Overzicht
Een data scientist-cv moet twee dingen bewijzen: dat je de techniek beheerst en dat je modellen bouwt die daadwerkelijk waarde opleveren in productie. "Ervaring met machine learning" is niet genoeg. Werkgevers willen weten: hoeveel data verwerk je, wat is de modelperformance, en hoeveel geld bespaart het?
Dit CV is van Iris Meijer, senior data scientist bij Shell in Den Haag. Ze bouwt voorspellende onderhoudsmodellen voor 1.400 productie-assets in 7 landen die jaarlijks 18 miljoen euro aan onderhoudskosten besparen. Eerder bij Adyen ontwikkelde ze fraudedetectiemodellen die 127 miljoen euro aan frauduleuze transacties per jaar blokkeerden met een false positive rate van slechts 0,3%.
De samenvatting: modellen die geld opleveren
Iris opent niet met haar techstack maar met impact:
Data scientist met zes jaar ervaring in het ontwikkelen van machine learning-modellen die bedrijfskritische beslissingen automatiseren.
Dat is een sterke openingszin. Het gaat niet over Python of TensorFlow. Het gaat over automatisering van bedrijfskritische beslissingen. De technologie is het middel, niet het doel.
Werkervaring: van model naar productie
Het verschil tussen een junior en een senior data scientist zit niet in de algoritmes die ze kennen, maar in het feit dat hun modellen in productie draaien. Iris maakt dat duidelijk:
Deep learning-pipeline gebouwd voor sensordata-analyse die 2,3 TB data per dag verwerkt
Ongeplande downtime daalde met 23% door het voorspellend onderhoudsmodel
Model draait in productie op AWS SageMaker met geautomatiseerde hertraining elke 2 weken
Dit laat zien dat ze niet alleen modellen bouwt, maar ook verantwoordelijk is voor de productie-infrastructuur. De vermelding van MLflow, Kubeflow, Docker en Kubernetes bevestigt dat ze het volledige ML-lifecycle beheerst.
Bij Adyen is de impact nog indrukwekkender: feature engineering op 840 miljoen transacties per maand, een fraudedetectiemodel van 127 miljoen euro, en een inference-latentie onder 15ms. Dit zijn cijfers die in elk gesprek indruk maken.
Opleiding: WO met publicatie
Iris' MSc Artificial Intelligence aan de UvA (cum laude) met een masterscriptie die gepubliceerd werd op de NeurIPS Workshop is een sterk academisch fundament. Haar BSc Wiskunde aan de Universiteit Leiden geeft de wiskundige basis die nodig is voor geavanceerde modellering.
Certificeringen: cloud en platform
De AWS Certified Machine Learning Specialty en Databricks Certified Machine Learning Professional zijn twee van de meest gevraagde certificeringen in het data science-veld. Ze laten zien dat Iris niet alleen modellen bouwt maar ook weet hoe ze ze op schaal deployt.
Vaardigheden: gelaagd en specifiek
Iris structureert haar vaardigheden in lagen: programmeertalen (Python met PyTorch, TensorFlow, Scikit-learn), data-platforms (Spark, Databricks, BigQuery), ML-infrastructure (MLflow, Kubeflow, Docker, Kubernetes, SageMaker) en methoden (deep learning, NLP, statistiek). Die gelaagdheid geeft een compleet beeld.
Veelgemaakte fouten op een data scientist-cv
Alleen Jupyter notebooks, geen productie. Werkgevers zoeken iemand die modellen in productie brengt. Als je ervaring hebt met ML pipelines, CI/CD en modelmonitoring, vermeld dat.
Geen businessmetriek. Een AUC-score is fijn, maar hoeveel geld bespaart het model? Koppel technische performance altijd aan businesswaarde.
Te veel tools, te weinig diepgang. Een lijst van 20 tools zonder context is waardeloos. Noem liever 8 tools met specificatie (Python met PyTorch vs. alleen "Python").
Publicaties vergeten. Als je hebt gepubliceerd (conferenties, journals, arXiv), vermeld het. In de data science-wereld telt wetenschappelijke output mee.
Tot slot
Een senior data scientist-cv moet de volledige cyclus laten zien: van onderzoek en modelbouw tot productie-deployment en businessimpact. Iris doet dat overtuigend. Haar gastcolleges aan de UvA en haar rol als organisator bij PyData Amsterdam laten zien dat ze ook investeert in de community. Het OBSIDIAN-template biedt een moderne, technische uitstraling die past bij een data science-rol.
