒出現一個團隊的名字和它守的那個數字，他會認定以後每次對話都要有人在中間翻譯。
4
實驗或因果那一位：這個 lift 是怎麼量出來的
規模到一定程度的團隊會有人專門看這件事。他從信裡挑的是設計，不是結果：有沒有 holdout、隨機化單位是什麼、停止規則在開跑前還是讀完數才定的。寫「lift [N] 個百分點」他只會記下等一下要問；寫「那個測試當時看不到 lift，所以我改成 switchback」他會想見你。
5
接手模型的工程師：它會以什麼形狀交到我手上
模型上線之後歸誰維護，是多數資料團隊還沒吵完的事。他想知道你交出去的是一份 notebook、每週一個檔案，還是一條掛著監測的排程。第三段寫交付形式和監測的那一句，其實是寫給他看的。

什麼時候它就不是同一封信了

同一份履歷，換一種雇主就要換第二段。以下六種情況會挪動這封信的重心。

你會是第一位資料科學家，還是第十五位
公司裡還沒有模型的時候，主管怕的是你挑錯題：他要看你怎麼判斷哪個決定值得交給模型，以及你有沒有自己把資料接起來過。信裡留一句你「決定不做」某個模型的例子，比再多一個成果有用。已經有實驗平台和特徵倉的地方剛好相反：他要確認你能在別人的規範裡工作——讀數要過審查、模型要有文件、上線要排隊。
成長／定價團隊 vs 風控／詐欺團隊
同一份履歷會寫成兩封不同的信。定價那邊的第二段收在實驗設計和被移動的價量指標；風控那邊收在門檻怎麼訂：誤判率是誰同意的、被擋下來的人怎麼申訴、模型上線後客服的工作量變多還是變少。把定價的信寄去風控，讀的人會覺得你從沒想過一次錯誤的拒絕，成本落在誰身上。
受監理的產業：保險、信貸、醫療
這些地方模型要通過驗證，不只要通過測試集。信裡多一句：你寫過哪一份模型文件、誰讀它、被要求解釋某一筆個案決定時你怎麼答。可解釋性在這裡不是加分項，是能不能上線的條件；一個字都沒提到的人，會被歸類成只做過內部工具。
對方有沒有公開寫過東西
有資料部落格或論文的公司，第二段直接接上他們寫過的某一個設計選擇，並說你會怎麼做不一樣。什麼都沒公開的公司，改用產品表面：指出哪個畫面上的決定明顯是模型在做，然後問它現在拿什麼指標評。前者證明你讀過，後者證明你會看。
你是從隔壁職稱轉進來的
從分析師轉：整封信至少要有一件離開你之後還在跑的東西，和一次被現實驗證過的預測。從機器學習工程師轉：把延遲和服務可用性收起來，改寫你選過的一個指標和你判讀過的一次實驗。從學術轉：論文壓成一句，主詞放那個方法改變過的決定，不要用方法名稱開頭。
有人內推，還是冷投
有內推的信可以更短：第一段點名是誰、他看過你哪一件事（一次模型審查、一段一起輪過的 on-call），第二段只留一個成果加一個問題。沒有內推的信要自己製造熟悉感，靠的是把對方的決定講得比職缺描述更準確一點。兩種信的第三段一模一樣，因為你怎麼工作不會因為誰引薦而改變。

資料科學家求職信最常見的錯

列演算法，不列指標
XGBoost、transformer、LightGBM 是工具名，不是成果。讀信的人要知道模型上線後哪個數字動了、動了多少。
把離線分數當成果
notebook 裡的 AUC 不是業務結果。寫模型上線後改變了什麼；沒上線就老實說它停在哪一步。
宣稱實驗看不到的 lift
沒有 holdout、沒有停止規則、雙邊干擾沒處理的 lift，面試第一題就是「你怎麼量的」。信裡寫量測方法，比寫 lift 大小更有說服力。
用學位開頭
碩士、博士在履歷的教育欄。第一句屬於職缺的問題，和你解過的那一題。
百分比沒有分母
「錯誤率降 [N]%」是相對什麼？寫出基準線（季節性模型、精算查表），數字才有意義。
一封信裡出現三個以上的模型
履歷可以列十個，信只能挑一個。挑不出來，讀信的人會得到兩個結論之一：你分不清哪個真的重要，或者哪個真的是你做的。第二段一個模型加一次實驗就夠，其餘留給面試。
沒交代模型現在的下落
上線過的模型只有三種結局：還在跑、被換掉、被關掉。資料主管一定會問，信裡先答完可以省掉一輪。被關掉也可以寫，只要說清楚是團隊換了指標，還是模型自己沒撐住。
整封信都是「我們」
資料團隊的成果幾乎都是合作的，所以「我們」寫起來很自然，也因此完全沒有訊息量。寫出你名下的那一段：指標是誰定的、特徵是誰做的、讀數是誰判的、模型半夜壞掉的時候被叫醒的是不是你。
對口只寫成 the business
「worked closely with business stakeholders」大概是這個職缺裡最空的一句。點名單位和他們守的數字：續保團隊和續保保費、客服團隊和誤判率、定價團隊和取消率。名字一出現，這句話就從形容變成可以追問的事實。
把清資料的辛苦當成果
「花了 [N] 個月把資料清乾淨」是投入，不是結果。真的要寫，就寫清完之後哪個決定變得可以做，或者哪個原本沒人敢用的欄位進了模型。

常見問題

沒有上線過模型的人（學生、研究員）第二段怎麼寫？: 拿查證得了的東西：開源套件被幾個團隊採用、論文的預測在哪個基準線上贏了幾點。範例人物的 backtest-kit 被 [N] 個團隊採用，就是這種證據。; 沒上線就不要寫得像上線了。寫它停在哪一步，和你為什麼知道下一步是什麼。
職缺偏 ML engineer，信要講部署嗎？: 講一句，用動作講：模型怎麼交付（每週檔案、API、批次流程）、上線後誰在監測。不要列 Docker、Kubernetes 清單。
可以寫失敗的實驗嗎？: 可以，而且常常比三個成功更有力。讀數是平的、你照樣如實寫報告並停掉功能的例子，證明的是判斷力。
Kaggle 名次和 GitHub 要放哪？: 信頭的聯絡列放 GitHub。Kaggle 名次放履歷；信的正文留給上過線、動過指標的事。
要多長？: 四段、200 到 300 個英文字。這頁的範例是 [N] 字，旁邊的信件檢查會顯示實際數字。
職缺寫 Data Scientist，但職責讀起來像分析師，信要照哪個寫？: 照職責寫，不照職稱寫。動詞會露餡：整篇都是 report、dashboard、ad-hoc request，那是分析的缺；出現 deploy、retrain、monitor、experiment design，才是模型的缺。; 兩種訊號都有的時候，第二段放模型，第三段放一句你怎麼把一次性分析變成排程的例子，結尾問他們最近三件上線的東西是什麼。那個答案會告訴你這個缺實際上是哪一種，也決定你要不要接。
博士剛畢業，論文要放進信裡嗎？: 放一句，而且那句的主詞是問題，不是方法。「這個做法讓某個決定可以提前 [N] 週下」比「我用了某某模型」有用得多。; 其餘留給履歷和面試。以方法名稱開頭的句子在這裡讀起來像投稿摘要，資料主管會直接跳過那一段。
我上線過的模型後來被下線了，還能寫嗎？: 能，而且應該寫。它在線上那段時間動過的數字是真的；下線的原因通常也值一句話：團隊換了指標、資料來源沒了、維護成本超過它帶來的收益。; 唯一不能做的是含糊帶過。讀信的人一定會問它現在還在不在，這個答案放在信裡，比留到面試被問出來好。
流程裡有 take-home 或 case study，信還有用嗎？: 有，但不要拿信去做作業會做的事。take-home 測得出你會不會建模、會不會寫乾淨的程式，測不出你有沒有一個模型在真實世界活過一年、被監測過、被下線過、被業務單位質疑過。; 把信留給那些作業看不到的事：模型的下落、實驗的設計選擇、你和對口怎麼談誤判率。何況信通常決定的是你有沒有拿到那份作業。