Visao geral
Um CV de analista de dados precisa de fazer algo que muitos candidatos esquecem: mostrar impacto no negocio, nao apenas competencia tecnica. Qualquer pessoa pode listar SQL, Python e Power BI. O que diferencia e demonstrar que essas ferramentas foram usadas para resolver problemas reais com resultados quantificaveis.
Este CV pertence a Beatriz Carvalho, analista de dados com quatro anos de experiencia. Trabalha na Jeronimo Martins, onde analisa vendas e comportamento de consumo em mais de 3.500 lojas Pingo Doce. Antes disso, esteve no Millennium BCP na direcao de risco de credito.
O ponto forte deste CV e a ligacao direta entre ferramenta tecnica e resultado de negocio. Cada bullet point conta uma historia completa.
O resumo: contexto de negocio, nao apenas ferramentas
O resumo da Beatriz posiciona-a rapidamente:
Analista de dados com quatro anos de experiencia na transformacao de dados em insights acionaveis para decisoes de negocio. Na Jeronimo Martins, responsavel pela analise de vendas e comportamento de consumo em mais de 3.500 lojas Pingo Doce.
Nota que comeca com o impacto ("transformacao de dados em insights acionaveis") e so depois menciona a escala (3.500 lojas). Nao comeca com "proficiente em SQL e Python." A tecnica e o meio, nao o fim.
Para o teu CV: Indica primeiro o que fazes com os dados (previsao, segmentacao, reporting, otimizacao). Depois contextualiza com a escala e o setor. As ferramentas vem por ultimo.
Experiencia: a formula que funciona
Cada ponto na experiencia da Beatriz segue uma estrutura clara: o que fez, com que ferramenta, e qual foi o resultado.
Na Jeronimo Martins:
Desenvolvi dashboards de vendas e stock em Power BI usados por 48 diretores regionais
Criei modelo de previsao de ruptura de stock que reduziu quebras em 14% nas 3.500+ lojas
Automatizei 23 relatorios manuais em Python e Airflow, poupando 32 horas/semana
Analisei dados de cartao de fidelizacao de 4,2 milhoes de clientes para segmentacao de campanhas
O primeiro ponto mostra quem usa o seu trabalho (48 diretores). O segundo mostra impacto financeiro direto (14% menos quebras em 3.500 lojas). O terceiro quantifica eficiencia (32 horas por semana poupadas). O quarto mostra escala de dados (4,2 milhoes de clientes).
No Millennium BCP, o padrao mantem-se: pipeline ETL para 3 sistemas core banking, relatorios regulatorios com zero erros em 6 trimestres, modelos de scoring que melhoraram precisao em 8%.
A formula: Acao + Ferramenta + Escala + Resultado.
Formacao: Mestrado e Licenciatura no ISCTE
A Beatriz tem Mestrado em Gestao de Sistemas de Informacao e Licenciatura em Informatica de Gestao, ambos pelo ISCTE. A dissertacao sobre modelos preditivos para comportamento de consumo no retalho alimentar e directamente relevante para a funcao atual.
Em Portugal, para funcoes de analise de dados, tanto a Licenciatura como o Mestrado sao valorizados. Areas como Informatica de Gestao, Estatistica, Matematica Aplicada ou Engenharia Informatica sao as mais procuradas. Se a tua formacao e noutra area (Economia, Gestao, Sociologia), compensa com certificacoes especificas e projetos pessoais.
Certificacoes: Google e Microsoft
A Beatriz tem duas certificacoes relevantes: Google Data Analytics Professional Certificate e Microsoft Certified Power BI Data Analyst Associate. Ambas sao reconhecidas pelo mercado e demonstram competencia validada por terceiros.
A certificacao da Microsoft em Power BI e particularmente util porque Power BI e a ferramenta de visualizacao dominante em grandes empresas portuguesas. Se trabalhas com Tableau, a certificacao equivalente da Salesforce tem o mesmo peso.
Competencias: especificidade importa
A lista de competencias da Beatriz nao diz apenas "SQL." Diz "SQL (PostgreSQL, SQL Server)." Nao diz apenas "Python." Diz "Python (pandas, NumPy, scikit-learn)." Esta especificidade e importante porque os recrutadores tecnicos filtram por ferramentas concretas, nao por categorias genericas.
Inclui tambem competencias que nao sao puramente tecnicas: "Estatistica descritiva e inferencial." Isto e relevante porque mostra fundamentos teoricos, nao apenas capacidade de escrever codigo.
Erros comuns em CVs de analistas de dados
Listar ferramentas sem contexto de utilizacao. "Python" nao diz nada. "Automatizacao de 23 relatorios em Python e Airflow" diz tudo.
Nao quantificar o impacto. "Criei dashboards" e fraco. "Criei dashboards usados por 48 diretores regionais" e forte.
Ignorar o dominio de negocio. As empresas querem analistas que compreendem o negocio, nao apenas a ferramenta. Se trabalhaste em retalho, banca ou telecomunicacoes, menciona o contexto de negocio em cada funcao.
Esquecer projetos pessoais ou de portofilio. Se tens projetos no GitHub, um blog tecnico ou participacoes em competicoes de dados (Kaggle), inclui-os. Para candidatos com menos experiencia, estes projetos podem ser decisivos.
O projeto que faz a diferenca
A Beatriz destaca um projeto especifico: o modelo de previsao de rupturas com XGBoost que reduziu quebras em 14% e teve um impacto estimado de 2,1 milhoes de euros por ano. Este tipo de projeto, com resultado financeiro claro, e exactamente o que transforma um CV tecnico num CV de negocio.
Se participaste num projeto com impacto mensuravel, da-lhe destaque. Nao precisa de ser a escala de 3.500 lojas. Mesmo "modelo que poupou 15 horas por semana a equipa de reporting" e valioso.
