數據分析履歷關鍵詞：招募方真正在看的是什麼
「數據」不是單一一種工作。一位替行銷團隊做儀表板的商業分析師、一位出貨流失預測模型的數據科學家，和一位建構前兩者都依賴的資料管線的分析工程師，做的是完全不同的工作——即使這三個人在 LinkedIn 上都可能自稱「數據人」。
一份沒有傳達出你是哪一種的履歷，讀起來就是通用、模糊，而在數據職缺的招募過程中，模糊的履歷很快就會被篩掉。這篇整理了依類型分類的關鍵詞群組，讓你的履歷讀起來就是你正在申請的那種數據角色。
為什麼數據職缺招募對類型特別敏感
一份職稱寫「Data Analyst」的職缺，在某家公司可能是做主管層級的儀表板；在另一家可能是跑實驗並解讀統計結果；在第三家可能是對著別人建好的資料倉儲寫 SQL。職稱本身透露的資訊很少——職責段落才會告訴你真正的答案。
一位整天泡在 dbt 裡的分析工程師，和一位整天泡在 scikit-learn 裡的數據科學家，都無疑是「數據」人，但如果用其中一種角色的語言去投遞另一種角色的履歷，即使底層能力很強，也會讀起來不對盤。
依數據類型分類的關鍵詞群組
商業與產品分析
這類職缺把產品和商業問題轉化成決策。重要的訊號不只是你懂哪些工具，而是你的分析有沒有真的改變了團隊的做法。
數據科學與機器學習
這類職缺看的是模型是否真的能在正式環境中運作，不只是有沒有做出來。驗證方法和商業影響，和建模技術本身一樣重要。
分析工程與資料工程
這類職缺建構其他數據角色都依賴的基礎設施。訊號是可靠度和規模——一個每天穩定運作的資料管線，比一次寫得很聰明的單次查詢更重要。
BI 與報表
這類職缺讓非分析師背景的人也能自己使用數據。訊號是自助分析的採用率和清晰度，不只是做了多少儀表板。
數據人常犯的關鍵詞錯誤
- 列工具卻沒有上下文——「熟悉 SQL、Python、Tableau」對招募經理來說，完全看不出你實際用這些工具做了什麼決策
- 用「做了什麼」而不是「成果是什麼」的語言——「做了一個儀表板」 vs. 「做了留存儀表板，促成主管團隊重新排定 onboarding 的優先順序」
- 模糊的模型主張——「做了一個預測模型」卻沒有驗證方法、成效指標，或說明因此改變了什麼
- 用錯類型的詞彙——在偏 BI 的職缺上主打機器學習建模語言（或反過來），會讓人覺得你不清楚這份工作實際在做什麼
如何找出你目標職缺真正需要的關鍵詞
讀職缺描述，並數一數：
- 職責段落描述的是建構基礎設施、跑分析、做模型，還是做儀表板？
- 有沒有明確點名特定工具，出現幾次？
- 成功是用出貨的模型、管線的 SLA、儀表板的採用率，還是實際做出的決策來衡量？
一份職缺描述裡「dbt」和「倉儲 schema」出現兩次，其實是掛著「Analyst」職稱的工程偏向職缺。要對齊職缺實際在描述的類型，而不是最上面寫的職稱。
想更全面了解 SaaS 各職能的關鍵詞，可參考： 2026 年 SaaS 職缺履歷關鍵詞指南。想知道如何把這套方法套用到實際的客製化過程，可參考： 如何客製化你的履歷。
常見問題
如果我主要用無程式碼的 BI 工具，還需要放 Python 和 SQL 嗎？
只放你真的能獨立上手使用的。如果你日常工作是用 Tableau 或 Looker，偶爾用 SQL 拉自訂資料，誠實寫「具備 SQL 應用能力」，會比寫一個未加註、在技術面試會被戳破的「SQL」來得好。
如果我做的是數據相關工作，但職稱是 Insights Analyst 或 Growth Analyst 怎麼辦？
職稱維持原樣，但在條列重點裡明確寫出你屬於哪一種類型——用的方法論、工具，以及你在回答哪一類問題。不同公司的職稱差異很大；招募經理和 ATS 篩選的都是工作內容的實質，不是職稱標籤。
統計方法要寫得多具體？
具體到能撐過追問。「用迴歸分析找出流失的驅動因素」是一個真實、可查證的說法。「運用進階統計技術」不是——對真正做這行的人來說，這種寫法一看就知道是在灌水。關於如何在不誇大的前提下精準客製化，可參考： 如何客製化你的履歷。
ApplyOrSkip
先確認這個數據職缺值不值得做客製化的功課
先取得適配度的判斷。如果這個職缺值得追，ApplyOrSkip 會在 Tailor Pack 中顯示你缺少哪一類型的關鍵詞，並生成針對性的履歷改寫。
評估這個職缺