Junior Data Analist CV Voorbeeld

Overzicht

Data analyse is een van de snelst groeiende vakgebieden in Nederland en junior posities trekken honderden sollicitaties. Een diploma in Statistiek, Informatica of Econometrie is het startpunt, maar werkgevers willen praktische vaardigheden zien: SQL queries, Python scripts en interactieve dashboards. Een CV dat echte projecten met echte data laat zien springt er direct uit.

Dit CV is van Noor, pas afgestudeerd in Econometrie aan de Universiteit van Tilburg. Ze heeft een stage van zes maanden afgerond bij het analytics team van een e-commerce bedrijf waar ze gedragsdata van 600.000 gebruikers analyseerde.

De samenvatting: tools en schaal

Pas afgestudeerd in Econometrie met stage-ervaring bij het analytics team van een e-commerce bedrijf. Gedragsdata van 600.000 gebruikers geanalyseerd en dashboards gebouwd in Power BI die marketingbeslissingen ondersteunden met een conversietoename van 22%. Ervaring met Python, SQL en Power BI.

Het aantal geanalyseerde gebruikers (600.000) en de impact op conversie (+22%) communiceren direct de waarde van het werk.

Probeer dit: Vermeld de schaal van de data waarmee je hebt gewerkt en de impact van je analyses op bedrijfsbeslissingen.

Werkervaring: analyse met impact

Gedragsdata van 600.000 gebruikers geanalyseerd om aankooppatronen en klantsegmenten te identificeren

14 interactieve dashboards gebouwd in Power BI voor het marketingteam, wekelijks gebruikt door 18 personen

Een voorspellend churn model ontwikkeld in Python (scikit-learn) met een nauwkeurigheid van 84%

Elk punt koppelt de analyse aan een concreet resultaat. De 14 dashboards gebruikt door 18 personen tonen dat het werk operationele impact had.

Technische vaardigheden

Noor noemt Python (pandas, NumPy, scikit-learn), SQL (MySQL, PostgreSQL), Power BI, Tableau en gevorderd Excel. De vermelding van specifieke Python bibliotheken toont echte competentie, geen oppervlakkige bekendheid.

Opleiding en projecten

Bachelor in Econometrie met een gemiddelde van 8,1 en een scriptie over voorspellende analyses in de retailsector. Het scriptieproject sluit aan bij het professionele pad.

Veelgemaakte fouten

De schaal van de data niet vermelden. "Data analyse" is generiek. "Analyse van 600.000 gebruikers" is specifiek en indrukwekkend.

Python bibliotheken weglaten. Werkgevers willen weten of je pandas, NumPy en scikit-learn kent, niet alleen "Python".

De bedrijfsimpact negeren. Analyses hebben alleen waarde als ze resultaten opleveren. Koppel je cijfers altijd aan beslissingen of verbeteringen.