Dansk
Se, hvordan et professionelt data scientist-CV fremhæver maskinlæring, statistisk analyse og datadrevne forretningsresultater. Tilpas dette eksempel til din egen erfaring.
Begynd at bygge dit CV
Senior Dataforsker
Data scientist med over 5 års erfaring inden for maskinlæring, statistik og Python. Har bygget prædiktive modeller, der øgede omsætningen med 3,2 millioner dollars og reducerede tabene fra svindel med 800.000 dollars. Dygtig i Python, R, SQL, TensorFlow og PyTorch. Publiceret forsker med artikler inden for naturlig sprogbehandling (NLP).
RetailAI Corp
feb. 2022 – nu
HealthTech Analytics
jun. 2020 – jan. 2022
Market Insights Group
aug. 2018 – maj 2020
Københavns Universitet, Institut for Matematiske Fag
2016 - 2018
Aarhus Universitet, Institut for Matematik
2012 - 2016
Coursera / deeplearning.ai
2021
AWS
2023
Coursera / Columbia
2022
Dette er et eksempel-CV. Tilpas det med dine egne erfaringer ved hjælp af vores gratis CV-bygger.
Sig ikke bare 'byggede en model'. Sig 'Byggede en model til forudsigelse af kundefrafald, der sparede 3,2 millioner dollars årligt'. Oversæt teknisk arbejde til forretningsresultater.
Inkludér nøjagtighed, F1-score, AUC-ROC. 'Opnåede 92 % nøjagtighed' beviser, at dine modeller virker.
Data science er mere end modellering. Nævn datarensning, feature engineering, udrulning og overvågning.
Publicerede artikler, konferenceoplæg og open source-bidrag demonstrerer fagligt lederskab.
Et stærkt data cv handler ikke om at liste værktøjer – det handler om at bevise, at dine modeller og analyser har skabt målbar forretningsværdi. Følg disse fem trin for at bygge et CV, der består både ATS-scanningen og et hurtigt blik fra en travl rekrutterer eller hiring manager.
Brug 3 linjer til at fortælle, hvem du er som data scientist: senioritet, domæne (fintech, e-handel, sundhed) og teknisk værktøjskasse (Python, SQL, TensorFlow/PyTorch). Slut med ét konkret forretningstal – f.eks. 'byggede en churn-model, der sparede 3,2 mio. kr. årligt'. Undgå buzzwords uden dækning; rekrutteren læser resuméet først og bruger under 10 sekunder på at afgøre, om resten er værd at læse.
Hver bullet skal koble en metode til et forretningsresultat, ikke bare beskrive en opgave. Nævn modelnøjagtighed, AUC-løft, databehandlet volumen, pipeline-latens eller resultatet af et A/B-test. Eksempel: 'Udviklede en anbefalingsmodel med XGBoost, der øgede krydssalget med 28 % og blev udrullet til 2 mio. brugere.' Start altid med et handlingsverbum, og undgå passive formuleringer som 'var ansvarlig for'.
Gruppér færdighederne i kategorier: sprog (Python, R, SQL), ML-biblioteker (scikit-learn, XGBoost, PyTorch, TensorFlow), data-infrastruktur (Spark, Airflow, dbt, AWS/Azure/GCP) og BI-værktøjer (Tableau, Power BI). Spejl de præcise ord fra jobopslaget – både rekrutterere og ATS-systemer scanner efter eksakte match, så 'maskinlæring' og 'machine learning' bør begge stå, hvis begge bruges i branchen.
Har du kort eller ingen erhvervserfaring, kan 2-3 solide projekter bære CV'et. Beskriv problemstilling, metode og resultat som en mini-case – ikke bare et link. Ét deployeret projekt med en simpel API eller dashboard vejer tungere end ti Jupyter-notebooks uden kontekst. Angiv altid dit GitHub- og eventuelt Kaggle-brugernavn øverst i CV'et, så det er let at tjekke.
List din grad (statistik, datalogi, matematik eller lignende) samt relevante certificeringer som AWS/Azure/GCP ML-certificering eller Deep Learning Specialization. Afslut med et ATS-tjek: envalgt kolonne-layout, gem som PDF, undgå tabeller, ikoner og grafik i selve filen, og brug standardoverskrifter som 'Erhvervserfaring' og 'Uddannelse', så systemet kan parse CV'et korrekt.
Brug disse tre eksempler som skabelon, og tilpas dem til dit eget niveau, domæne og værktøjskasse.
Nyuddannet cand.scient. i statistik med praktikerfaring fra e-handel, hvor jeg analyserede kundedata i Python og pandas og designede A/B-tests, der løftede konverteringen med 6 %. Solide kompetencer inden for scikit-learn, SQL og datavisualisering i Tableau. Har bygget tre end-to-end Kaggle-projekter, herunder en prisprognosemodel med en top 8 %-placering.
Data scientist med 7+ års erfaring i at bygge og drifte ML-platforme i produktion for detail- og fintech-virksomheder. Ekspert i XGBoost, PyTorch og Spark, med erfaring i at lede teams på op til 5 data scientists. Har leveret modeller, der samlet har øget omsætningen med over 40 mio. kr., og har ansvaret for MLOps-pipelines med daglig genoptræning i AWS.
Tidligere forretningsanalytiker med 5 års erfaring i SQL, Power BI og KPI-rapportering, nu suppleret med en professionel certificering i maskinlæring og egne Python-projekter i scikit-learn og pandas. Kombinerer stærk forretningsforståelse med nye tekniske ML-færdigheder og har bygget en kundesegmenteringsmodel, der blev taget i brug af marketingafdelingen.
Spejl de præcise ord fra jobopslaget – både rekrutteringssoftware og mennesker scanner efter dem. Nedenfor er en liste over ord, der ofte går igen i danske og internationale data science-opslag.
Nævn det både i færdighedslisten og i mindst én konkret bullet, f.eks. 'byggede en pipeline i Python'.
Skriv hvilke databaser du har brugt (PostgreSQL, BigQuery, Snowflake) for at gøre det troværdigt.
Brug begge former, da danske opslag blander dansk og engelsk terminologi.
Nævn kun, hvis du reelt har arbejdet med neurale netværk – gerne med framework (PyTorch/TensorFlow).
List det framework, du faktisk har brugt i projekter, ikke bare kendskab fra et kursus.
Relevant hvis du har behandlet datamængder, der ikke kunne håndteres i pandas alene.
Kobl det til et konkret resultat, f.eks. 'designede A/B-test, der løftede konvertering med X %'.
Stærkt signal for stillinger med akademisk eller forsikringsmæssig baggrund.
Skriv det ud som Natural Language Processing første gang, det nævnes, for ATS-match på begge former.
Vis, at du kan levere modeller til produktion, ikke kun bygge dem i notebooks.
Den samme arbejdsopgave kan beskrives svagt eller stærkt. Forskellen ligger i handlingsverbum, metode og et målbart resultat.
Arbejdede med en model til at forudsige kundefrafald.
Byggede en churn-model med gradient boosting (XGBoost), der identificerede risikokunder med 87 % AUC og sparede 3,2 mio. kr. årligt i fastholdelseskampagner.
Ansvarlig for at vedligeholde datapipelines.
Omdesignede ETL-pipelinen med Airflow og dbt, hvilket reducerede databehandlingstiden fra 6 timer til 40 minutter og eliminerede tre tilbagevendende datafejl om ugen.
Lavede A/B-tests for produktteamet.
Designede og analyserede 12 A/B-tests i samarbejde med produkt- og marketingteams, hvilket løftede konverteringsraten med 9 % og blev præsenteret direkte for direktionen.
Et CV for en data scientist bør indeholde et professionelt resumé med målbare resultater, tekniske færdigheder (Python, R, SQL, maskinlæringsframeworks), erhvervserfaring med konkrete resultater, uddannelse, relevante certificeringer og publikationer. Fokus bør være på den forretningsmæssige effekt af dine projekter.
En kandidatgrad er ikke et krav, men kan være en fordel. Mange succesfulde data scientists har en bachelorgrad suppleret med certificeringer og praktisk erfaring. Fokus på projekter, færdigheder og målbare resultater kan kompensere for manglen på en avanceret grad.
Brug nøgleord fra jobbeskrivelsen, angiv tekniske færdigheder tydeligt, brug standardsektionsnavne, undgå kompleks formatering og grafik, og brug almindelige filformater. Inkludér specifikke værktøjer og teknologier som Python, TensorFlow og SQL.
Ja! Vores gratis CV-bygger giver dig mulighed for at oprette et professionelt data scientist-CV. Brug dette eksempel som inspiration, tilpas det med dine egne erfaringer, og download en professionel PDF på få minutter.
Ja. Dette eksempel kan redigeres direkte i vores gratis CV-bygger – du vælger mellem 3 ATS-venlige skabeloner, indsætter dine egne erfaringer og tal, og downloader en professionel PDF på få minutter. Ingen oprettelse af konto er nødvendig.
Fokusér på uddannelse, kurser og 2-3 solide projekter fra Kaggle eller egne GitHub-repositories, beskrevet som mini-cases med problem, metode og resultat. Praktikophold, studenterprojekter og bidrag til open source tæller også – vis, at du kan levere en model, ikke kun forstå teorien.
Hos danske virksomheder og myndigheder er dansk oftest fint, men i tech- og data science-miljøet – især hos internationale firmaer, startups og konsulenthuse i København – foretrækkes CV'et ofte på engelsk. Tjek jobopslagets sprog, og vælg samme sprog i dit CV; er du i tvivl, er engelsk sjældent en fejl i denne branche.
Én til to sider er standarden i Danmark. Nyuddannede og juniorer bør holde sig til én side, mens seniorer med flere relevante roller kan bruge to sider. Fjern ældre eller irrelevant erfaring frem for at presse alt ind på én overfyldt side.
Ja, det anbefales stærkt. Sæt links til GitHub og eventuelt Kaggle-profil lige under kontaktoplysningerne, så de er lette at finde. Sørg for, at profilerne er ryddet op, med gode README-filer og projekter, der viser hele processen fra data til resultat.
Et data analyst-CV vægter SQL, rapportering og BI-værktøjer som Power BI eller Tableau samt beskrivende analyse. Et data scientist-CV lægger mere vægt på maskinlæring, statistisk modellering, eksperimentdesign og modeller, der bygges og sættes i produktion. Overlap findes, men data scientist-CV'et bør vise dybere teknisk og matematisk kompetence.
Brug dette eksempel som inspiration. Tilpas det med dine erfaringer, og download en professionel PDF på få minutter. 100 % gratis.
Begynd at bygge dit CVDette CV-eksempel er tilgængeligt på 63 sprog:
English
Spanish
French
German
Italian
Polish
Ukrainian
Portuguese
Dutch
Czech
Swedish
Hungarian
Bulgarian
Norwegian
Finnish
Slovak
Croatian
Serbian
Lithuanian
Slovenian
Latvian
Estonian
Albanian
Macedonian
Belarusian
Icelandic
Greek
Turkish
Romanian
Russian
Chinese (Simplified)
Chinese (Traditional)
Japanese
Korean
Vietnamese
Thai
Indonesian
Malay
Filipino
Burmese
Khmer
Lao
Hindi
BengaliTamilTeluguMarathiGujaratiKannadaMalayalamPunjabi
Sinhala
Arabic
Persian
Urdu
Hebrew
Uzbek
Azerbaijani
Turkmen
Mongolian
GeorgianTibetan