Om detta exempel
Emma Lindström är en data scientist med en doktorsexamen i statistik från KTH och fyra års industriverfarenhet. Hon söker en tjänst inom Spotifys recommendations-team och presenterar ett brev som kombinerar akademisk stringens med konkreta produktresultat. Brevet är ett utmärkt exempel på hur man skriver för ett tekniskt team som värdesätter rigorös experimentdesign.
Öppning med vetenskaplig precision
Emma väljer en öppning som signalerar hennes tankemodell direkt:
"En rekommendationsalgoritm som ökar stream-tid med 3 % globalt genererar hundratals miljoner kronor i abonnemangsvärde. Jag har ägnat fyra år åt att bygga och validera sådana modeller – med kausal inferens som fundament, inte korrelation."
En stark öppning för en data scientist-roll bör visa att du förstår skillnaden mellan statistisk signifikans och affärsmässig relevans.
Maskininlärning med affärsuplift
Emma beskriver ett rekommendationssystem hon byggde hos sin förra arbetsgivare (ett nordiskt medieföretag) baserat på en hybrid collaborative filtering och content-based approach i PyTorch. Modellen ökade klickfrekvensen med 18 % och minskade churn bland inaktiva användare med 9 % efter tre månaders drift. Hon är noga med att skilja mellan testsresultat och produktionsprestanda.
Redovisa alltid skillnaden mellan offline-metrik (AUC, NDCG) och online-metrik (klikfrekvens, konvertering) – det visar metodologisk mognad.
A/B-testning och experimentdesign
En central del av Emmas brev handlar om hennes erfarenhet av experimentdesign. Hon beskriver hur hon designade A/B-tester med korrekt statistical power-beräkning (80 % power, 95 % konfidensnivå) och Bonferroni-korrektion vid multipeltest. Hon nämner ett fall där en till synes positiv testresultat visade sig vara ett artefakt av novelty effect – och hur hon identifierade det.
Visa att du kan ifrågasätta positiva resultat lika noggrant som negativa – det är vad noggranna ML-team letar efter.
Python-ekosystem och MLOps
Emma beskriver sin tekniska stack: Python (scikit-learn, PyTorch, Optuna för hyperparameter-tuning), MLflow för experiment-tracking, och Airflow för schemaläggning av träningspipelines. Hon nämner att hon dokumenterat sina modeller med Model Cards och att hon aktivt arbetar med fairness-metrics för att motverka representationsbias.
Nämn MLOps-kompetens och etisk AI-praktik – det visar att du tänker bortom modellens accuracy.
Koppling till Spotifys forskningskultur
Emma refererar till Spotifys publicerade forskning om musik-rekommendationer och ett specifikt paper om kontextkänslighet i lyssnarmönster. Hon kopplar sin doktorsavhandling om temporal recommendation models till den öppna frågan som pappret lyfter. Det visar genuint engagemang för Spotifys tekniska utmaningar.
Referera till företagets akademiska publikationer om de finns – det visar djupt intresse och gör dig minnesvärd.
Avslutning
Emma bifogar en länk till sin GitHub-profil med reproducerbart exempelkod och erbjuder att presentera sin doktorsavhandlings relevansdel under ett eventuellt tekniskt samtal. Hon är koncis och tydlig.
