Veri Bilimcisi CV Şablonu: Model Geliştiren Değil, Karar Ettiren Veri Bilimci Anlatısının Stratejik Anatomisi

Giriş: Veri Bilimci CV'si Neden Farklı Bir Anlatı İster?

Bir yazılım geliştiricinin CV'si ile bir veri bilimcinin CV'si aynı şablon üzerinden okunamaz. Geliştirici CV'sinde "ne geliştirdin, hangi mimariyi kurdun, kaç kullanıcıya ulaştın" sorularının cevapları yeterli görünür. Veri bilimci için bunlara ek olarak şu sorular devreye girer: Hangi problemi modelledin, hangi kararı mümkün kıldın, hangi belirsizliği azalttın? İş ilanlarının çoğu "Python, SQL, Makine Öğrenmesi Mühendisi Mülakat Soruları: Teknik ve Teorik Hazırlık Rehberi" data-seo-auto-link="true">makine öğrenmesi" listeler; ATS Nasıl Çalışır? Aday Takip Sisteminin Arkasındaki Mantık ve CV Hazırlığın Gerçek Kuralları" data-seo-auto-link="true">işe alım yöneticileri ise asıl olarak şunu arar: Bu kişi sadece teknik olarak model kurabilen biri mi, yoksa iş problemini anlayıp o modeli iş sonucuna çevirebilen biri mi? İkisi arasındaki fark, CV'nin tonunda ve yapısında kendini gösterir.

Bu yazı, veri bilimci CV şablonunun hangi bölümlerden oluşması gerektiğini, her bölümde hangi anlatının kurulacağını ve ATS filtrelerinin gözünden hangi ifadelerin nasıl göründüğünü ele alıyor. Hedef, "Python, pandas, sklearn bilirim" satırlarından okuyucuyu ikna eden bir portföye geçiş yapmanızı sağlamak.

Veri Bilimci CV Şablonunun Temel Yapısı

Bir veri bilimci CV şablonu aşağıdaki bölümlerin sırasıyla yer aldığı yapıyı temel alır. Sıralama, kariyer evresine göre küçük değişiklikler gösterebilir; ancak temel bloklar çoğunlukla aynı kalır:

• İletişim bilgileri ve kişisel bilgi
• Profesyonel özet
• Teknik yetkinlikler
• İş deneyimi
• Projeler
• Yayınlar ve araştırma (varsa)
• Eğitim
• Sertifikalar
• Konuşmalar, ödüller, topluluk katkıları (varsa)

Bu sıralama geliştirici CV'sinden çok da farklı görünmüyor. Fark, her bölümün içinde nasıl bir anlatı kurduğunuzda başlıyor.

İletişim ve Kişisel Bilgiler

Veri bilimci için LinkedIn profilinin yanı sıra kişisel bir portföy sitesi veya GitHub hesabı, CV'deki iletişim bloğunda kendine yer bulmalı. E-posta adresinin profesyonel görünmesi, telefon numarasının güncel olması ve konum bilgisinin şehir bazlı verilmesi yeterlidir. Fotoğraf eklemek çoğu uluslararası şirket için tercih meselesidir; ekleyecekseniz arka planı sade, profesyonel bir kare olmasına dikkat edin.

Veri bilimci CV şablonları içinde LinkedIn dışında Kaggle profiline de yer vermek, özellikle yarışma deneyimi olan adaylar için güçlü bir sinyaldir. Ancak linkler aktif ve güncel olmalı; uzun süredir güncellenmemiş bir profil, hiç olmamasından daha zayıf bir izlenim bırakabilir.

Profesyonel Özet: "Model Geliştiririm" Demekten "Karar Ettiririm" Anlatısına

Veri bilimci CV'lerinin en çok sıkıştığı bölüm profesyonel özettir. Sık karşılaşılan açılış şöyle olur: "Veri bilimi alanında dört yıllık deneyime sahip, Python ve makine öğrenmesi konusunda yetkin bir veri bilimciyim." Bu cümle, doğru olsa da hiçbir ayrıştırıcı bilgi taşımaz.

Daha güçlü bir özet, hangi iş problemleri üzerinde çalıştığınızı, hangi ölçekte etki yarattığınızı ve hangi araçlarla çalıştığınızı tek paragrafta birleştirir. Şöyle bir özet, üç unsuru bir araya getirir: Sektör, problem türü ve teknik yığın.

Perakende ve fintech sektörlerinde müşteri segmentasyonu, churn tahmini ve öneri sistemleri üzerine çalışan; SQL, Python ve bulut tabanlı makine öğrenmesi altyapılarıyla uçtan uca model geliştirme deneyimine sahip veri bilimci.

Burada herhangi bir unsurun eksik olması, özetin "jenerik" görünmesine yol açar. Profesyonel özet, CV'nin diğer bölümlerinin ne anlattığını tek cümleyle çerçeveleyen bir giriş gibi çalışır.

Teknik Yetkinlik Bölümü: Listeyi Değil, Yapıyı Göstermek

Veri bilimci CV'lerinin en mühim ayrıştırıcı bölümlerinden biri teknik yetkinliklerdir. Ancak buradaki yaygın hata, onlarca aracı tek bir paragrafta sıralamaktır. ATS ve insan okuyucu, o listeden aynı şeyi çıkarmaz; okunabilirlik de hızla düşer.

Bunun yerine yetkinlikleri kategorilere ayırmak, hem okunabilirliği hem ATS eşleşmesini artırır. Aşağıdaki kategoriler, çoğu pozisyon için geçerli bir çerçevedir.

Programlama Dilleri ve Kütüphaneler

• Python (pandas, NumPy, scikit-learn, PyTorch, TensorFlow)
• SQL (PostgreSQL, BigQuery)
• R (istatistiksel modelleme ve raporlama)

Sadece "Python" yazmak yerine kullandığınız kütüphaneleri belirtmek, deneyiminizin derinliği hakkında ipucu verir. Ancak her satıra tüm kütüphaneleri doldurmak da abartılı bir izlenim yaratır. İş ilanındaki gereksinimlerle eşleşen, gerçekten kullandığınız araçları yazmak en sağlıklısıdır.

İstatistik ve Matematik Temeli

Bu kategori, çoğu veri bilimci CV'sinde ya hiç yer almaz ya da "istatistik bilgisi" gibi genel bir ifadeyle geçiştirilir. Oysa işe alım yöneticileri, özellikle hipotez testi, deney tasarımı, regresyon ve olasılık konularındaki somut deneyimi görmek ister. Şu şekilde bir alt başlık işe yarar:

• A/B testi tasarımı ve istatistiksel anlamlılık analizi
• Regresyon, sınıflandırma, kümeleme modelleri
• Zaman serisi analizi ve tahminleme
• Bayesian yaklaşımlar (uygulama düzeyinde)

Makine Öğrenmesi ve Derin Öğrenme

Burada anahtar mesele, model isimlerinden çok ne tür problemlerde uygulandıklarıdır. "XGBoost, Random Forest, BERT kullandım" satırı yerine, "tabular veride sınıflandırma, metin verisinde dil modeli ince ayarı, üretim ortamında model dağıtımı" gibi problem odaklı bir yazım, hem insan hem makine okuyucu için daha anlamlıdır. Bir modelin hangi koşullarda, hangi veri tipiyle, hangi değerlendirme ölçütüyle kullanıldığı, modelin adından daha değerlidir.

Büyük Veri ve Bulut Araçları

Spark, Hadoop, BigQuery, Redshift, Snowflake gibi veri tabanı ve işleme araçları; AWS Sagemaker, Vertex AI, Azure ML gibi platformlar, veri bilimcinin çalıştığı ölçeği gösterir. Hangi düzeyde kullandığınızı belirtmek, yine "jenerik liste" tuzağından kurtarır. Örneğin, "Spark ile veri ön işleme" ile "Spark üzerinde dağıtık model eğitimi" aynı yetkinlik değildir.

Görselleştirme ve Raporlama

Tableau, Power BI, Looker, Streamlit, Plotly, Matplotlib gibi araçlar bu kategoride yer alır. İşveren için kayda değer olan, veri bilimcinin sadece model üretip bırakmadığı, sonucu ilgili paydaşlara görsel olarak aktarabildiğidir. Bu beceri satırı, "iletişim becerisi" gibi yumuşak bir cümlenin somut karşılığıdır.

Deneyim Bölümü: Veri Bilimi İşlerini Etki Odaklı Yazmak

Veri bilimci CV şablonunun en kritik bölümü iş deneyimidir. Burada en sık düşülen hata, her iş için görev tanımı yazmak ve sonuçları ölçmeden bırakmaktır. "Churn tahmin modeli geliştirdim" cümlesi tek başına bir anlatı değil; bir cümle sonrasında "bu model müşteri kaybını azalttı ya da erken müdahale sürecini mümkün kıldı" gelmediği sürece etkisiz kalır.

Görev Tanımı Yerine Proje Anlatısı

Her pozisyon için 3-5 madde yazılması önerilir. Her maddenin bir proje veya girişimi anlatması, o projenin hangi problemi çözdüğünü, hangi yöntemle çalıştığını ve hangi sonucu ürettiğini içermesi beklenir. Aşağıdaki yapı, bu anlatıyı kurmak için bir iskelet sunar:

• Problem: Ne tür bir iş kararı için çalışıldı?
• Yaklaşım: Hangi veri kaynakları, hangi model ailesi, hangi değerlendirme metrikleri kullanıldı?
• Sonuç: Modelin iş üzerindeki etkisi, ürün davranışı, gelir değişimi veya müşteri deneyimine etkisi
• Sahiplik: Model canlıya alındı mı, kimler kullandı, ne sıklıkla yeniden eğitildi?

Bu dörtlü, hem teknik derinliği hem iş etkisini aynı anda gösterir. Sadece birincisi yazılırsa CV "akademik özgeçmiş" tonuna kayar; sadece sonuncusu yazılırsa "pazarlama metnine" dönüşür. İkisinin dengesi, ayrıştırıcı noktadır.

İş Etkisi Nasıl Ölçülür?

Veri bilimi projelerinin etkisi, yazılım projelerinden farklı ölçülür. Bir web uygulaması için "sayfa yükleme süresi belirgin şekilde azaldı" denilebilir. Veri bilimi için etki, ekseriyetle şu eksenlerden birinde yer alır:

• Gelir etkisi: Öneri sistemi satışları artırdı
• Maliyet etkisi: Sahtekârlık tespit modeli manuel inceleme yükünü azalttı
• Müşteri deneyimi: Churn tahmin modeli sayesinde erken müdahale edilen segmentte ayrılma oranı düştü
• Operasyonel verim: Talep tahmini sayesinde stok maliyeti azaldı
• Karar kalitesi: A/B test çerçevesi ile hayata geçirilen ürün kararları

Burada önemli olan, bu etki ifadelerinin gerçek ve doğrulanabilir olmasıdır. Elinizde somut bir metrik yoksa, etkiyi davranışsal bir ifadeyle anlatmak daha dürüstçe kalır: "Model, manuel inceleme ekibinin iş yükünü belirgin şekilde azalttı, süreç yeniden tasarlandı" gibi. Tahminî ya da muğlak rakamlar, güvenilirliği zayıflatır.

Model Performansı mı, İş Sonucu mu?

Veri bilimci adaylarının önemli bir kısmı, iş deneyimi maddelerinde yalnızca model performans metrikleri yazar: ROC-AUC, F1, precision, recall. Bu metrikler teknik olarak değerlidir, ancak işe alım yöneticisinin gözünde tek başlarına anlam taşımaz. Bir ROC-AUC değerinin "iyi" olup olmadığı, probleme ve iş bağlamına göre değişir.

Bu yüzden her teknik metrikten sonra kısa bir "iş karşılığı" cümlesi eklemek yararlıdır. Örneğin, "ROC-AUC değeri 0,87 olan model, canlıya alındıktan sonra sahtekârlık yakalama oranını önceki kural tabanlı sistemin ötesine taşıdı" gibi bir cümle, teknik derinliği iş etkisine bağlar. Bu tür köprü cümleleri, veri bilimci CV şablonlarının fark yaratan küçük detaylarından biridir.

Proje Bölümü: Kaggle, Yan Projeler ve Portföy

Veri bilimci CV'lerinin çoğunda "Projeler" bölümü ya hiç yoktur ya da "Kaggle yarışmalarına katılıyorum" gibi tek satırlık bir ifadeyle geçilir. Oysa bu bölüm, özellikle sektör deneyimi az olan adaylar için fark yaratan bir portföydür.

Hangi Projeler Yer Almalı?

Bir veri bilimci portföyünde şu tür projeler dengeli biçimde yer alabilir:

• Uçtan uca bir veri bilimi projesi: Veri toplama, temizleme, modelleme, değerlendirme ve dağıtım aşamalarının tümünü içeren bir örnek
• Yarışma performansı: Kaggle veya benzeri platformlarda elde edilen derece veya üst dilim sıralaması
• Yayınlanmış bir analiz: Bir veri seti üzerine yapılmış, GitHub'da README ile anlatılmış keşifsel analiz
• Blog yazısı veya açık kaynak katkısı: Model incelemesi, kütüphane katkısı veya eğitim materyali

Burada amaç, mümkün olduğunca farklı proje türlerini sergilemek değil, başvurulan rolün gerektirdiği becerileri örnekleyen 3-5 güçlü proje göstermektir.

Projeyi Tek Satırda mı, Detaylı mı?

CV'nin kendisinde projelerin her biri 2-4 satırla nir. Detaylı açıklama, README veya portföy sitesine yönlendirilen bir bağlantıda yer alır. Bu ayrım, CV'nin okunabilir kalmasını sağlarken derinlik merak eden okuyucuya daha fazla malzeme sunar. Her projenin yanında, kullanılan veri seti, model ailesi ve değerlendirme ölçütü kısaca belirtilmelidir.

Yayınlar ve Araştırma: Akademik Geçmişi Endüstriyle Konuşturma

Akademik geçmişten gelen veri bilimciler için en kritik soru, yayınların ve araştırma deneyiminin CV'de nasıl konumlandırılacağıdır. Akademik CV'lerde yayın listesi uzun, detaylı ve kronolojiktir. Endüstri CV'sinde ise bu liste, başvurulan rolle doğrudan ilgili olan birkaç başlıkla sınırlandırılmalıdır.

Yayınlar bölümünde şu yapı işe yarar:

• Başlık, yazarlar, dergi veya konferans, yıl
• Tek satırlık uygulama özeti: Yayının hangi iş problemiyle ilişkisi olduğu
• Atıf sayısı, yalnızca anlamlı düzeydeyse

Patentler, açık kaynak katkıları, konferans konuşmaları da benzer şekilde nir. Akademik yayınların uzun listesi CV'nin ana gövdesinde yer almak yerine, bir "tam liste" bağlantısıyla (Google Scholar, ORCID, kişisel site) desteklenebilir.

Eğitim ve Sertifikalar

Veri bilimci CV şablonlarında eğitim, kıdemli pozisyonlar için 2-3 satırda nir; yeni mezunlar içinse daha görünür bir yere taşınır. Eğitim bölümünde üniversite, bölüm, derece, yıl ve (varsa) tez başlığı yer alır.

Eğitim Bölümünde Nelere Yer Verilir?

• Ana derece (lisans, yüksek lisans, doktora)
• Akademik projeler, tez konusu, danışman
• İlgili dersler veya uzmanlık alanları (makine öğrenmesi, istatistiksel modelleme, optimizasyon gibi)
• Onur listesi, burs veya ödül (varsa)

Eğitim, deneyimden az olduğu durumlarda CV'nin üst kısmına taşınabilir. Bu, kariyer evresine göre değişen yaygın bir pratiktir.

Sertifikaların Sunumu

AWS Certified Data Analytics, Google Professional Data Engineer, TensorFlow Developer Certificate gibi sertifikalar, bazı pozisyonlarda ayrıştırıcı olabilir. Ancak sertifika listesi, içinde gerçek bir proje deneyimi barındırmıyorsa CV'yi "sertifika koleksiyoncusu" gibi gösterebilir. Bu yüzden her sertifikanın yanına, kısa bir uygulama notu eklemek yararlıdır: "Bu sertifika sürecinde X projesini gerçekleştirdim" gibi bir cümle, sertifikayı sahiplenilmiş bir beceriye dönüştürür.

ATS Uyumu: Anahtar Kelimeleri Doğal Yerlere Yerleştirmek

Veri bilimci CV'leri de diğer tüm CV'ler gibi ATS (Aday Takip Sistemi) filtresinden geçer. ATS'nin gözünden bakıldığında birkaç temel kural belirginleşir:

• İş ilanındaki teknik kelimeler, CV'de birebir aynı biçimiyle yer almalıdır. Örneğin ilan "Python, SQL, scikit-learn" yazıyorsa, CV'de "sklearn" gibi kısaltma faydalanmak eşleşmeyi zayıflatabilir.
• Teknik kelimeler, profesyonel özet, yetkinlikler ve deneyim bölümlerinin tümünde doğal biçimde geçmelidir. Yalnızca bir bölüme yığılması "anahtar kelime doldurması" olarak algılanabilir.
• Tablo, ikon, renkli grafik, görsel gibi öğeler ATS tarafından okunmayabilir. Bu yüzden CV'nin özü, düz metin olarak da anlam taşımalıdır.
• PDF formatı çoğu ATS tarafından tercih edilir; ancak sistem bazında DOCX isteniyorsa ona uyulmalıdır.

Bu kurallar, içeriğin kalitesinden bağımsız olarak CV'nin ilk filtreyi geçmesini sağlayan teknik temeldir.

Sık Yapılan Hatalar

Veri bilimci CV'lerinde tekrar eden hataların başında şunlar gelir:

• Teknik kelimelerin sıralandığı, ancak proje anlatısının kurulmadığı yetkinlik blokları
• Akademik yayınların iş başvurusunda olduğu gibi sunulması, iş etkisinin görünür kılınmaması
• Model metriklerinin iş karşılığı olmadan yazılması
• CV'de her aracın sıralanması, derinlik sinyali veren bilgilerin gizlenmesi
• "Makine öğrenmesi tutkusu" gibi kişisel ifadelerin fazlaca yer kaplaması
• Linklerin çalışmaması, portföy sitelerinin güncel olmaması

Bu hatalar, CV'nin ilk okumada elenmesine yol açabilir; ancak her biri düzeltilebilir niteliktedir. Kritik olan, CV'yi başvurmadan önce bu kontrolleri bilinçli yapmaktır.

Son Kontrol Listesi

Bir veri bilimci CV'sini göndermeden önce şu maddeler gözden geçirilebilir:

1. Profesyonel özet, sektör ve problem türü belirtiyor mu?
2. Teknik yetkinlikler, kategoriye ayrılmış ve iş ilanıyla eşleşiyor mu?
3. Her iş deneyimi maddesi, problem-yaklaşım-sonuç-sahiplik çerçevesinde mi?
4. Model performans metriklerinin yanında iş karşılığı yazılmış mı?
5. Proje bağlantıları açık ve içerik güncel mi?
6. Akademik yayınlar, başvurulan rolle ilgili olanlarla mı sınırlandırılmış?
7. Eğitim ve sertifikalar, sahiplik ve uygulama notlarıyla mı desteklenmiş?
8. ATS uyumu için anahtar kelimeler doğal yerlere yerleştirilmiş mi?
9. PDF veya DOCX formatı, ilana uygun mu?
10. CV tek sayfa (kıdemli başvurular için en fazla iki sayfa) sınırında mı?

Sonuç: CV'niz Sizin Ürününüzdür

Veri bilimci CV şablonu, içinde bulunduğunuz kariyer evresine göre küçük değişiklikler gösterir; ancak anlatının temel mantığı sabittir: Hangi problemleri çözdüğünüz, hangi kararları mümkün kıldığınız ve hangi araçlarla çalıştığınız, CV'nin ana eksenini oluşturur. Teknik araç listesi bu ekseni tamamlar, tek başına taşıyamaz.

İyi hazırlanmış bir veri bilimci CV'si, model performansından iş sonucuna uzanan bir köprü kurar. Bu köprüyü her başvuruda, başvurduğunuz pozisyona göre yeniden inşa etmek gereklidir. Aynı CV'yi farklı rollere göndermek, çoğu zaman zayıf bir eşleşme izlenimi yaratır. CV'nin her başvuruda ilanın diliyle konuşması, gönderim öncesinde harcanan kısa sürenin karşılığını fazlasıyla verir.

Veri bilimci CV şablonu hazırlarken, her bölümde "bu bilgi okuyucuyu benimle görüşme yapmaya ikna eder mi?" sorusunu sormak, içeriğin fazlalıklarını ayıklamak için güçlü bir filtredir. Cevabı net olmayan her satır ya somutlaştırılır ya da çıkarılır. Sonuçta CV, sizin ürününüzdür; okuyucu da onu kullanan bir kullanıcıdır. Kullanıcıyı tanımayan ürün, ne kadar çok özelliğe sahip olursa olsun amacına ulaşmaz.