oracle中sp怎么写_校招简历中的实习和项目经历该怎么写?

在2017年和2018年,我针对校招生的简历分别写了两篇文章,一篇是《秋招中的互联网产品、运营岗,该如何准备?》,里面有一部分内容是关于简历的准备;另一篇是《如何用产品思维解决简历问题?七步简历优化法》,主要讲的是从0到1如何搭建简历。在那样的时间点有那样的思考,与我当时的身份有关。在2017年,我也是一名校招生,因此文章中主要是“信息量最大“和“结构最优”这两个角度去探讨简历的优化。到了2018年,我初入产品经理的领域,对于做产品刚刚有了一些自己的体会,于是尝试从做产品的角度,去聊一聊简历的优化。而到了今年,接触到的人越来越多,见到的简历越来越多。我慢慢觉得,框架也好,结构也好,都是可以模仿速成的。但真正考验一个校招生的,是他们对实习和项目经历的描述。优质的简历,会通过这段经历的描述,体现出你对于过去经历的思考,暗含了深层次的逻辑,代表了你对于自己实习经历的看法。而普通的简历,就是将事项1、2、3列举出来,然后让看简历的人自己去猜——你看嘛,反正就这么多事情,你自己猜猜我是个什么样的人呢。可以说,简历的核心竞争力,一是在于你的实习含金量,二就是在你如何看待你的实习经历这点上。所以,今年我想聊一聊,校招简历中的实习和项目经历该怎么写?
我所推荐的方法,核心思路理解起来很简单:用高维的打法参与低维的竞争,用社招简历的要求来写校招简历。因为社招简历,更看重的是你过去工作经历的含金量,所以对于工作经历和项目经历的打磨就尤为重要;而现在出来实习的学生越来越多,一份大厂的实习经历已经不能保证你可以拿到更好的机会?那么你能做的,就只能是用更高的标准要求自己。那我就一个一个来说。社招简历中,对于过去工作内容的描述会被拆成两部分,一部分叫做工作经历,一部分叫做项目经历。一、工作经历工作经历主要是为了总括你在过去的团队的工作职责及成果。为了更好的进行说明,我将工作经历的拆分思路总结成如下的脑图

95307b3996d3baff965badbca0eb7963.png

工作经历往往拆分到团队,但对于实习生来说,往往在一家公司的实习是不会有团队的变化的。接着你需要讲清楚两点内容:1、工作职责;2、工作成果。在工作职责部分,我建议你用总分的结构,先用一句话说清楚你负责的是什么,再介绍你负责的这部分内容有什么样的衡量指标。虽然分几点精炼地描述清楚你分别做了哪些事情。在工作成果部分,如果你的成果可量化,那它最好与你的衡量指标对应,谨记不要虚构数字,不管结果好还是不好,都要诚信,这是其一;对于结果,你一定要有自己的评价,好还是不好,为什么,这是其二。当然对于很多校招生来说,在实习期间还是参与到了一些项目中,我个人建议关于项目的描述,统一在项目经历里面写,那这就是我们接下来要说的内容了。二、项目经历如果说实习经历是一种“面”上的描述,让别人对你的工作有一个总的认识,那项目经历就是这个面上的一个一个的亮点,支撑起你整个经历的价值。实习经历体现的是你提炼和概括的水平,而项目经历则体现的是你对参与项目的具体思考。关于项目经历的拆解,我一般建议参考STAR法则,落实下来就是背景→任务→行动→结果。背景说明的是为什么这件事。为什么要做这个项目,需求的来源是什么,是产品的优化还是运营策略的调整等等。说清楚背景的最大好处,就是告诉别人,你不是一个执行者。对于自己所做的每一件事,你都是思考的背后的WHY的。任务,也就是项目中所采用的策略。对于产品经理来说,这一步经常发生在从用户需求提炼出产品需求的过程中。说清楚了任务,至少展现出,你是理解到了策略这一层的。之后就是行动,这一步比较简单,就是为了实现这个策略,你做了什么事情。我见过很多的简历,无论是实习经历还是项目经历,都是在说行动这件事。你的行动是怎么来的,为什么要做这些事。如果不在前面说清楚,在我看来简历是没有含金量的。最后是成果,要点也是两个,尽可能量化,如果不能量化,至少写反馈。
OK,讲了这么多,我也给大家举个实例以便生动的说明。假设:我曾经在大力哥求职公司实习了半年,马上要参加秋招了,我想要将这段经历写到简历中。参考以上的方法,我应该怎么写呢?首先是工作经历,我会这么拆解。公司:大力哥求职部门:校招部工作职责:负责校招部的用户运营工作,核心指标是付费会员数:1)拉新:借助学校资源免费为学生开展校招服务,线下获客;积累原创校招高价值内容,同求职大号合作换量;2)激活:通过举办线上模拟面试等活动,保持用户活跃度;3)付费转化:联系大厂名牌导师入驻,通过课程包装及个性化定制,提升会员付费转化率。工作成果:实习期间付费会员数提升200%。虽然这段工作经历是虚拟的,但用户运营这部分工作,我参考了AARRR模型去做拆解。这说明,在实习期间对于所在行业的常用方法论有一个了解,是非常要必要的,可以提升你简历的专业性。接下来是项目经历了,假设在实习期间,我负责了公司和某知名互联网公司在春招期间联合举办的简历直通车的活动。针对这段项目经历,我该如何拆解呢?项目名称:简历直通车角色:负责人背景:结合春招热点,利用大厂背书为公司快速拉动优质用户。任务:以春招为主题征集并筛选优质简历,一方面为企业快速捕获人才,另一方面提升优质校招生招聘体验。行动:通过洽谈锁定资源,编辑文案发布征集,人工筛选并跟踪反馈流转状态,优化新用户关注体验。结果:单次活动获客2000+人,新用户次月留存率达50%。
以上就是我对于校招简历中如何写实习和项目经历的一些心得,最终的目的,还是希望通过这样的结构化思考过程,帮助大家梳理自己过去的工作内容,想清楚,想明白。方法都教给你们了,快实践起来吧,如果有疑问,欢迎交流,如果希望大力哥帮助你一起优化简历,我们也有对应的付费服务,欢迎了解。

ea0e602a4fdad13f229fe39492984ea2.png

提升你的校招竞争力,从简历开始吧!毕竟校招简历,要一直伴着你从开始到最后呢。

0cdc2503355426ca57e7a27576d969a1.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/333944.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

运行sre10_在生产中运行Java:SRE的观点

运行sre10作为站点可靠性工程师 (SRE),我确保我们的生产服务高效,可扩展且可靠。 典型的SRE是生产大师,必须对更广泛的体系结构有很好的了解,并精通许多更精细的细节。 SRE是会说多种语言的程序员&#xf…

不同符号的两个整数求余和取模的计算技巧(规律)

文章目录求余函数和取模函数的区别x 和 y 符号不同,求余数和模数的技巧求余的运算规律(技巧)取模的运算规律(技巧)求余函数和取模函数的区别 求余函数rem(x,y) 和取模函数 mod(x,y) 的区别: 当 x 和 y 的符…

pytorch数据处理的操作

张量(256,256)转换为三维通道图片张量(256,256,3)可以采用下面方法: 1.先将张量转换为数组。 2.在numpy数组增加维数(相当于在张量里增加了通道的维度),即(256,256,1)。 3.增加numpy数组维度中的数量(也就是将张量里的一个通道变为3),即(256,256,3)。 4.根据需要来决…

toastutils报错_史上最好用的Android全量版本更新库XUpdate使用指南

在这里插入图片描述项目简介XUpdate是一个轻量级、高可用性的Android全量版本更新框架。XUpdate是为了解决在不同项目组、不同平台之间进行统一的Android全量版本更新的库。它具有轻量、灵活、低耦合、高可用等特点,可以很方便地定制属于自己的版本更新。设计原由在…

travis-ci_使用Travis-CI的SpringBoot应用程序的CI / CD

travis-ci在本文中,我们将学习如何将Travis CI用于SpringBoot应用程序的持续集成和持续部署(CI / CD)。 我们将学习如何运行Maven构建目标,使用JaCoCo插件,使用SonarCloud代码质量检查,建立泊坞窗图像进行测…

音标、音节、音素、音符

[kəˌmjuːnɪˈkeɪʃn] 👆上面这个叫『音标』,里面有三个『音节』,kə、mjuːnɪ、keɪʃn,mjuːnɪ是『轻读音节』,keɪʃn是『重读音节』,这个『音标』含有11个『音素』,分别为&#xff1…

outlook邮箱邮件大小限制_设置Office 365邮箱默认发送和接收邮件大小限制

Office 365默认的 35MB 的邮件大小限制。Office 365 最大是支持 150MB 的邮件体积的。我们只需用 Windows Powershell 连接 Office 365 ,然后通过命令修改 Exchange Online 中的邮箱计划即可。方法如下:1、连接到 Office 365 PowerShell借助 Office 365 …

python中形参*args和**kwargs简述

形参*args的作用:传递任意数量的实参。 形参*args中的星号让python创建一个名为args的空元组,并将收到的所有值都封装到这个元组中。其实args换成其他的标识符完全没问题,只是习惯上用args。 如下举例: def fun(*args):print(a…

运动基元_Java更快地对基元数组进行排序?

运动基元看来,在不久的将来,Java中的原语排序数组可能会提高性能。 弗拉基米尔雅罗斯拉夫斯基(Vladimir Yaroslavskiy)已在core-libs-dev邮件列表中发布了一条消息 ,标题为“ Dual-Pivot Quicksort的新优化版本 ”&…

Linux 命令之 rpmbuild -- 用于创建 rpm 格式的二进制软件包和源码软件包

文章目录一、命令介绍二、命令选项(一)从 specfile 建立(二)从 tarball 包建立(三)从 source package 包建立(四)其它选项(五)所有 rpm 都可使用的选项&#…

只做macd二次金叉_【教你一招】MACD低位二次金叉

原标题:【教你一招】MACD低位二次金叉来源:K线密码MACD低位二次金叉技术要点1、第二次金叉离第一次金叉距离越近越好;2、MACD第二次金叉的位置以高于第一次金叉为好;3、MACD第二次金叉时结合K线形态上的攻击形态研判(如&#xff1…

计算机领域专业术语中英文对照(时常更新)

机器学习 线性回归(linear regression) 多标签分类(multi-label classification,MLC) 验证集(validation) 均方误差(MSE) 偏差(bias) 方差(variance) 深度学习 多层感知机(MLP) 反向传播(Back Propagation) 张量(Tensor) 随机梯度下降(SGD) 向量(Vector) 标量(Sc…

owasp maven_OWASP依赖性检查Maven插件–必须具备

owasp maven我不得不非常遗憾地承认,我不知道OWASP依赖检查maven插件 。 自2013年以来似乎已经存在。显然GitHub上已有千个项目正在使用它。 过去,我手动检查了依赖项,以根据漏洞数据库检查它们,或者在很多情况下,我只…

软件包管理器 RPM 升级软件包过程分析

升级软件包 alsaplayer-0.99.76-2.2.fc4.i386.rpm,并显示详细的升级信息: rpm -Uvv alsaplayer-0.99.76-2.2.fc4.i386.rpm把显示内容当中对我们有用的挑出来: D: opening db environment /var/lib/rpm/Packages joinenv D: opening d…

ubtunu打开firefox_Linux Ubuntu 终端命令行打开firefox报错

1,报错$ firefox(firefox:2673): GConf-WARNING **: Client failed to connect to the D-BUS daemon:Failed to connect to socket /tmp/dbus-80Eq35bHIz: Connection refused(firefox:2673): GConf-WARNING **: Client failed to connect to the D-BUS daemon:Fail…

自然语言处理领域基本概念笔记

自然语言处理 词向量: 自然语言处理问题要转化为机器学习的问题,首先就要把单词数学化表示,就是用n维实数向量来代表一个单词。 对话系统 对话系统发展历程的三个阶段: 1.基于符号规则和模板的对话系统 2.基于统计机器学习的…

spring-junit4_基于Spring的应用程序-迁移到Junit 5

spring-junit4这是关于将基于Gradle的Spring Boot应用程序从Junit 4迁移到闪亮的新Junit 5的快速文章。Junit 4测试继续与Junit 5 Test Engine抽象一起工作,该抽象为在不同编程模型中编写的测试提供支持。例如,Junit 5支持能够运行JUnit 4测试的Vintage …

如何理解 inode

一、inode是什么? 理解inode,要从文件储存说起。 文件储存在硬盘上,硬盘的最小存储单位叫做"扇区"(Sector)。每个扇区储存512字节(相当于0.5KB)。 操作系统读取硬盘的时候&#xff0c…

go语言os.exit(1)_Go语言-信号os.Interrupt和信号syscall.SIGTERM的应用

实例package mainimport("fmt""os""os/signal""sync""syscall""time")func worker(stop for {select {case fmt.Println("exit")returndefault:fmt.Println("running...")time.Sleep(3)}}}fu…

深度学习基本概念笔记

注意力机制(Attention Mechanism): 注意力机制受到人类视觉注意力机制的启发,即关注图像特定部分的能力。即当神经网络发现输入数据的关键信息后,通过学习,在后继的预测阶段对其予以重点关注。 Attention Mechanism可以帮助模型对输入的X每个…