簡短答案: 快速答案：選一到兩個分析或資料科學專案，寫清楚商業問題、SQL、儀表板、notebook 或模型評估證據，再請 AI 對應到職缺 JD，禁止編造 production impact、公司指標或 ML 部署經驗。
適合人群
適合有課程專案、作品集、SQL、儀表板、研究、模型評估或 notebook 證據的資料分析、BI、產品分析和初階資料科學求職者。
避免使用情境
不要把課程專案寫成付費分析經歷，不要聲稱 production dashboard、編造指標，或暗示無法查核的 ML 部署經驗。
下一步
先寫出一個專案的問題-資料-方法-發現-建議-限制鏈條，再做無法查核句子的寄出前審稿。
選擇有真實問題的專案
優先選從決策問題出發的專案，而不是只展示漂亮圖表。例如流失分析、cohort 留存、銷售漏斗診斷、儀表板整理、問卷分析，或有明確使用者的 SQL case。需要成稿語句時看資料分析師範例頁；需要把專案證據寫得能被招募主管查核時用本指南。
區分分析證據和資料科學證據
如果職缺寫資料科學家，要說清楚哪些是分析、哪些是建模、哪些只是作品集。notebook、feature 想法或分類器有價值，但求職信必須解釋它支持了什麼決策問題。
把專案證據對應到職缺 JD
一個專案對應一個招募訊號，例如 SQL join、儀表板敘事、實驗分析、資料品質、跨部門溝通或模型評估判斷。不要把所有工具都列一遍。
可複製 Prompt
請為 [職缺] 寫一封精簡的資料分析師/資料科學求職信，只使用這些專案筆記：[專案問題、資料、工具、發現、建議]。證據不足時先追問再起草。不要聲稱我有付費分析經驗、production dashboard、ML 部署、商業影響或機密資料，除非我明確提供。
常見問題
作品集專案可以寫進求職信嗎？
可以，但要誠實標註，並說明它證明了哪一種分析判斷。
資料科學專案怎麼寫？
把模型或 notebook 連到商業問題、評估選擇和限制條件，不要暗示你負責過不存在的 production ML。