Cv-voorbeeld data-analist
Het cv van een data-analist wordt beoordeeld door een hiring manager, een analytics-lead of een recruiter die vóór alles drie bewijzen zoekt: dat je data kunt ophalen en bewerken (SQL plus een scripttaal), dat je die kunt omzetten in iets waarop een bedrijf actie onderneemt (dashboards, modellen, heldere aanbevelingen), en dat je eerdere werk een echte metric heeft bewogen. Werving in analytics kent conventies die generiek cv-advies mist. Tools worden letterlijk gecontroleerd — SQL, Python of R en een BI-platform als Power BI, Tableau of Looker zijn harde eisen, geen pluspunt, en wie beoordeelt zoekt precies de tools die zijn team gebruikt. Een portfolio of een set concrete projecten weegt net zo zwaar als jaren ervaring, want het is de snelste manier om te bevestigen dat je het werk echt kunt. En de bullets die winnen, zijn die welke kwantificeren: een regel die zegt 'dashboards gebouwd' verliest van 'het retentiedashboard in Looker herbouwd, de rapportagevertraging van 3 dagen naar 15 minuten teruggebracht en een churn-oorzaak van £140k per jaar blootgelegd'. Dit voorbeeld behandelt de structuur die deze signalen naar voren brengt in de volgorde waarin analytics-beoordelaars ze zoeken, het blok technische vaardigheden dat het verificatiewerk doet, de samenvattings- en portfoliosecties die je kunnen aantonen, de ervaringsbullets die op de shortlist brengen, en de veelgemaakte fouten die sterke analisten onder de streep laten vallen. Alles is bewerkbaar in de Cvida-editor — gebruik het als vertrekpunt en stem het af op je domein, je stack en het niveau van de functie die je nastreeft.
Waarom een cv van een data-analist verschilt van een generiek cv
Werving in analytics draait op signalen die het meeste generieke cv-advies negeert. Begin bij wat het anders maakt:
- Tools worden geverifieerd, niet verondersteld: SQL is de basis, dan een scripttaal (Python of R) en een BI-platform (Power BI, Tableau, Looker, Qlik) — noem precies de tools die de functie vraagt, en de beoordelaar legt ze naast de vacature voordat hij besluit je uit te nodigen
- Een portfolio bewijst wat bullets enkel beweren: een openbare GitHub, een Tableau Public-profiel of twee à drie gedocumenteerde projecten laten in twee minuten bevestigen dat je echte data kunt opschonen, bevragen, modelleren en visualiseren
- Kwantificeren is de gouden standaard: beïnvloede omzet, geautomatiseerde uren handmatige rapportage, verlaagde beslislatentie, gewonnen modelnauwkeurigheid, bespaarde kosten — vage bullets als 'data geanalyseerd' lezen als opvulling
- Domeincontext telt: e-commerce, fintech, zorg, SaaS en marketing-analytics hebben elk eigen metrics (LTV, churn, CAC, cohortretentie, funnelconversie) — de metrics noemen die je zelf beheerde, toont dat je het bedrijf begrijpt, niet alleen de query
- Communicatie hoort bij de functie: stakeholders managen, analyse omzetten in een aanbeveling en presenteren aan een niet-technisch publiek scheiden de analisten die worden aangenomen van wie alleen wordt weggefilterd
Behandel je cv als de kortste route van de hiring manager naar een 'ja'. Een analytics-lead die het leest, moet je stack kunnen bevestigen, bewijs van echt werk zien en minstens één gekwantificeerd resultaat lezen binnen twee minuten — en kan dat niet, dan haal je de shortlist niet, hoe goed je ook zou zijn eenmaal in de functie.
De cv-structuur die werkt voor functies als data-analist
De meeste cv's van data-analisten komen het best tot hun recht in deze volgorde — die zet de signalen vooraan die analytics-beoordelaars als eerste zoeken:
- Koptekst: naam, functietitel (bijv. 'Data-analist — SQL, Python, Power BI'), stad / regio, e-mail, telefoon, LinkedIn en een link naar portfolio of GitHub
- Samenvatting (3–4 regels): jaren ervaring, domein, kernstack en één in het oog springend gekwantificeerd resultaat
- Technische vaardigheden: gegroepeerd per type — bevragen (SQL), talen (Python / R), BI en visualisatie, datamodellering / data warehousing, statistiek — zodat ze in seconden te scannen zijn
- Ervaring: functies in omgekeerd chronologische volgorde met werkgever + sector + teamcontext, elk 4–6 op resultaat gerichte bullets
- Projecten / portfolio: twee of drie concrete stukken met het probleem, de tools en het meetbare resultaat — onmisbaar voor starters en carrièreswitchers
- Opleiding: studierichting + instelling, plus eventuele kwantitatieve of sterk analytische vakken
- Certificaten: Google Data Analytics, Microsoft Power BI (PL-300), Tableau Desktop Specialist, cloud-datacertificaten en relevante cursussen
Houd het op 1 pagina onder de 5 jaar ervaring en op 2 pagina's zodra je senior analist of lead bent met mensen of grote projecten onder je. Zet de portfoliolink in de koptekst zodat hij zelfs een blik van 10 seconden overleeft.
De basis van cv-structuur en -lengte waarop dit voorbeeld voortbouwtHet blok technische vaardigheden: SQL, Python, BI en statistiek
Hier beslist de beoordelaar of je vanaf dag één productief bent of maanden inwerktijd nodig hebt. Groepeer het zo dat een drukke lezer het in seconden scant:
- Bevragen: SQL — geef dialecten en diepgang aan (window-functies, CTE's, query-optimalisatie in Postgres, MySQL, BigQuery, Snowflake, Redshift)
- Talen: Python (pandas, NumPy, scikit-learn, matplotlib / seaborn) of R (tidyverse, ggplot2, Shiny) — noem de libraries die je echt gebruikt, niet alleen de taal
- BI en visualisatie: Power BI (DAX, Power Query), Tableau, Looker / LookML, Qlik, Looker Studio
- Datamodellering en pipelines: dbt, dimensionele modellering, ETL / ELT, Airflow, data-warehouseontwerp, versiebeheer met Git
- Statistiek en methoden: A/B-tests, regressie, hypothesetoetsing, forecasting, cohort- en funnelanalyse, segmentatie — de analytische methoden achter de tools
Noem eerst de tools die de vacature noemt — zowel mensen als ATS-keywordfilters zoeken een exacte match. Blaas de lijst niet op met tools die je één keer hebt aangeraakt; een technisch gesprek toetst alles wat je beweert, en een dunne bewering kost je meer dan een eerlijke weglating.
Hoe je de vaardigheden kiest en presenteert die een cv echt vooruithelpenDe samenvatting: domein, stack en een gekwantificeerd resultaat
Drie of vier regels boven aan de pagina. Ze moet antwoorden: wat voor analist je bent, waarin je werkt en één resultaat dat bewijst dat je levert:
- Regel 1: titel + jaren + domein. Voorbeeld: 'Data-analist met 5 jaar in e-commerce en abonnementsanalytics.'
- Regel 2: kernstack + schaalcontext. Voorbeeld: 'Dagelijks SQL en Python op een warehouse van 40 miljoen rijen in BigQuery; verantwoordelijk voor de Looker-rapportagelaag van het bedrijf.'
- Regel 3: in het oog springend resultaat met een getal. Voorbeeld: 'Een churn-voorspelmodel gebouwd dat risicoaccounts 30 dagen eerder markeerde en een campagne voedde die £210k aan ARR terugwon.'
- Regel 4 (optioneel): wat je zoekt. Voorbeeld: 'Op zoek naar een functie als senior data-analist in een product- of growth-team waar analyse de roadmapbeslissingen stuurt.'
- Wat je schrapt: 'oog voor detail', 'gepassioneerd door data', 'leert snel' — elke kandidaat claimt dit; een getal en een genoemde tool doen het overtuigen
Een samenvatting die een domein, een stack en een meetbaar resultaat noemt, wint elke keer van een vol bijvoeglijke naamwoorden. Kun je nog geen getal in regel 3 zetten, open dan met een portfolioproject — bewijs van werk overtuigt meer dan een zelfbeschrijving.
Hoe je cv-prestaties schrijft die kwantificeren in geld, tijd of risicoPortfolio en projecten: bewijzen dat je het werk kunt
Voor analisten is het portfolio vaak de doorslaggevende factor — vooral bij eerste functies en carrièreswitches. Het maakt van 'ik kan dit' een 'hier is het bewijs'. Elk project moet tonen:
- De vraag: het echte zakelijke of onderzoeksprobleem dat je wilde beantwoorden, in één simpele zin
- De data en de tools: waar de data vandaan kwam, hoe je die opschoonde en modelleerde en welke tools je gebruikte (SQL, Python, de BI-laag)
- De methode: de analyse zelf — de query, het model, de test — beschreven zodat een technische beoordelaar de degelijkheid kan inschatten
- Het visuele: een dashboard, grafiek of notebook dat een beoordelaar echt kan openen — host het op Tableau Public, GitHub of een persoonlijke site
- Het resultaat: wat de analyse onthulde en, waar mogelijk, welke beslissing of verandering het aanstuurde
Twee sterke, goed gedocumenteerde projecten winnen van tien half afgemaakte. Kies problemen dicht bij het domein dat je nastreeft, schrijf elk uit als een korte case study en link ze vanuit de koptekst zodat een beoordelaar nooit hoeft te zoeken. Een portfolio dat het echte werk van de functie weerspiegelt, is het dichtst bij een gratis proef dat je kunt bieden.
Ervaringsbullets: de kwantificering die op de shortlist brengt
Hier zakken de meeste analisten-cv's in — ze beschrijven taken in plaats van impact. Herschrijf elke bullet rond een resultaat waar een bedrijf om geeft:
- Begin met het resultaat, dan de methode: 'De wekelijkse rapportagetijd met 12 uur teruggebracht door een handmatig Excel-proces te automatiseren in Python en Power BI' wint van 'Verantwoordelijk voor de wekelijkse rapporten'
- Zet een getal in de meeste bullets: beïnvloede omzet, % gewonnen efficiëntie, bespaarde uren, verlaagd foutpercentage, gebruikers / rijen / queries op schaal — zelfs een schatting met een vermelde basis wint van geen
- Noem de tools in de bullet zelf: '…in SQL en dbt', '…met een Looker-dashboard', '…met een scikit-learn-model' — dat dient tegelijk als keyworddekking voor ATS
- Toon de stakeholder: wie de analyse gebruikte en wat hij ermee deed — 'het growth-team een funnelopsplitsing gegeven die de checkout-conversie met 8% verhoogde'
- Gebruik sterke, concrete werkwoorden: gebouwd, geautomatiseerd, gemodelleerd, voorspeld, gesegmenteerd, geoptimaliseerd — niet 'meegeholpen aan', 'gewerkt aan' of 'betrokken bij'
Een beoordelaar scant bullets in seconden. Draagt de eerste helft van elke regel een werkwoord en een getal, dan overleef je de blik — en een analist die zijn eigen werk kwantificeert, is precies de analist die een manager wil om het zijne te kwantificeren.
Hoe je bullets en keywords opmaakt zodat ze ATS-filters passerenOpleiding, certificaten en het leerpad van de analist
Analytics is een van de meest diploma-flexibele vakgebieden in tech — afgestudeerden, bootcampers en autodidacten met portfolio worden evengoed aangenomen. Presenteer met vertrouwen de route die je nam:
- Diploma: vak + instelling + beoordeling, en licht kwantitatieve vakken uit (statistiek, econometrie, informatica, wiskunde) ook al is het diploma zelf niet 'data'
- Certificaten die wegen: Google Data Analytics Professional Certificate, Microsoft PL-300 (Power BI Data Analyst), Tableau Desktop Specialist, dbt, datacertificaten van AWS / Azure / GCP
- Bootcamps en cursussen: noem het programma, het eindproject en de behandelde tools — een gedocumenteerd eindproject is meer waard dan het certificaat alleen
- Autodidactisch pad: open met het portfolio en de platforms die je hebt afgerond (DataCamp, Kaggle-competities, freeCodeCamp) — Kaggle-rankings zijn concreet, verifieerbaar bewijs
- Houd het actueel: vermeld certificaten met het jaar van behalen en snoei het verouderde weg, zodat de sectie actief, doorlopend leren uitstraalt
Geen enkele route wint op zichzelf — wat overtuigt is de combinatie van een diploma en het bewijs dat je het kunt toepassen. Een autodidactische analist met twee sterke portfolioprojecten wint vaak van een afgestudeerde zonder aantoonbaar werk.
Veelgemaakte fouten die sterke analisten onder de streep laten vallen
Zelfs bekwame analisten worden om vermijdbare redenen weggefilterd. Leg de jouwe naast deze lijst voordat je solliciteert:
- Tools opsommen zonder diepgang of bewijs: een muur van logo's zonder projecten of gekwantificeerde bullets leest als keyword stuffing, en het technische gesprek legt het snel bloot
- Taken beschrijven, geen impact: 'rapporten gemaakt', 'data geanalyseerd', 'dashboards onderhouden' — geen getal, geen stakeholder, geen resultaat
- Het portfolio verstoppen of weglaten: voor analisten vaak de meest overtuigende troef, en toch ontbreekt het of staat het begraven
- Eén generiek cv voor elke functie: de in de vacature genoemde stack niet weerspiegelen (Power BI vs Tableau, Python vs R) kost je zowel de ATS-match als de menselijke blik
- Het ontwerp overdrijven: dichte infographics, 'percentage'-balken voor vaardigheden en bonte grafieken schaden de leesbaarheid en breken de ATS-parsing — strakke structuur en echte getallen winnen
Bijna alle komen neer op één gewoonte: toon impact en bewijs in plaats van taken en tools op te sommen. Verhelp dat en je haalt de lat die de meerderheid van de kandidaten afvalt voordat een mens überhaupt aandachtig leest.
Meer tactieken voor tech- en data-cv's, ATS en technische testsSlotopmerkingen en de test van de hiring manager
Voordat je het verstuurt, haal je cv door dezelfde snelle test die een analytics-hiring manager zal doen:
- Stack-check: kan hij SQL, een scripttaal en een BI-tool bevestigen in de eerste 10 seconden?
- Bewijs-check: is er een portfolio- of projectlink die hij kan openen, en werkt die?
- Impact-check: draagt minstens één bullet per functie een getal dat aan een zakelijk resultaat is gekoppeld?
- Match-check: weerspiegelt het cv de tools en het domein die de vacature noemt?
- Leesbaarheid-check: strakke structuur, geen vaardigheidsbalken, parseert het schoon als platte tekst voor ATS?
Kun je op alle vijf 'ja' antwoorden, dan doet je cv zijn werk — het brengt je in de kamer waar je eigenlijke analyse voor zich spreekt. Bouw en stem het jouwe af in de Cvida-editor, vul je domein en stack in en open met de getallen die je werk bewijzen.