Dataforsker CV-eksempel

Oversikt

Dette CV-eksemplet tilhører en erfaren data scientist ved Schibsted ASA i Oslo. Schibsted er et norsk mediekonsern med virksomhet i over 20 land, og eier blant annet FINN.no, VG, Aftenposten og Blocket. Konsernets teknologiavdeling er ett av Norges mest avanserte datamiljøer og rekrutterer data scientists med sterk statistisk bakgrunn og dokumentert forretningspåvirkning.

COPPER-malen er valgt fordi data science er et teknisk fagfelt der metodetyngde og konkrete ML-resultater er det rekruttere primært ser etter. Malen kommuniserer teknisk kompetanse og analytisk skarphet uten å virke rotete, noe som er viktig i et felt der kandidatene gjerne har kompleks og variert erfaring.

Norsk teknologibransje er tett integrert med internasjonale selskaper og rekrutterer etter globale standarder, inkludert bilde-frie CV-er i tråd med GDPR og likebehandlingsprinsippet i arbeidsmiljøloven.

---

Tobias Enger

Oslo | [email protected] | +47 988 44 231 | linkedin.com/in/tobiasenger

Faglig profil

Data scientist med seks års erfaring fra norsk teknologibransje. Bygget og satt i produksjon åtte ML-modeller ved Schibsted og Vipps, inkludert en prisoptimaliseringsmodell som genererte 34 millioner NOK i økt inntekt over tolv måneder. Gjennomsnittlig A/B-testingssyklus redusert fra 28 til 16 dager ved ny metodikk. Python, SQL og PySpark er primære verktøy. Familiær med MLOps-praksis og skyinfrastruktur på GCP og AWS.

---

Arbeidserfaring

Senior Data Scientist, Schibsted ASA, FINN.no Oslo | mars 2022 til nå

FINN.no er Norges største markedsportal med over 70 millioner månedlige sidevisninger og omsetning på over 2 milliarder NOK. Datateamet ved FINN.no teller 35 data engineers, data scientists og analytikere, og arbeider tett med produkt, økonomi og ingeniørteam i en modern MLOps-infrastruktur bygget på Google Cloud Platform.

Jeg er en del av prisoptimaliseringsteamet og har primæransvar for modeller som setter dynamiske annonseprisar for privat-til-privat annonser i bil, eiendom og jobb-kategorierin. Modellen min bruker gradient boosting (XGBoost) med 140 features og re-trenes ukentlig på data fra de siste 90 dagene. Produksjonsdeployment skjer via Vertex AI og overvåkes med egendefinerte drift-alarmer.

I 2023 gjennomførte jeg en fullstendig retraining av den eksisterende prismodellen for bil og implementerte et Bayesiansk optimeringsoppsett for hyperparameter-tuning. Modellens RMSE ble redusert med 19 prosent, og i en 60-dagers A/B-test økte gjennomsnittlig annonsekonverteringsrate fra 3,1 til 3,8 prosent i testgruppen. Estimert inntektseffekt: 34 millioner NOK annualisert.

Metodeutvikling er en fast del av rollen. I 2024 innførte jeg sequential testing som standard A/B-testingsprotokoll, noe som reduserte gjennomsnittlig testtid fra 28 til 16 dager og frigjorde 40 prosent mer testkapasitet for produktteamet uten reduksjon i statistisk styrke (power ved 0,8 beholdt).

---

Data Scientist, Vipps AS Oslo | august 2019 til februar 2022

Vipps er Norges dominerende mobile betalingsapplikasjon med over 4 millioner aktive brukere og tilknyttet de fleste norske banker gjennom Vipps MobilePay-konsortiet. Datateamet i Vipps hadde stor frihet til å eksperimentere og et høyt tempo i deploymentfrekvens.

Jeg arbeidet primært med svindeldeteksjon og brukersegmentering. Svindeldeteksjonsmodellen jeg utviklet brukte en to-stegs tilnærming med en logistisk regresjonsmodell for sanntidsflagging og en random forest-modell for etterbehandling. Modellen erstattet et regelbasert system og reduserte falsk-positiv-rate fra 8,3 til 2,1 prosent, noe som frigjorde om lag 2 400 manuelle gjennomgangs-timer per måned for compliance-teamet.

I 2021 ledet jeg en intern datakvalitetsrevisjon av Vipps transaksjonsdatasett. Revisjonen identifiserte 12 datadefinisjonsinkonsistenser på tvers av tre databasesystemer som påvirket 6 prosent av analyseresultatene. Etter korreksjon ble to tidligere publiserte interne analyser revidert, og en foreslått produktbeslutning ble utsatt basert på de korrigerte resultatene.

---

Ferdigheter og kompetanse

Maskinlæring og statistikk Gradient boosting (XGBoost, LightGBM), random forest, logistisk regresjon, tidsrekkeanalyse (Prophet, ARIMA), Bayesiansk statistikk, causal inference, A/B-testing og sequential testing

Programmering og verktøy Python (pandas, scikit-learn, PyTorch, statsmodels), SQL (BigQuery, PostgreSQL), PySpark, R (grunnleggende), Git og GitHub

MLOps og infrastruktur Google Cloud Platform (Vertex AI, BigQuery, GCS), AWS (SageMaker, S3), Docker, Airflow, MLflow, Evidently (datadrift)

Visualisering og kommunikasjon Looker, Tableau, Matplotlib og Seaborn, presentasjon av tekniske resultater til ikke-teknisk ledelse

Språk Norsk (morsmål), engelsk (arbeidsspråk, flytende)

---

Utdanning og sertifiseringer

Master i statistikk, Universitetet i Oslo | 2017 til 2019 Masteroppgave: Adaptive forsøksdesign i kliniske studier ved bruk av Bayesianske metoder (karakter A) Bachelor i matematikk og informatikk, Universitetet i Oslo | 2014 til 2017 Google Professional Machine Learning Engineer sertifisering | 2022 Deep Learning Specialization, Coursera (Andrew Ng) | 2020

---

Sammendrag: slik skriver du det riktig

Data science er et fagfelt der rekruttere forventer konkrete tall i CV-et, og der mangel på kvantifisering er et rødt flagg. Skriv ikke "bygget ML-modeller for prisoptimalisering". Skriv "gradient boosting-modell med 140 features, RMSE redusert 19 prosent, 34 millioner NOK annualisert inntektseffekt". Presisjon er trolig din sterkeste egenskap som dataforsker, og CV-et skal reflektere det.

Norske teknologiselskaper som Schibsted, Vipps, Oda og Kahoot har modne ML-organisasjoner og forventer at seniorkandidater kjenner til MLOps-praksis, datadriftovervåking og produksjonsdeployment. Nevn konkrete skyplattformer og orkestreringsverktøy du bruker daglig. Det er stor forskjell på å ha "prøvd" AWS og å ha deployert modeller i produksjon på SageMaker med automatisert retrening.

A/B-testing er det analytiske håndverket som skiller gode data scientists fra gjennomsnittet i norske produktselskaper. Beskriv metodikken du bruker, statistisk styrke og signifikansnivå, og hva du gjør med testresultater som er inkonklusive. Rekruttere i disse selskapene er vant til å diskutere eksperimenteringsdesign i detalj.

---

Arbeidserfaring: slik presenterer du resultater

Eksemplet fra Schibsted bruker en strukturert historiefortelling: metodisk valg (gradient boosting, Bayesiansk hyperparametertuning), kvantifisert modellresultat (19 prosent RMSE-reduksjon), forretningsresultat (34 millioner NOK). Denne treleddede strukturen er effektiv fordi den viser at kandidaten forstår sammenhengen mellom teknisk kvalitet og forretningsverdi.

Sequential testing-eksemplet er spesielt sterkt fordi det viser at kandidaten ikke bare bruker eksisterende metodikk, men introduserer ny metodikk fra statistisk litteratur inn i en produktorganisasjon. Det signaliserer faglig oppdatering og initiativ.

Vipps-eksemplet med datakvalitetsrevisjonen er viktig fordi det viser faglig integritet: da revisjonen avdekket feil som påvirket egne kollegers arbeid, rapporterte kandidaten dette, og det resulterte i at en produktbeslutning ble revidert. Dette er et sterkt signal om at kandidaten prioriterer sannheten fremfor komfort.

---

Ferdigheter og kompetanse

I data science-CV-er bør ferdighetsseksjonen skille mellom algoritmer og biblioteker, infrastruktur og verktøy, og kommunikasjonskompetanse. Mange kandidater lister bare biblioteker uten å vise at de forstår de underliggende algoritmene. Det er sterkere å skrive "gradient boosting (XGBoost, LightGBM)" enn å bare skrive "XGBoost".

MLOps er et voksende kompetansebehov i norsk teknologibransje, og kandidater som kan deploye modeller til produksjon og overvåke dem over tid, er langt mer verdifulle enn de som kun analyserer i notebooks. Nevn konkrete verktøy som MLflow, Airflow og Evidently.

---

Utdanning og sertifiseringer

Master i statistikk fra UiO er en sterk formell bakgrunn for data science i norsk teknologibransje. Bayesiansk statistikk og eksperimenteringsdesign fra masteroppgaven er direkte relevant for A/B-testing-rollen. Masteroppgavens tema og karakter bør alltid nevnes dersom den er faglig relevant.

Google Professional Machine Learning Engineer er den mest anerkjente cloud ML-sertifiseringen og signaliserer at kandidaten kan jobbe med GCP på produksjonsnivå, ikke bare i sandkasse. Coursera-kurs er aksepterte sertifiseringer i bransjen, men bør suppleres med prosjekterfaring.

---

Hva dette CV-et kunne gjort bedre

CV-et nevner ikke om kandidaten bidrar til open source-prosjekter, har skrevet bloggposter på Medium eller Towards Data Science, eller har presentert på meetups som Oslo Data Science Community eller NDC Techtown. Synlighet i fagmiljøet er stadig viktigere for seniorkandidater.

Det er heller ikke nevnt om kandidaten har mentorert juniorkolleger, bidratt til datavitenskapelig strategi på team- eller avdelingsnivå, eller ledet rekruttering av data scientists. For senior til principal-rollen er disse signalene viktige.

Bilde er utelatt, som er riktig og forventet i norsk teknologibransje.

---

Avslutning

Data scientists med dokumentert forretningspåvirkning er blant de mest ettertraktede kandidatene i norsk teknologibransje. Et CV som kobler tekniske valg til konkrete kroner og øre skiller seg kraftig fra ett som bare lister metoder og verktøy.

Laddro hjelper data scientists med å strukturere teknisk dyp erfaring slik at den leses riktig av rekruttere på ulike nivåer, fra HR-screen til teknisk intervju. COPPER-malen er designet for nettopp denne typen faglig kompleks presentasjon.