CV data analyst pod ofertę: pokaż decyzje, nie tylko zapytania SQL

CV analityka danych bardzo często wygląda jak lista zapytań. SQL, Python, Power BI, Tableau, pandas, Excel. Sześć narzędzi, zero decyzji. Rekruter kończy czytać i wie, czego używasz, ale nie wie, po co ktokolwiek miałby cię zatrudnić.

Analiza, której nikt nie użył, nie ma wartości biznesowej. Firma nie płaci za zapytania, tylko za lepsze decyzje: gdzie wydać budżet, który produkt wygasić, dlaczego klienci odchodzą. Jeśli twoje CV tego nie pokazuje, wyglądasz na operatora narzędzi, a nie na analityka.

Poniżej masz, co wyeksponować w CV data analyst, jak opisać wpływ analizy i jak dopasować akcent pod konkretną ofertę.

Problem: narzędzia na pierwszym planie

Typowy wiersz w CV analityka brzmi tak: "Tworzenie raportów i dashboardów w Power BI, analiza danych w SQL". To opis stanowiska, nie twojej pracy. Pasuje do każdej osoby na tym samym etacie w każdej firmie w Polsce.

Drugi problem to brak odbiorcy. Analityk zawsze pracuje dla kogoś: zarządu, sprzedaży, marketingu, produktu, operacji. Kiedy nie piszesz, kto korzystał z twojej pracy, rekruter nie widzi skali. Dashboard dla dwóch osób z działu to coś innego niż raport, na którym zarząd opiera kwartalny budżet.

Trzeci problem to "przygotowywałem analizy" bez końcówki. Co z tej analizy wynikło? Jeśli nic, nie ma powodu jej opisywać. Jeśli coś, właśnie to jest treścią wiersza.

Schemat: pytanie, analiza, decyzja, efekt

Każdy opis doświadczenia w CV data analyst da się ułożyć w cztery kroki:

1. Pytanie biznesowe. Co firma chciała wiedzieć?
2. Analiza. Jakie dane, jaka metoda, w skrócie.
3. Decyzja. Co ktoś zrobił na podstawie wyniku?
4. Efekt. Liczba: oszczędność, wzrost, spadek, czas.

Nie każdy wiersz musi mieć wszystkie cztery. Ale decyzja albo efekt powinny być w każdym. Bez nich opis zatrzymuje się w połowie.

Narzędzia wchodzą do schematu w punkcie drugim, jednym słowem albo dwoma. "Analiza kohortowa w SQL" wystarczy. Nie potrzebujesz akapitu o tym, jak zbudowałeś zapytanie z pięcioma joinami.

Przed i po: jak brzmi wpływ analizy

Trzy typowe wiersze i ich wersje z konkretem:

| Przed | Po |
|---|---|
| Tworzenie dashboardów sprzedażowych w Power BI. | Dashboard marży per kanał dla 12 regionalnych kierowników sprzedaży, używany na cotygodniowych odprawach. Zastąpił 6 ręcznych raportów w Excelu, oszczędzając około 10 godzin pracy zespołu tygodniowo. |
| Analiza danych klientów w SQL i Pythonie. | Analiza kohortowa odejść klientów (SQL, Python) wskazała, że 40 procent rezygnacji przypada na pierwsze 30 dni. Na tej podstawie zespół produktu przebudował onboarding, a churn w pierwszym miesiącu spadł z 18 do 12 procent. |
| Raportowanie wyników kampanii marketingowych. | Model atrybucji dla działu marketingu pokazał, że dwa kanały płatne generują 8 procent konwersji przy 30 procentach budżetu. Budżet przesunięto do kanałów o niższym koszcie pozyskania. |

Zauważ, że w wersji "po" narzędzia są w nawiasie albo wcale. Za to każdy wiersz ma odbiorcę i decyzję. Jeśli nie znasz dokładnego efektu decyzji, napisz, jaka decyzja zapadła. To wciąż więcej niż "raportowanie".

Więcej o tym, jak przerobić obowiązki na mierzalne wyniki, gdy nie masz dostępu do twardych danych, znajdziesz w osiągnięcia w liczbach w CV.

SQL, Python, BI: gdzie je umieścić

Narzędzia są ważne, bo oferta ich wymaga i rekruter je sprawdza. Tylko że ich miejsce jest w sekcji umiejętności i w nawiasach przy opisach, a nie w roli głównej.

Ułóż umiejętności w grupy, żeby czytało się je w sekundę:

• Zapytania i przetwarzanie: SQL (BigQuery, PostgreSQL), Python (pandas)
• Wizualizacja i BI: Power BI, Looker Studio
• Metody: analiza kohortowa, testy A/B, prognozowanie, segmentacja

Ostatnia grupa jest najczęściej pomijana, a to ona odróżnia analityka od osoby, która "zna SQL". Metoda mówi, jakie pytania umiesz zadać danym.

Kolejność grup i konkretne nazwy dobieraj pod ofertę. Jeśli ogłoszenie wymienia Tableau i Snowflake, a ty pracowałeś na nich, niech te nazwy będą widoczne. Jak czytać wymagania i nie upychać fraz na siłę, opisujemy w słowach kluczowych z oferty.

Dobierz akcent pod typ oferty

"Data analyst" to szeroki szyld. Pod tą samą nazwą kryją się różne role i każda waży co innego:

• Analityk biznesowy / BI. Eksponuj dashboardy, odbiorców, automatyzację raportowania, pracę z interesariuszami. Liczy się, kto korzysta i co przestał robić ręcznie.
• Analityk produktowy. Eksponuj lejki, retencję, testy A/B, metryki produktowe. Liczy się wpływ na decyzje zespołu produktu.
• Analityk marketingowy. Eksponuj atrybucję, koszt pozyskania, segmentację, wyniki kampanii. Liczy się, gdzie przesunięto budżet.
• Analityk w finansach lub operacjach. Eksponuj prognozy, odchylenia od planu, optymalizację kosztów i procesów.

Ten sam projekt opowiesz pod każdą z tych ról inaczej. Analiza churnu pod analityka produktowego to historia o onboardingu, a pod analityka biznesowego to historia o raporcie dla zarządu. Mechanikę przesuwania akcentu bez zmyślania rozkładamy w jeden projekt, cztery role.

Częste błędy w CV analityka danych

• Lista narzędzi zamiast pracy. "SQL, Python, Power BI" w każdym wierszu doświadczenia. Narzędzie raz, w sekcji umiejętności, i krótko przy opisie.
• Brak odbiorcy. Nie wiadomo, dla kogo był dashboard. Dodaj dział, liczbę użytkowników albo poziom (zarząd, kierownicy, zespół).
• Analiza bez końcówki. "Przygotowywałem analizy" bez decyzji. Każdy wiersz powinien kończyć się tym, co się zmieniło.
• Żargon statystyczny pod ofertę biznesową. Pod rolę BI rekruter nie potrzebuje nazw testów statystycznych. Pod rolę data science już tak. Czytaj ofertę.
• Kursy przed doświadczeniem. Certyfikat z Google Data Analytics jest ok, ale w tle. Jeśli masz choćby jeden projekt z efektem, idzie wyżej.
• Poufne dane podane wprost. Jeśli nie możesz ujawnić kwot, podaj procenty i rzędy wielkości. Informacja zostaje, dane pracodawcy nie wyciekają.

Jak złożyć CV data analyst pod konkretną ofertę

Jedno CV analityka nie pasuje jednocześnie pod rolę BI w sieci handlowej i pod analityka produktowego w aplikacji mobilnej. Różnią się odbiorcy, metryki i słownik.

ZłóżCV rozpoznaje profil oferty, dobiera z twojej bazy projekty i doświadczenie pasujące do tej roli, układa umiejętności pod wymagania i przepisuje opisy w języku oferty, z akcentem na decyzje i efekty. Wklejasz link albo tekst ogłoszenia, dostajesz dopasowane CV w PDF. Jeśli coś brzmi nie tak, poprawiasz to w czacie przy danym CV, bez przepisywania całości. Różnica wobec pisania w ChatGPT jest prosta: baza twoich projektów zostaje, więc dziesiąta oferta nie wymaga wklejania wszystkiego od nowa. Złóż CV analityka danych pod ofertę, dwa pierwsze za darmo bez karty.

Najczęstsze pytania

Nie znam efektu biznesowego mojej analizy. Co wpisać? Wpisz decyzję, która zapadła, albo odbiorcę, który z analizy korzystał. "Raport wykorzystany przy planowaniu budżetu marketingu na 2026" to już konkret. Jeśli nie wiesz nawet tego, zapytaj byłego przełożonego, zanim zaczniesz aplikować.

Czy w CV data analyst wpisywać poziom znajomości SQL? Skala "zaawansowany" niewiele mówi. Lepiej pokazać zakres przez to, co robiłeś: funkcje okna, optymalizacja zapytań na dużych tabelach, modelowanie danych pod dashboard. Rekruter techniczny i tak to sprawdzi na zadaniu.

Przechodzę do analityki z innego działu. Jak to opisać? Wyciągnij z dotychczasowej pracy wszystko, co było analizą: raporty w Excelu, prognozy, analizę wyników sprzedaży. Znajomość domeny to atut, bo rozumiesz pytania biznesu. Szerzej o zmianie ścieżki w przebranżowieniu CV do nowej branży.

Czy dodać link do portfolio albo GitHuba? Tak, jeśli są tam projekty z opisem pytania i wniosku, a nie same notebooki. Jeden dopracowany case z danymi publicznymi i jasnym wnioskiem działa lepiej niż dziesięć repozytoriów bez README.