第1章 岗位能力画像与简历优化模板
本章核心：拆解数据治理工程师的岗位能力图谱，掌握简历关键词与成果量化句式，让面试官一眼识别你的匹配度。
1.1 岗位能力画像：三维度模型
数据治理工程师并非纯技术岗位，也非纯管理岗位，而是“技术+治理+业务”的三栖角色。以下三个维度构成能力核心：
| 维度 | 核心子项 | 简历关键词（示例） |
|---|---|---|
| 技术基础 | SQL、Python、ETL框架、数据仓库、元数据工具 | SQL优化、Airflow、Atlas、Spark、Great Expectations |
| 治理知识 | 数据标准、质量规则、元数据管理、主数据、数据安全 | DQ六维、数据血缘、数据资产目录、GDPR |
| 业务沟通 | 需求理解、跨团队协作、治理成果转化、培训宣导 | 数据owner推动、SLA制定、治理报告 |
💡 简历优化技巧：不要只列“熟悉数据治理”，要具体到技术栈和场景。例如“使用Great Expectations实现数据管道质量监控，覆盖率从30%提升至95%”。
1.2 简历关键词清单与成果量化句式
- 通用关键词：数据治理、数据质量、元数据管理、数据标准、主数据、数据血缘、数据资产目录、数据安全分级、治理流程、SLA、数据owner、治理工具（Atlas/Great Expectations/DataHub）。
- 量化句式模板：“通过[手段]，将[指标]从[A]提升/降低至[B]”。示例：“建立自动化质量监控，数据缺失率从12%降至3%”；“梳理200+核心表血缘，支撑数据影响分析效率提升60%”。
⚠️ 常见误区：简历中只写“负责数据治理工作”，没有项目名称和量化结果；或过度堆砌技术名词但缺乏业务关联。面试官会追问“具体解决了什么业务问题”。
1.3 面试问答卡片（3题）
🔹 面试问题1：请描述你对数据治理的理解？
考察点：候选人是否具备系统化认知，能否区分数据治理与数据管理、数据工程的区别。
回答框架：定义 → 核心领域（质量/元数据/主数据/安全等）→ 目标（提升数据价值、降低风险）。
示例回答：“数据治理是围绕数据资产建立的一套管理机制，包含数据标准、质量、元数据、主数据及安全等领域。核心目标是通过流程和工具确保数据可信、可用、可追溯，最终支撑业务决策。”（约85字）
可能追问：“你们团队如何落地数据治理？遇到过什么阻力？”
避坑：切勿只背定义，应结合具体治理场景（如数据质量规则制定、血缘梳理）体现实操经验。
🔹 面试问题2：你如何评估数据质量？使用过哪些工具？
考察点：对质量维度的理解、工具选型能力、自动化意识。
回答框架：列出六维（完整性/准确性/一致性/及时性/唯一性/规范性）+ 工具举例 + 实际操作链路。
示例回答：“通常从完整性、准确性、一致性等维度评估。我曾在数据管道中嵌入Great Expectations规则，对增量数据进行实时校验，发现缺失和异常自动告警并阻断下游。也用过Data Profiling分析分布异常。”（约90字）
可能追问：“如果业务部门反映数据不准但技术层面监测正常，你如何处理？”
避坑：不要只说“了解六维”或只会用Excel检查。必须提到工具和自动化闭环。
🔹 面试问题3：你如何看待数据治理与数据工程的协作关系？
考察点：跨团队协作意识、对职责边界的理解、推动落地的能力。
回答框架：治理定标准/工程做实现 → 治理提规则/工程嵌规则 → 治理收反馈/工程改流程。
示例回答：“数据治理负责定义标准和质量规则（比如字段格式、主键约束），数据工程在ETL中固化这些规则，并通过元数据工具记录血缘。双方通过SLA对齐，治理定期审计工程质量并提供改进建议。”（约95字）
可能追问：“如果工程团队认为治理规则增加开发成本，你如何说服？”
避坑：避免二元对立（治理vs工程），强调“治理赋能工程，而非约束工程”。用具体收益（如减少返工、提升数据可信度）来沟通。
本章小结：能力画像帮助定位简历方向，关键词清单提升HR搜索命中率，量化句式让面试官迅速抓取成果。面试回答围绕“框架+工具+案例”展开，体现系统思考与实操经验。第2章将聚焦“数据治理项目面试表达”的STAR结构。