数据分析与 Data Science 简历关键词：SQL、建模、指标与证据

把数据分析和 data science 简历关键词对应到 SQL、Python、看板、建模、实验、指标、业务问题和真实项目证据。

1. 先按分析信号给关键词分组

   数据分析和 data science 关键词通常包括工具、SQL/Python 数据处理、看板、指标、统计、实验、建模、业务场景、跨部门沟通和决策影响。先分组，简历才不会像关键词表格。

   可用 Prompt： 请根据这份数据分析 JD，把简历关键词分成：工具、SQL/数据处理、看板/BI、指标、业务场景、跨部门沟通、决策影响，并标注必备词。
   表达示例： 产品分析岗可能强调 SQL、漏斗分析、留存 cohort、实验分析、dashboard 和产品决策支持。

2. 区分 data science 关键词和数据分析证据

   只有岗位或项目确实涉及建模、统计、实验、特征处理、notebook 或模型评估时，才使用 data science 关键词。数据分析页的主线仍是业务问题、SQL、看板、指标和决策；机器学习要能说清模型目的、验证方式和业务使用。

   可用 Prompt： 请审核这份简历，把 data analyst 关键词和 data science 关键词分开。以 SQL、看板、指标、业务决策为核心；只有项目证据能支撑时，才保留建模、机器学习、实验或特征工程。
   表达示例： 不要只写“机器学习”。可以写：基于客户流失标签数据建立 churn-risk notebook，评估 precision/recall，并把结果用于留存触达优先级。

3. 如果搜的是 business analyst keywords，转到 BA 页

   商业分析师关键词不是数据分析关键词的子集。如果目标 JD 更强调需求、流程映射、UAT、系统、验收标准或业务方决策，就应该使用 BA 关键词矩阵，并把数据工作写成支持这些 BA 成果的证据。

   可用 Prompt： 请判断这份 JD 属于 data analyst、business analyst、product analyst 还是混合岗位。如果是 BA 主导，把需求、流程、UAT、系统和业务方关键词移到商业分析师简历关键词方案。
   表达示例： 本页承接 SQL、看板、指标、实验、建模和数据质量；BA 页承接需求访谈、用户故事、UAT 协调和流程改造。

4. 把 SQL 和 BI 工具绑定到真实产出

   SQL、Tableau、Power BI、Looker、Excel、Python、dbt 只有连到报表、看板、数据模型、数据管道或被使用的分析，才真正有用。

   可用 Prompt： 请把每个高优先级分析关键词映射到我简历里的证据。写出数据集、工具、分析方法、使用方、产出和结果。缺证据的关键词标出来。
   表达示例： Power BI 可以写成：搭建收入看板支持销售周会，将手工报表准备时间减少 4 小时。

5. 用指标语言替代空泛 insight

   很多简历写“提供洞察”，但没有说明洞察是什么。改成指标类型、业务问题、分析方法、使用方和支持的行动，会更像真实数据工作。

   可用 Prompt： 请重写这些数据分析 bullet，包含指标类型、业务问题、方法、使用方，以及支持的决策或动作。保持事实不变，不要编造数字。
   表达示例： 弱表达：分析用户数据。更强：按渠道分析激活漏斗，定位 onboarding 流失点，支持增长团队设计实验 backlog。

6. 按目标岗位选择分析同义词

   不要每条都重复“分析、报表、看板、洞察”。根据目标岗位选择更准确的词：报表分析、BI 分析、产品分析、市场分析、运营分析、数据质量、指标监控或业务复盘。

   可用 Prompt： 请审核我的数据分析简历，为 analytics、reporting、dashboard、metrics、stakeholder work 选择适合目标岗位的中文表达。只保留我经历能支撑的词。
   表达示例： 周期性报表可写“报表自动化”，产品增长可写“漏斗分析”，数据链路可写“数据质量监控”，业务会议可写“指标复盘与决策支持”。

7. 投递前检查分析关键词堆砌

   发送前删掉无法完成面试任务的工具、重复指标词，以及没有项目支撑的机器学习或高级统计 claim。

   可用 Prompt： 请审核这份数据分析简历是否堆砌关键词。标出没有证据的工具、空泛 insight、重复指标词、业务影响太弱的经历，以及应该从技能区移到项目 bullet 的关键词。
   表达示例： 只有能说清模型目的、验证方式和业务使用场景时，机器学习才值得保留。