Data Scientist 이력서를 위한 ATS 최적화 체크리스트

2034년까지 36%의 예상 일자리 성장률과 연간 20,800개의 채용 공고로, 데이터 과학은 미국 노동 시장에서 가장 빠르게 성장하는 분야 중 하나로 남아 있습니다^[1]. 그러나 역설은 뚜렷합니다: 수천 명의 자격을 갖춘 데이터 과학자가 사람 검토자에게 도달하지 못하는 이력서를 제출합니다. ATS(Applicant Tracking System)는 채용 담당자가 단일 불릿 포인트를 보기도 전에 지원자를 파싱, 점수화, 필터링합니다 — 사람 독자를 위해 만들어진 이력서는 알고리즘 관문에서 일상적으로 실패합니다. ATS 파싱에 최적화된 이력서는 수준을 낮춘 이력서가 아닙니다. 기계가 읽을 수 있는 형식을 통해 동일한 기술적 깊이를 전달하는 정밀하게 구조화된 문서입니다. 이 가이드는 ML 직무로 전환하는 입문 수준 분석가부터 연구 팀을 이끄는 시니어 과학자까지, 모든 경력 단계의 데이터 과학자를 위한 체계적인 섹션별 체크리스트를 제공합니다.

핵심 요약

• ATS 시스템은 시각적 디자인이 아닌 일반 텍스트 구조를 파싱합니다 — 다열 레이아웃, 텍스트 상자, 머리글/바닥글, 삽입된 이미지는 Workday, Greenhouse, Lever 같은 주요 플랫폼에서 파싱을 깨뜨리고 키워드 추출 실패를 일으킵니다.
• 키워드 밀도가 중요하지만 맥락이 더 중요합니다 — 스킬 섹션에 "machine learning"을 한 번 나열하는 것보다 요약, 경력 불릿, 프로젝트 설명에 걸쳐 구체적인 프레임워크(scikit-learn, TensorFlow, PyTorch)와 측정 가능한 결과를 보여주는 것이 더 효과적입니다.
• 데이터 과학 이력서는 이중 최적화가 필요합니다 — 기술 키워드(Python, SQL, Spark)가 비즈니스 영향 언어(매출 증가, 비용 절감, 예측 정확도)와 공존해야 합니다. ATS 점수화는 종종 기술 매칭과 시니어리티 신호 모두에 가중치를 부여합니다.
• 스킬 섹션은 키워드 앵커입니다 — 카테고리별 그룹(Languages, ML Frameworks, Cloud Platforms, Visualization)에 20-30개의 관련 용어가 포함된 잘 구조화된 스킬 섹션은 ATS 시스템에 파싱할 집중된 키워드 블록을 제공하면서 사람에게도 스캔 가능합니다.
• 파일 형식과 이름 지정 규칙이 파싱 성공에 영향을 미칩니다 — 공고에서 명시적으로 PDF를 요청하지 않는 한 .docx로 제출하십시오. resume_final_v3.docx 대신 FirstName_LastName_Data_Scientist_Resume.docx로 이름을 지정하여 ATS 인덱싱과 리크루터 검색을 모두 돕습니다.

Data Scientist를 위한 주요 ATS 키워드

ATS 시스템은 이력서를 채용 공고의 키워드 프로필에 대해 매칭합니다. 다음 용어는 기술, 금융, 의료, 소매 분야의 데이터 과학자 공고에서 가장 자주 나타납니다. 볼드 용어는 거의 보편적이며, 나머지는 도메인에 따라 다릅니다.

프로그래밍 및 쿼리 언어

Python, R, SQL, Scala, Julia, SAS, MATLAB, Bash/Shell scripting, NoSQL (MongoDB, Cassandra)

머신 러닝 및 AI

Machine learning, deep learning, natural language processing (NLP), computer vision, reinforcement learning, transfer learning, ensemble methods, gradient boosting (XGBoost, LightGBM), neural networks, transformer models, large language models (LLMs), generative AI

프레임워크 및 라이브러리

TensorFlow, PyTorch, scikit-learn, pandas, NumPy, Keras, Hugging Face, spaCy, NLTK, SciPy, Matplotlib, Seaborn, Plotly, OpenCV, JAX, MLflow

데이터 엔지니어링 및 인프라

Apache Spark, Hadoop, Kafka, Airflow, dbt, ETL/ELT pipelines, data warehousing, Snowflake, Databricks, BigQuery, Redshift

클라우드 및 MLOps

AWS (SageMaker, S3, EC2, Lambda), GCP (Vertex AI, BigQuery), Azure (Azure ML, Synapse), Docker, Kubernetes, CI/CD, MLOps, model deployment, model monitoring, feature engineering, feature stores, experiment tracking

분석 및 시각화

A/B testing, statistical modeling, hypothesis testing, Bayesian inference, causal inference, data visualization, Tableau, Power BI, Looker, Jupyter notebooks, exploratory data analysis (EDA)

도메인별

Recommendation systems, time series forecasting, anomaly detection, fraud detection, clinical trials analysis, risk modeling, customer segmentation, churn prediction, demand forecasting, propensity modeling

전략: 이 전체 목록을 이력서에 붙여넣지 마십시오. 각 공고의 요건을 교차 참조하고, 해당 채용 공고에 나타나는 15-20개 용어를 식별하여 경력 불릿, 스킬 섹션, 요약에 자연스럽게 녹여 넣으십시오. ATS 시스템은 키워드 스터핑을 표시합니다 — 용어는 의미 있는 맥락에서 나타나야 합니다.

이력서 형식 요건

ATS 파서는 텍스트 추출 엔진이지 시각적 프로세서가 아닙니다. 사람에게 세련되어 보이는 형식 선택이 파싱된 출력을 완전히 손상시킬 수 있습니다.

파일 형식

• 기본 형식으로 .docx를 제출하십시오. 대부분의 ATS 플랫폼(Workday, iCIMS, Greenhouse, Lever)은 PDF보다 Word 문서를 더 높은 충실도로 파싱합니다. 공고에서 명시적으로 요청하거나 지원 포털에서 PDF를 지정하는 경우에만 PDF를 제출하십시오.
• .pages, .odt, .rtf 또는 이미지 기반 형식은 절대 제출하지 마십시오. Google Docs 내보내기는 때때로 인코딩 아티팩트를 도입합니다 — 항상 .docx로 내보내고 확인하십시오.

레이아웃 및 구조

• 단일 열 레이아웃만 사용하십시오. 2열 및 사이드바 디자인은 ATS 파서가 다른 열의 텍스트를 교차시켜 "Python 5 years TensorFlow 3 years" 같은 왜곡된 출력을 생성합니다.
• 표준 섹션 제목을 사용하십시오. 정확한 관례적 제목 사용: "Professional Experience," "Education," "Skills," "Projects," "Certifications." "Where I've Made Impact," "My Toolbox" 같은 창의적 대안은 제목 감지 알고리즘에 실패합니다.
• 텍스트 상자, 표 또는 그래픽 없음. ATS 파서는 텍스트 상자 내 콘텐츠를 완전히 건너뜁니다. 표는 셀별이 아닌 행별로 파싱되어 정보가 뒤섞일 수 있습니다. 스킬 수준 막대 차트와 숙련도 그래프는 파서에 보이지 않습니다.
• 중요 정보에 머리글/바닥글 사용 금지. 많은 ATS 플랫폼은 파싱 중 머리글과 바닥글을 제거합니다. 이름과 연락처 정보는 메인 문서 본문에 있어야 합니다.

글꼴 및 인코딩

• 표준 글꼴 사용: Calibri, Arial, Cambria, Times New Roman 또는 Garamond, 10-12pt. 장식적이거나 드문 글꼴은 대체 문자로 렌더링될 수 있습니다.
• 섹션 제목에 특수 문자 피하기. 표준 불릿 포인트를 사용하고 맞춤 기호는 사용하지 마십시오.
• 문자 손상을 방지하기 위해 UTF-8 인코딩으로 저장하십시오.

길이

• 데이터 과학 직무 경력이 5년 미만인 지원자는 1페이지.
• 5년 이상 경력, 다수의 출판물, 또는 상당한 프로젝트 포트폴리오를 가진 시니어 데이터 과학자, ML 엔지니어, 연구 과학자는 2페이지.
• 2페이지를 초과하면 ATS 점수화에 거의 도움이 되지 않으며 사람 검토자를 실망시킵니다.

전문 경력 최적화

ATS 점수화 알고리즘은 경력 불릿을 키워드 존재, 정량화된 영향, 행동 동사 강도로 평가합니다. 데이터 과학 직무는 특정 조합을 요구합니다: 기술적 방법론과 비즈니스 결과. 모든 불릿은 행동 동사 + 기술적 방법 + 비즈니스 맥락 + 정량화된 결과 패턴을 따라야 합니다.

강한 불릿 예시

모델 개발 및 배포

• XGBoost와 Python을 사용하여 gradient-boosted 이탈 예측 모델을 구축 및 배포하여, 240만 구독자 계정에서 고객 이탈을 18% 줄이고 연간 $3.2M을 절감
• PyTorch와 AWS SageMaker를 사용하여 실시간 추천 엔진을 설계 및 프로덕션화하여, 5,000만 건 이상의 일일 거래에서 평균 주문 금액을 14% 증가
• Hugging Face와 spaCy를 사용하여 transformer 기반 NLP 파이프라인을 개발하여 계약 검토를 자동화하고, 연간 15,000건 이상의 문서에서 법무팀 처리 시간을 62% 단축

데이터 인프라 및 규모

• Apache Spark, Airflow, MLflow를 사용하여 엔드투엔드 ML 파이프라인을 설계하고, 일일 4TB의 이벤트 데이터를 처리하며 모델 재훈련 주기를 2주에서 6시간으로 단축
• 레거시 SAS 모델을 GCP Vertex AI의 Python/scikit-learn으로 마이그레이션하여, 인프라 비용을 40% 절감하면서 예측 정확도를 78%에서 91% AUC로 향상
• Databricks와 Delta Lake를 사용하여 4개 데이터 과학 팀의 12개 프로덕션 모델에 200개 이상의 피처를 제공하는 feature store를 구축하여, 피처 엔지니어링 중복을 70% 감소

실험 및 분석

• Bayesian inference와 causal impact 방법을 사용하여 45건 이상의 A/B 테스트를 설계 및 분석하고, 가격 및 UX 최적화를 통해 연간 $8.7M의 점진적 매출 증대를 달성
• 동적 광고 배치 최적화를 위한 multi-armed bandit 프레임워크를 개발하여, 전통적 A/B 테스트 대비 클릭률을 23% 향상하고 실험 시간을 35% 단축
• 6개 ML 모델의 예측을 통합한 경영진용 Tableau 대시보드를 만들어, $200M 제품 라인의 데이터 기반 분기별 계획 수립을 지원

의료 / 금융 / 산업 간

• Prophet과 LSTM 네트워크를 사용하여 14개 병원 시설의 ICU 병상 수요를 예측하는 시계열 예측 모델을 구축하여, 피크 기간 동안 자원 배분 정확도를 31% 향상
• isolation forests와 autoencoders를 사용하여 사기 탐지용 이상 감지 시스템을 개발하여, 94% 정밀도와 2% 오탐률로 $12M의 의심 거래를 표시
• EHR 데이터(500K+ 환자 기록)에 random forests와 logistic regression을 사용하여 환자 재입원 리스크 모델을 구축하여, 30일 재입원율을 11% 줄이고 CMS 페널티에서 $4.2M을 절감

피해야 할 약한 불릿

• "머신 러닝 모델을 담당" — 구체성 없음, 결과 없음
• "데이터 분석에 Python과 SQL을 사용" — 영향을 보여주지 않고 도구를 설명
• "빅 데이터 프로젝트에 참여" — 모호한 범위, 정량화 없음
• "팀의 다양한 데이터 과학 업무를 도움" — 수동적, 정의되지 않은 기여

스킬 섹션 전략

스킬 섹션은 이력서에서 가장 키워드 밀도가 높은 영역입니다. ATS 파서는 스킬 섹션 매칭에 높은 가중치를 부여합니다. 이 섹션은 자기 선언된 역량을 나타내기 때문입니다. 기계 파싱과 사람 스캔 모두를 위해 구성하십시오.

권장 형식

Technical Skills
  Programming: Python, R, SQL, Scala, Bash
  ML Frameworks: TensorFlow, PyTorch, scikit-learn, XGBoost, Keras, Hugging Face
  Data Engineering: Apache Spark, Airflow, Kafka, dbt, Snowflake, Databricks
  Cloud & MLOps: AWS (SageMaker, S3, Lambda), GCP (Vertex AI, BigQuery), Docker, MLflow
  Visualization: Tableau, Power BI, Matplotlib, Plotly, Jupyter
  Methods: Deep Learning, NLP, Computer Vision, A/B Testing, Bayesian Inference,
           Time Series Forecasting, Feature Engineering, Causal Inference

가이드라인

• 스킬을 4-6개 그룹으로 카테고리화하십시오. 30개 이상의 평면 목록은 ATS와 사람 모두 파싱하기 어렵습니다. 논리적 그룹(Languages, Frameworks, Cloud, Methods)은 키워드 밀도를 희생하지 않고 가독성을 향상시킵니다.
• 채용 공고의 용어와 정확히 일치시키십시오. 공고에서 "Amazon Web Services"라고 하면 처음에 "AWS"와 "Amazon Web Services"를 모두 포함하십시오. "statistical modeling"이라고 하면 "stats modeling"이나 "statistical analysis"로 대체하지 마십시오 — 정확한 구문을 사용하십시오.
• 버전 번호와 특정 서비스는 절제하여 포함하십시오. "Python 3.x"는 불필요합니다(Python은 현재 버전을 암시), 그러나 "AWS SageMaker"는 단순히 "AWS"보다 유용합니다. SageMaker가 ML 중심 직무에서 특정 ATS 키워드이기 때문입니다.
• 여기에 소프트 스킬을 나열하지 마십시오. "Communication," "teamwork," "problem-solving"은 ATS 이점 없이 공간을 소비합니다. 대신 경력 불릿을 통해 이를 보여주십시오.
• 대상 직무에 대한 관련성 순으로 정렬하십시오. 공고에서 NLP를 강조하면 NLP 관련 도구를 먼저 배치하십시오. 데이터 엔지니어링을 강조하면 Spark와 Airflow를 먼저 배치하십시오. 각 카테고리의 첫 번째 항목이 가장 많은 시각적, 파싱 가중치를 받습니다.

Data Scientist를 위한 일반적인 ATS 실수

1. 결과 설명 대신 Jupyter Notebook 스크린샷 사용

데이터 과학자는 때때로 노트북 셀을 이미지로 내보내거나 검토자가 클릭할 것을 기대하며 포트폴리오 링크를 첨부합니다. ATS 시스템은 이미지를 파싱하거나 하이퍼링크를 따라갈 수 없습니다. 노트북 작업을 방법론과 지표가 포함된 텍스트 기반 불릿으로 변환하십시오.

2. 알고리즘을 명시하지 않고 "Machine Learning" 나열

포괄적 용어 "machine learning"은 필요하지만 충분하지 않습니다. ATS 시스템은 점점 더 구체성에 점수를 매깁니다: "gradient boosting," "random forests," "neural networks," "logistic regression," "k-means clustering"은 각각 독립적인 키워드입니다. "머신 러닝 경험"만 쓴 이력서는 알고리즘별 필터에서 매칭을 놓칩니다.

3. 풀네임 없이 약어만 사용 (또는 그 반대)

ATS 시스템은 약어를 전체 용어와 매칭하는 능력이 다양합니다. "NLP"와 "Natural Language Processing"은 다른 키워드로 취급될 수 있습니다. 첫 번째 참조에서 두 형태를 모두 포함하십시오: "Natural Language Processing (NLP)"로 쓰고 이후에는 "NLP"를 사용하십시오. CV/Computer Vision, DL/Deep Learning, 클라우드 서비스 약어에도 동일한 패턴을 적용하십시오.

4. 도구에 과부하, 영향에 언더로드

40개의 도구가 있는 스킬 섹션에 지표가 없는 경력 불릿은 깊이 없는 폭을 보여줍니다. 리크루터와 ATS 점수화 모델은 점점 더 결과 지향 언어에 가중치를 부여합니다. 나열하는 모든 도구에 대해 경력 섹션에서 그것으로 무엇을 달성했는지 — 모델 정확도 향상, 매출 영향, 비용 절감, 처리 규모 — 를 보여주어야 합니다.

5. 비표준 섹션 제목 사용

"Technical Arsenal," "Data Science Toolkit," "Core Competencies"는 ATS 제목 감지를 트리거하지 않을 수 있습니다. 섹션 제목으로 "Technical Skills" 또는 "Skills"를 사용하십시오. 마찬가지로 "Career Highlights"나 "Impact Portfolio" 대신 "Professional Experience" 또는 "Work Experience"를 사용하십시오.

6. 핵심 정보를 프로젝트 링크에만 내장

GitHub 저장소, Kaggle 프로필, 개인 웹사이트는 사람 검토자에게 가치를 더하지만 ATS 파서에는 보이지 않습니다. README에서 사용할 것과 동일한 기술적 구체성으로 이력서에 프로젝트를 인라인으로 설명하십시오. 프로젝트 제목, 기술 스택, 방법론, 정량화된 결과를 이력서 자체에 텍스트로 포함하십시오.

7. 기술 작업에 비즈니스 맥락 누락

"앙상블 방법을 사용하여 분류 모델에서 0.94 AUC를 달성" 같은 불릿은 기술적으로 인상적이지만 ATS 관점에서 불완전합니다. 시스템과 채용 담당자 모두 모델이 무엇을 예측했고 왜 중요한지 알아야 합니다. "고객 생애 가치 세그먼트를 예측하는 앙상블 분류 모델(0.94 AUC)을 구축하여, 이탈을 15% 줄인 타겟 유지 캠페인을 가능하게 함"은 기술 신호와 비즈니스 정당성을 모두 제공합니다.

ATS 친화적 전문 요약 예시

전문 요약은 이력서 상단에 위치하며 이중 목적을 달성합니다: ATS 파서에 즉각적인 키워드 풍부 블록을 제공하고, 사람 독자에게 간결한 가치 제안을 제공합니다. 3-4문장으로 유지하십시오. 1인칭 대명사를 피하십시오.

예시 1: 미드레벨 Data Scientist (3-5년)

전자상거래 및 핀테크 도메인에서 Python과 TensorFlow를 사용하여 머신 러닝 모델을 구축 및 배포한 4년 경력의 Data Scientist. Recommendation systems, A/B testing, NLP를 전문으로 하며, AWS SageMaker에서 1,000만 이상의 일일 사용자에게 서비스를 제공하는 프로덕션 모델을 보유합니다. 복잡한 통계 분석을 실행 가능한 비즈니스 인사이트로 변환한 실적을 보유하며, 예측 모델링 및 실험 프로그램을 통해 $5M 이상의 측정 가능한 매출 영향을 창출했습니다.

예시 2: 시니어 Data Scientist / ML Engineer (7년 이상)

연구에서 프로덕션 배포까지 엔드투엔드 ML 이니셔티브를 주도한 8년 경력의 Senior Data Scientist. Deep learning(PyTorch, TensorFlow), MLOps(MLflow, Docker, Kubernetes), 대규모 데이터 처리(Spark, Databricks)에 전문성을 보유하며, 의료 분석 및 임상 NLP에 도메인 깊이가 있습니다. 5-8명의 데이터 과학자 및 엔지니어로 구성된 부서 간 팀을 이끌어, 프로덕션 추론 시스템에서 99.5% 가동률을 유지하면서 연간 운영 비용을 $12M 절감하는 모델을 제공했습니다.

예시 3: 입문자 / 경력 전환

통계학 석사 학위와 Python, R, SQL을 사용한 예측 모델링, 통계 분석, 데이터 시각화 분야에서 2년간의 응용 경험을 보유한 Data Scientist. scikit-learn과 XGBoost를 사용하여 100만 건 이상의 레코드 데이터셋을 처리하는 고객 세분화 및 수요 예측용 머신 러닝 모델을 구축했습니다. A/B testing 방법론, Tableau 대시보드 구축, 소매 및 마케팅 팀의 비기술 이해관계자에게 정량적 결과를 전달하는 데 능숙합니다.

자주 묻는 질문

데이터 과학 이력서에 Kaggle 순위나 대회 결과를 포함해야 합니까?

Kaggle 결과는 진정으로 경쟁력 있는 경우에만 포함하십시오 — 상위 5% 순위, 금/은 메달, 대회 우승. ATS 시스템은 Kaggle 전용 순위 용어를 의미 있는 키워드로 파싱하지 않지만, ATS 필터를 통과한 후 스캔하는 사람 검토자는 강한 대회 결과를 알아차립니다. 정량화된 성과로 프레이밍하십시오: "파인튜닝된 BERT 모델을 사용하여 Kaggle NLP 대회에서 3,400팀 중 12위, 0.93 F1 score 달성." 주목할 만한 성적 없이 단순한 Kaggle 참가는 지원을 강화하지 않습니다.

Python 라이브러리를 개별적으로 나열해야 합니까, 아니면 그룹으로 나열해야 합니까?

주요 프레임워크(TensorFlow, PyTorch, scikit-learn, pandas, NumPy)는 각각이 독립적인 ATS 키워드이므로 개별적으로 나열하십시오. 사소한 유틸리티(예: tqdm, joblib)는 개별 나열할 가치가 없습니다. 스킬 섹션에서 "ML Frameworks"와 "Data Libraries" 카테고리로 논리적으로 그룹화하십시오. 경력 불릿에서는 특정 라이브러리를 맥락에서 참조하십시오: "Python 라이브러리를 사용했다" 대신 "scikit-learn과 XGBoost를 사용하여 분류 파이프라인을 구축."

별도의 "Projects" 섹션이 필요합니까, 아니면 경력에 통합할 수 있습니까?

전문 데이터 과학 경력이 3년 미만이라면, 전용 "Projects" 섹션이 경력 이력 이상의 응용 기술을 보여주어 이력서를 강화합니다. 프로젝트 불릿을 경력 불릿과 동일하게 형식화하십시오 — 행동 동사, 방법론, 규모, 결과. 관련 경험이 5년 이상이면 중요한 프로젝트를 경력에 통합하고 별도 섹션을 생략하여 공간을 절약하십시오. ATS 시스템은 두 섹션을 동등하게 파싱합니다. 구분은 경력 단계를 평가하는 사람 검토자에게 더 중요합니다^[2].

목표 직함으로 "Data Scientist"와 "Machine Learning Engineer" 중 어느 것이 나을까요?

채용 공고의 정확한 직함과 매칭하십시오. ATS 시스템은 종종 초기 필터로 직함 매칭을 수행합니다. 공고에서 "Data Scientist"라고 하면 현재 역할이 "ML Engineer"이더라도 요약에 해당 직함을 사용하십시오. 두 역할은 상당히 겹치지만 키워드 매칭은 문자 그대로입니다. 두 유형의 직무에 모두 지원하는 경우 하나의 하이브리드 이력서를 사용하기보다 요약과 키워드 강조가 조정된 두 가지 이력서 버전을 유지하십시오^[3].

이력서에서 독점 도구나 내부 플랫폼을 어떻게 처리해야 합니까?

독점 도구 이름을 오픈 소스 또는 업계 표준 동등물로 대체하고 카테고리를 기재하십시오. "[회사명]ML로 모델 훈련" 대신 "Kubeflow에 비견되는 내부 ML 플랫폼을 사용하여 분기당 50건 이상의 실험을 관리하며 모델 훈련"이라고 쓰십시오. ATS 시스템은 독점 이름을 매칭할 수 없으며, 사람 검토자도 인식하지 못할 수 있습니다. 내부 도구를 가장 유사한 잘 알려진 동등물에 매핑하십시오: 내부 대시보드 도구는 Tableau/Looker에, 내부 오케스트레이션은 Airflow/Prefect에, 내부 feature store는 Feast/Tecton에 매핑합니다.

출판물과 학회 발표를 포함해야 합니까?

네, 있다면 포함하십시오. 피어 리뷰 저널의 출판물이나 공인된 학회(NeurIPS, ICML, KDD, AAAI, ACL)의 발표는 ATS 키워드 매칭이 완전히 포착할 수 없지만 시니어 및 연구 중심 직무에서 사람 검토자가 높이 평가하는 연구 깊이를 보여줍니다. 표준 학술 인용 형식으로 전용 "Publications" 섹션에 나열하십시오. ATS 목적으로 출판물 제목 설명에 관련 키워드를 포함하십시오: "KDD 2025에서 네트워크 보안을 위한 transformer 기반 이상 감지에 대한 논문 발표"는 방법과 학회를 모두 내장합니다.

데이터 과학 이력서의 이상적인 키워드 밀도는 어느 정도입니까?

보편적인 임계값은 없지만, 잘 최적화된 데이터 과학 이력서는 일반적으로 채용 공고에서 15-20개의 고유한 기술 키워드를 포함하며, 각각 요약, 경력, 스킬 섹션에 걸쳐 2-3번 나타납니다. 키워드 스터핑 — "machine learning"을 15번 반복하거나 흰색 텍스트 키워드를 숨기는 것 — 은 최신 ATS 플랫폼에서 스팸 필터를 트리거합니다. 목표는 자연스러운 통합입니다: 각 키워드는 실제로 수행하거나 구축하거나 제공한 것을 설명하는 최소 하나의 맥락에서 나타나야 합니다. 일반적인 목록이 아닌 채용 공고를 키워드 소스로 사용하십시오^[1:1][2:1].

참고 문헌

Resume Geni로 ATS 최적화된 이력서 만들기 — 무료로 시작하세요.