Резюме Data Analyst отсекают, когда весь опыт — «работал в Tableau / Power BI / Excel». Инструмент не отвечает, какое решение приняли по вашим цифрам. Рекрутер ищет SQL, метрику, потребителя отчёта и влияние: что перестали делать руками, о чём перестали спорить, какой эксперимент посчитали.
Ниже — как собрать резюме аналитика данных: заголовок, SQL и продукт, кейсы без фейковых KPI, два заполненных блока пуль, что не класть из курсов визуализации. Каркас — в как составить резюме. Пули — в как описать опыт. Вход в роль — в как стать Data Analyst. Портфолио разборов — в портфолио аналитика.
Коротко:
- Заголовок = Data Analyst / продуктовый аналитик / аналитик отчётности — одна роль, не «аналитик+data scientist+BI developer».
- SQL обязателен фактом: запрос, витрина, сверка, не «знание SQL».
- Каждый сильный пункт: метрика, источник, кто пользовался выводом.
- Дашборд без потребителя слабее одной таблицы, по которой продукт изменил правило.
- Курсы Kaggle и «10 дашбордов» не заменяют разбор с выводом и ограничениями.
Что читают за 15 секунд
На вакансиях Data Analyst смотрят:
- Продуктовая аналитика, отчётность, маркетинг, финансы — куда класть файл?
- SQL на уровне работы или Excel с картинками из BI?
- Есть ли решение бизнеса, не только «построил отчёт»?
- Python — плюс или притворство под DS?
- Можно ли открыть один разбор без пароля?
Смешение с Data Engineer и ML в шапке вредит: вас отправят на пайплайны или модели. Карточка — в резюме IT-специалиста. Навыки — в навыках Data Analyst. SQL как навык рынка — в SQL roadmap из этого же цикла, если добираете базу.
Структура
Шапка: роль, домен (продукт, ecom, внутренние отчёты), город / UTC, ссылка на один разбор. Summary: источники данных, SQL/Python/BI честно, 2 факта влияния. Опыт. Проекты, если штата нет. Навыки: SQL, склады/витрины если были, BI, Python только с задачами. Образование внизу.
Не ставьте шкалы «SQL 9/10». Не ставьте логотипы Tableau. Документ должен копироваться текстом. Remote — пояс: резюме для удалёнки. Summary — как написать summary. Стек — стек в резюме.
Заголовок и SQL
Было. Аналитик. Работа с большими данными. Визуализация, storytelling, Excel, Tableau, Power BI, SQL, Python, A/B, Machine Learning. Ищу компанию с сильной data-driven культурой.
Стало. Data Analyst, продукт подписок. SQL (PostgreSQL), сверка платежей и отчёт по оттоку для поддержки и продукта. Один разбор: [ссылка]. Python для выгрузок, моделей в проде нет. Москва / UTC+3.
SQL в summary должен стыковаться с пулями: JOIN, окна, сверка, витрина, а не слово. Если SQL слабый, не маскируйте BI. Слот «витрины и дашборды по готовым кубам» существует — откликайтесь туда честно, не на «аналитик, который пишет сложные запросы с нуля».
Как писать влияние на продукт
Формула: какая метрика или спор, что посчитали, кто принял решение, что изменилось. Нет процента — напишите процесс: «перестали спорить из двух выгрузок», «отчёт приходит в понедельник сам», «правило отказа оплаты зафиксировали».
Вытаскивайте:
- определение метрики, которое согласовали;
- сверку двух источников;
- регулярный отчёт, который заменил ручную выгрузку;
- разбор воронки / оттока / отказов с выводом «что проверять дальше»;
- A/B только если вы считали, не «команда запускала эксперименты»;
- ограничения данных: дырки, лаг, что нельзя утверждать.
Выдуманные «+30% conversion thanks to my dashboard» вскрываются вопросом «как считали базу». Честнее узкий вывод. Типичный канцелярит — в ошибках в резюме. Учебные разборы — как проекты: проекты в резюме.
Пример 1. Junior / учебный разбор
Вакансия: junior аналитик, SQL, Excel/Google Sheets, продуктовые отчёты, без обязательного Python.
Junior Data Analyst. Учебный разбор отказов оплаты в сервисе заказов — [ссылка на отчёт]. SQL + таблица. Коммерческого штата нет.
Собрал определение «отказ»: статусы кассы vs кабинета. Зафиксировал расхождение 12 заказов за неделю выгрузки — без этого продукт и поддержка спорили разными числами.
Запрос: заказы, статусы, повторные попытки. Ограничение: нет данных антифрода, в отчёте так и написано.
Вывод для продукта: проверять рассинхрон статуса, не «улучшить UX кнопки». Дашборд в BI не делал.
К тестовому SQL на этой неделе готов. Python и ML в шапке нет.
Это сильнее десяти цветных дашбордов «продажи супермаркета». Есть определение, сверка, ограничение, потребитель.
Пример 2. Аналитик в продукте
Вакансия: продуктовый аналитик, SQL, метрики подписки, отчёты для продукта и поддержки.
Data Analyst, подписки. PostgreSQL, dbt для трёх витрин (чтение), Looker. 2 года. Remote, UTC+3.
Собрал еженедельный отчёт по отказам оплаты: вместо ручной выгрузки в понедельник отчёт уходит сам. Потребители — поддержка и продукт.
Описал, какие статусы считать отказом. Перестали спорить из кассы и из кабинета.
Разобрал отток первой недели: сегмент «не активировал доступ». Рекомендация — письмо-активация; запуск делал продукт, мой кусок — счёт и срез.
A/B писем не считал самостоятельно — в файле нет «проводил эксперименты». Python: скрипт выгрузки, не модели.
Граница вклада явная. Это проходит скрининг. Приписать себе рост выручки команды — нет.
Портфолио, курсы, BI
Один разбор с вопросом, данными, запросами, выводом и «чего нельзя сказать» достаточен. Десять дашбордов без вопроса — шум. Не выкладывайте внутренние данные. Учебный набор так и подпишите.
Курс аналитики без артефакта в шапку не ставьте. Сертификат BI — вниз. Если вакансия про конкретный BI, назовите его в навыках, если работали, не «любой BI».
После сборки — проверка резюме. Часто всплывает стена инструментов и ноль определений метрик.
Тестовое, письмо, созвон
Тестовое аналитика почти всегда SQL + вывод. В резюме можно строкой готовности. Объём тестового — тестовое задание. Письмо указывает на разбор: сопроводительное, генератор.
На созвоне попросят определение метрики и ограничения. Готовьте один кейс вслух, не весь Tableau. SQL-вопросы — вопросы по SQL, общая подготовка — interview-prep. Тишина — почему не отвечают: часто слот DS при аналитическом файле.