資料分析師與 Data Science 履歷關鍵字：SQL、建模、指標與證據

把資料分析師和 data science 履歷關鍵字對到 SQL、Python、dashboard、建模、實驗、指標、業務問題和真實專案證據。

1. 先按分析訊號整理關鍵字

   資料分析和 data science 關鍵字通常包括工具、SQL/Python 資料處理、dashboard、指標、統計、實驗、建模、業務場景、跨部門溝通和決策影響。先分組，履歷才不會像關鍵字表格。

   可用 Prompt： 請根據這份資料分析職缺 JD，把履歷關鍵字分成：工具、SQL/資料處理、dashboard/BI、指標、業務場景、跨部門溝通、決策影響，並標註必備詞。
   表達示例： 產品分析職缺可能強調 SQL、漏斗分析、留存 cohort、實驗分析、dashboard 和產品決策支援。

2. 區分 data science 關鍵字和資料分析證據

   只有職缺或專案真的涉及建模、統計、實驗、特徵處理、notebook 或模型評估時，才使用 data science 關鍵字。資料分析履歷的主線仍是業務問題、SQL、dashboard、指標和決策；機器學習要能說清模型目的、驗證方式和業務使用。

   可用 Prompt： 請審稿這份履歷，把 data analyst 關鍵字和 data science 關鍵字分開。以 SQL、dashboard、指標、業務決策為核心；只有專案證據能支撐時，才保留建模、機器學習、實驗或特徵工程。
   表達示例： 不要只寫「機器學習」。可以寫：基於客戶流失標籤資料建立 churn-risk notebook，評估 precision/recall，並把結果用於留存觸達優先順序。

3. 如果搜的是 business analyst keywords，請轉到 BA 頁

   商業分析師關鍵字不是資料分析關鍵字的子集。如果目標職缺更強調需求、流程映射、UAT、系統、驗收標準或業務方決策，就應該使用 BA 關鍵字矩陣，並把資料工作寫成支援這些 BA 成果的證據。

   可用 Prompt： 請判斷這份職缺 JD 屬於 data analyst、business analyst、product analyst 還是混合職缺。如果是 BA 主導，把需求、流程、UAT、系統和業務方關鍵字移到商業分析師履歷關鍵字方案。
   表達示例： 本頁承接 SQL、dashboard、指標、實驗、建模和資料品質；BA 頁承接需求訪談、使用者故事、UAT 協調和流程改造。

4. 把 SQL 和 BI 工具對到真實產出

   SQL、Tableau、Power BI、Looker、Excel、Python、dbt 只有連到報表、dashboard、資料模型、資料管線或被使用的分析，才真的有用。

   可用 Prompt： 請把每個高優先級分析關鍵字對應到我履歷裡的證據。寫出資料集、工具、分析方法、使用方、產出和結果。缺證據的關鍵字標出來。
   表達示例： Power BI 可以寫成：建立營收 dashboard 支援業務週會，減少每週人工報表整理時間。

5. 用指標語言取代空泛 insight

   很多履歷寫「提供洞察」，但沒有說洞察是什麼。改成指標類型、業務問題、分析方法、使用方和支持的行動，會更像真實資料工作。

   可用 Prompt： 請重寫這些資料分析 bullet，包含指標類型、業務問題、方法、使用方，以及支持的決策或動作。保持事實不變，不要編造數字。
   表達示例： 弱表達：分析使用者資料。更強：按渠道分析 activation funnel，定位 onboarding 流失點，支援 growth team 規劃實驗 backlog。

6. 按目標職缺選擇分析同義詞

   不要每條都重複「分析、報表、dashboard、洞察」。依目標職缺選更準確的詞：報表分析、BI 分析、產品分析、行銷分析、營運分析、資料品質、指標監控或業務復盤。

   可用 Prompt： 請審稿我的資料分析履歷，為 analytics、reporting、dashboard、metrics、stakeholder work 選擇適合目標職缺的繁中表達。只保留我經歷能支撐的詞。
   表達示例： 週期性報表可寫「報表自動化」，產品成長可寫「漏斗分析」，資料鏈路可寫「資料品質監控」，業務會議可寫「指標復盤與決策支援」。

7. 寄出前檢查分析關鍵字堆砌

   寄出前刪掉無法完成面試任務的工具、重複指標詞，以及沒有專案支撐的機器學習或高階統計 claim。

   可用 Prompt： 請審稿這份資料分析履歷是否堆砌關鍵字。標出沒有證據的工具、空泛 insight、重複指標詞、業務影響太弱的經歷，以及應該從技能欄移到專案 bullet 的關鍵字。
   表達示例： 只有能說清模型目的、驗證方式和業務使用場景時，機器學習才值得保留。