Przegląd
Analityk danych to jedno z najszybciej rosnących stanowisk na polskim rynku pracy. Firmy technologiczne, banki i korporacje FMCG szukają ludzi, którzy potrafią zamienić surowe dane w decyzje biznesowe. Problem w tym, że większość CV analityków wygląda jak lista narzędzi: SQL, Python, Power BI. To za mało.
To CV należy do analityczki z czteroletnim stażem, która pracuje w Allegro budując modele analityczne dla platformy z 21 milionami użytkowników. Wcześniej analizowała dane finansowe w mBanku. Dwie różne branże, ale wspólny mianownik: przekładanie danych na konkretne decyzje biznesowe.
Podsumowanie: dane to narzędzie, decyzje to cel
Analityk danych z czteroletnim doświadczeniem w przetwarzaniu i wizualizacji danych biznesowych. Aktualnie pracuję w Allegro, gdzie buduję modele analityczne wspierające decyzje produktowe dla platformy z 21 mln użytkowników.
Rekruter od razu wie: ta osoba nie tylko liczy, ale wpływa na decyzje produktowe w dużej firmie.
Doświadczenie: od danych do wpływu
Najlepsze punkty w tym CV łączą dane techniczne z wynikiem biznesowym:
"Zbudowałam pipeline ETL przetwarzający 2,3 TB danych dziennie z logów użytkowników"
"Opracowałam model segmentacji klientów, który zwiększył skuteczność kampanii remarketingowych o 17%"
"Zautomatyzowałam raportowanie tygodniowe, oszczędzając zespołowi 12 godzin pracy tygodniowo"
Pierwszy punkt mówi o skali technicznej. Drugi o wpływie na biznes. Trzeci o oszczędności czasu. Razem tworzą obraz kogoś, kto rozumie zarówno dane, jak i ich zastosowanie.
Rada: Jeśli budujesz dashboard, nie pisz "stworzyłem dashboard w Looker". Napisz ile osób go używa i do czego. "Stworzyłam 14 dashboardów w Looker używanych przez 45 product managerów" mówi dużo więcej.
Wcześniejsze stanowisko: bank i ryzyko
Praca w mBanku pokazuje inny aspekt analityki:
"Przygotowywałam miesięczne raporty ryzyka kredytowego obejmujące portfel 3,1 mld PLN"
"Zbudowałam model scoringowy w Pythonie, który poprawił trafność oceny ryzyka o 8,4%"
Analityka w banku to inna liga. Raporty idą do zarządu, modele scoringowe mają bezpośredni wpływ na decyzje kredytowe. Jeśli masz doświadczenie w regulowanej branży, podkreśl to. Pracodawcy z sektora finansowego szczególnie cenią kandydatów, którzy rozumieją wymagania regulacyjne.
Umiejętności: technika i kontekst
Dobra lista umiejętności analityka danych powinna zawierać:
- Języki: Python, SQL
- Wizualizacja: Looker, Power BI, Tableau
- Bazy danych: BigQuery, PostgreSQL
- Narzędzia: Pandas, NumPy, scikit-learn
- Inne: ETL, modelowanie danych, A/B testing
To CV robi to dobrze. Nie ma tu 30 technologii. Jest 10 narzędzi, które ta osoba naprawdę zna.
Staż: jak go opisać
"Przygotowywałam analizy szkodowości dla 4 linii produktowych ubezpieczeń majątkowych"
Staż w PZU opisany jednym konkretnym zdaniem. Nie "pomagałam w analizach", ale "przygotowywałam analizy dla 4 linii produktowych". Konkret, skala, kontekst.
Szablon
Szablon Cobalt oferuje czysty, dwukolumnowy układ, który dobrze organizuje sekcje techniczne. Dla analityka danych, który musi pokazać zarówno umiejętności techniczne, jak i doświadczenie biznesowe, to dobry wybór.
