Sea数据科学家简历与作品集指南2026

一句话总结

Sea的数据科学家岗位不是在找能写SQL的分析师，而是在找能用数据驱动业务决策的产品思维者。你的简历不是在证明技术栈，而是在证明你能解决Sea在东南亚高速扩张中遇到的具体问题：用户增长的局部最优、支付场景的反欺诈漏洞、游戏内购的转化瓶颈。HR在6秒内扫完前3行，如果看不到"在X场景下用Y方法提升了Z%"这样的句式，直接pass。正确的判断是：Sea不care你用过什么工具，care你解决过什么级别的问题。

适合谁看

这份指南适合三类人：第一类是有2-5年经验的数据科学家，正在从执行层向策略层转型，但简历还停留在"熟悉Python/Spark"的层面；第二类是来自传统行业（如金融、制造）的分析师，想进入Sea这样的互联网公司，但不知道如何把传统领域的经验翻译成互联网语言；第三类是Sea内部想转岗到数据科学团队的员工，需要重新包装自己的项目经历。

如果你是应届生，这份指南对你没用——Sea的数据科学岗位几乎不招应届生，他们需要能独立带项目的人。如果你是资深数据科学家（5年+），这份指南也对你没用——你需要的是直接找hiring manager聊业务愿景，而不是优化简历。

Sea的数据科学家需要什么样的简历

Sea的简历筛选不是看你有多少年经验，而是看你的经验和Sea的业务痛点匹配度有多高。Sea在东南亚的主要业务是Garena（游戏）、Shopee（电商）、SeaMoney（金融科技），每个业务线的数据科学需求完全不同。

Garena需要的是能优化用户留存和付费转化的数据科学家。例如，在《Free Fire》这样的手游中，如何通过A/B测试找到提升日活的最佳策略，或者如何用机器学习模型预测用户流失。Shopee需要的是能解决供应链效率和反欺诈问题的数据科学家。例如，如何通过需求预测减少商家的库存积压，或者如何识别刷单和虚假交易。SeaMoney需要的是能做风控和信用评分的数据科学家。例如，如何建立用户信用模型，提高贷款审批效率同时控制坏账率。

你的简历需要直接切中这些痛点。例如，如果你应聘Shopee的数据科学家岗位，你的简历应该突出你在电商领域的经验，比如"在某电商平台通过推荐算法提升了GMV 15%"，而不是泛泛地写"熟悉机器学习算法"。

> 📖 延伸阅读：Sea应届生SDE面试准备指南2026

如何在简历中展示业务影响

Sea的数据科学家面试中，最常被问到的问题不是"你用过什么模型"，而是"你的项目带来了什么业务影响"。这意味着你的简历需要量化你的成果，而且这个量化必须和业务指标直接相关。

例如，不是"构建了用户画像系统"，而是"通过构建用户画像系统，提升了广告投放的CTR 20%，为公司节省了100万美元的广告费用"。不是"优化了推荐算法"，而是"通过优化推荐算法，提升了用户在平台的停留时间30%，直接带动了日活从100万增长到130万"。

Sea的hiring manager在debrief会议上经常吐槽的一点是：很多候选人能说出自己做了什么，但说不出做这些事情的价值。例如，一个候选人可能在简历上写"使用XGBoost模型预测用户流失"，但在面试中无法回答这个模型为公司节省了多少成本或者带来了多少收入。这样的候选人通常会被pass掉。

正确的做法是，在每个项目描述中都包含三个要素：问题、方法、结果。例如：

  • 问题：电商平台的用户流失率高达40%，影响了GMV的增长。
  • 方法：使用XGBoost模型预测用户流失，并针对高流失风险用户推送个性化优惠券。
  • 结果：将用户流失率降低了15%，直接带动了GMV增长5%。

作品集应该包含什么

Sea的数据科学家岗位通常需要提交作品集（portfolio），尤其是对于资深岗位。作品集不是用来展示你的代码有多漂亮，而是用来展示你的思维过程和业务理解。

作品集应该包含2-3个项目，每个项目需要详细描述以下内容：

  1. 业务背景：为什么这个项目重要？它解决了什么业务问题？
  2. 数据收集和清洗：你使用了什么数据？如何处理缺失值和异常值？
  3. 探索性数据分析（EDA）：你发现了什么有意义的模式或趋势？
  4. 建模过程：你使用了什么模型？为什么选择这个模型？如何评估模型的性能？
  5. 业务影响：这个项目带来了什么业务价值？

例如，一个关于电商推荐系统的项目可以这样描述：

  • 业务背景：电商平台的推荐系统转化率低，需要提升用户购买意愿。
  • 数据收集和清洗：使用了用户浏览历史、购买历史和点击流数据，处理了缺失值和重复数据。
  • EDA：发现用户的购买行为与浏览历史高度相关，但推荐系统中仅有20%的推荐商品与用户历史行为相关。
  • 建模过程：使用了协同过滤和深度学习相结合的模型，通过A/B测试验证了模型的有效性。
  • 业务影响：推荐系统的转化率提升了25%，直接带动了GMV增长10%。

Sea的hiring manager在评估作品集时，最看重的是业务背景和业务影响。如果你的作品集中没有清晰地描述业务问题和业务价值，那么即使你的技术实现再复杂，也很难通过筛选。

> 📖 延伸阅读：Sea产品营销经理面试真题与攻略2026

如何应对Sea的面试流程

Sea的数据科学家面试流程通常包括4-5轮，每一轮的考察重点不同：

  1. 简历筛选（HR轮）：HR会在6秒内扫完你的简历，看是否有关键词匹配。例如，如果你应聘的是Shopee的数据科学家岗位，HR会寻找"电商"、"推荐系统"、"A/B测试"等关键词。如果没有找到，直接pass。
  1. 技术筛选（电话面）：这轮通常由数据科学团队的资深成员进行，主要考察你的技术能力。例如，可能会问你SQL查询、机器学习算法、统计知识等。例如，一个常见的问题可能是："如何设计一个A/B测试来验证新功能的效果？" 或者 "如何处理数据中的缺失值？"
  1. 业务面（Hiring Manager轮）：这轮由hiring manager进行，主要考察你的业务理解和项目经验。例如，可能会问你："在你的项目中，你如何确定业务目标？" 或者 "你如何衡量项目的成功？"。这轮面试中，hiring manager会深入探讨你的项目细节，看你是否真正理解业务问题。
  1. 跨部门面（Stakeholder轮）：这轮通常由产品、运营或工程团队的成员进行，主要考察你的沟通能力和跨部门协作经验。例如，可能会问你："如何与产品团队合作推动一个数据驱动的功能？" 或者 "如何向非技术团队解释你的数据分析结果？"
  1. 最终面（VP/Director轮）：这轮由高层管理者进行，主要考察你的战略思维和文化匹配度。例如，可能会问你："你如何看待数据科学在Sea的角色？" 或者 "你如何应对业务需求的快速变化？"

每一轮的时间通常为45-60分钟。在面试中，Sea的面试官特别看重候选人的业务思维和解决问题的能力。例如，在业务面中，如果你无法清晰地描述你的项目如何影响业务指标，那么即使你的技术能力很强，也可能会被pass掉。

薪资结构和谈判策略

Sea的数据科学家薪资结构通常包括base、RSU（限制性股票单位）和bonus三部分。具体数字如下：

  • Base薪资：取决于职级和经验。初级数据科学家（Data Scientist I）的base通常在$100K-$130K之间；中级数据科学家（Data Scientist II）的base通常在$130K-$180K之间；高级数据科学家（Senior Data Scientist）的base通常在$180K-$250K之间。
  • RSU：Sea的RSU通常在4年内线性归属。初级数据科学家的RSU可能在$50K-$100K之间；中级数据科学家的RSU可能在$100K-$200K之间；高级数据科学家的RSU可能在$200K-$400K之间。
  • Bonus：Sea的bonus通常为base薪资的10%-30%，具体取决于公司和个人表现。

在谈判薪资时，Sea通常会给出一个总包（total compensation），包括base、RSU和bonus。例如，一个高级数据科学家的总包可能在$300K-$700K之间。在谈判时，你需要明确每一部分的具体数字，而不是只关注总包。

Sea的薪资谈判通常在offer阶段进行。如果你收到offer，HR会给你一个总包数字，你可以要求拆分到base、RSU和bonus。例如，你可以要求增加base薪资，减少RSU，或者增加bonus的比例。Sea通常会有一定的灵活性，但需要看具体岗位和团队的预算。

如何在作品集中展示Storytelling能力

Sea的数据科学家需要具备强大的storytelling能力，因为你需要向非技术团队（如产品、运营、市场）解释你的数据分析结果。作品集是展示这种能力的绝佳机会。

例如，在一个关于用户流失预测的项目中，你可以这样展示storytelling能力：

  1. 背景：电商平台的用户流失率高达40%，影响了GMV的增长。团队需要找到高流失风险用户，并采取措施挽留他们。
  2. 数据探索：通过EDA，发现用户的流失与他们在平台的活跃度和购买频率高度相关。例如，活跃度低的用户流失率高达60%，而活跃度高的用户流失率仅为10%。
  3. 建模：使用XGBoost模型预测用户流失，模型的AUC达到0.85，能够有效识别高流失风险用户。
  4. 行动：针对高流失风险用户推送个性化优惠券，例如"满100减20"的优惠券，鼓励他们重新回到平台购买。
  5. 结果：将用户流失率降低了15%，直接带动了GMV增长5%。

在作品集中，你需要用图表和可视化来支持你的storytelling。例如，你可以用折线图展示用户流失率随时间的变化，用热力图展示用户行为的相关性，用ROC曲线展示模型的性能。

Sea的hiring manager在评估作品集时，会特别关注你是否能够清晰地讲述一个数据故事。如果你的作品集中只有代码和模型，没有业务背景和业务影响，那么即使你的技术实现再复杂，也很难通过筛选。

准备清单

  1. 简历关键词优化：确保简历中包含Sea业务相关的关键词，如"电商"、"游戏"、"金融科技"、"推荐系统"、"A/B测试"、"反欺诈"、"风控"等。系统性拆解面试结构（PM面试手册里有完整的Sea数据科学面试实战复盘可以参考）。
  1. 量化业务影响：每个项目描述都需要包含具体的业务指标和数字，例如"提升了GMV 15%"、"降低了用户流失率20%"等。
  1. 准备作品集：选择2-3个最相关的项目，详细描述业务背景、数据收集、EDA、建模过程和业务影响。确保作品集中包含图表和可视化。
  1. 练习SQL和算法题：Sea的技术面通常会考察SQL查询和机器学习算法。准备一些常见的SQL题目（如 JOIN、GROUP BY、窗口函数）和算法题（如回归、分类、聚类）。
  1. 准备业务问题：Sea的业务面会考察你的业务理解和项目经验。准备一些关于你的项目的问题，例如"你如何确定业务目标？"、"你如何衡量项目的成功？"等。
  1. 了解Sea的业务：在面试前，深入了解Sea的业务（Garena、Shopee、SeaMoney）和面临的挑战。例如，Shopee在东南亚的竞争对手有Lazada和Tokopedia，SeaMoney在金融科技领域的挑战包括反欺诈和信用评分。
  1. 薪资期望：在面试前，明确你的薪资期望，包括base、RSU和bonus。可以参考Glassdoor或Levels.fyi上的数据，但需要根据自己的经验和职级进行调整。

常见错误

错误1：简历写成技术 stack 清单

BAD: "熟悉Python, SQL, Spark, TensorFlow, PyTorch。有机器学习项目经验。"

GOOD: "在Shopee类电商平台，通过协同过滤+深度学习混合推荐模型，将商品点击率提升30%，GMV增长$12M/年。技术栈：Python, Spark, TensorFlow。"

不是A（技术列表），而是B（业务影响+技术支持）。

错误2：作品集只展示代码

BAD: GitHub上只有Jupyter Notebook，里面全是代码和数学公式，没有业务背景说明。

GOOD: 一个包含5页的PDF，第一页是业务问题（"东南亚用户支付成功率低20%"），第二页是数据探索（"发现70%的失败来自3个特定支付渠道"），第三页是解决方案（"用XGBoost预测失败概率，自动切换渠道"），第四页是结果（"支付成功率提升15%，Bad Debt减少$2.3M"），第五页是可视化图表。

不是A（代码展示），而是B（业务故事）。

错误3：面试中无法量化项目价值

场景：hiring manager在业务面中问："你那个用户分群项目，给公司带来了什么？"

BAD: "帮助产品团队更好地理解用户。"

GOOD: "将用户分为5个群体，针对高价值群体（占15%但贡献60%收入）推送个性化推荐，使ARPU从$8提升到$11，年化收入增长$45M。"

不是A（模糊描述），而是B（具体数字+业务指标）。

FAQ

Q: Sea的数据科学家面试会问LeetCode硬题吗？

不会。Sea的数据科学家面试更注重业务思维和实际问题的解决能力，而不是算法硬题。技术面可能会问一些SQL题目（如复杂JOIN、窗口函数）和机器学习基础题（如回归、分类、聚类），但不会问LeetCode上的硬题。例如，一个典型的SQL题目可能是："给定用户购买历史表和商品表，计算每个类别的top 3商品及其销售额。" 而机器学习题目可能是："如何设计一个A/B测试来验证新功能的效果？"。

Q: 没有Sea相关业务经验的人如何突破简历筛选？

将你的经验翻译成Sea的业务语言。例如，如果你在传统零售行业做过需求预测，可以这样写："在零售连锁店通过时间序列模型预测商品需求，减少库存积压20%，相当于为Shopee商家节省了$X的库存成本。" 如果你在金融行业做过风控，可以写："在信用卡部门建立反欺诈模型，降低坏账率15%，相当于为SeaMoney节省了$Y的损失。" Sea的HR和hiring manager在意的是你解决过的问题和业务影响，而不是行业本身。

Q: Sea的数据科学家岗位对学历有要求吗？

Sea的数据科学家岗位对学历没有严格要求，但更倾向于有相关硕士或博士学位的候选人。例如，如果你有计算机科学、统计学、数学或相关领域的硕士或博士学位，这会是一个加分项。但是，如果你有丰富的行业经验和出色的项目成果，即使没有高学历，也可能会被考虑。Sea更看重的是候选人的实际能力和业务影响，而不是学历背景。

准备好系统化备战PM面试了吗？

获取完整面试准备系统 →

也可在 Gumroad 获取完整手册。

相关阅读