Exemplo de CV de analista de dados
O CV de um analista de dados é avaliado por um responsável de recrutamento, um líder de analytics ou um recrutador que procura três provas antes de tudo o resto: que sabes extrair e preparar os dados (SQL mais uma linguagem de scripting), que os consegues transformar em algo sobre o qual uma empresa vai agir (dashboards, modelos, recomendações claras) e que o teu trabalho anterior moveu uma métrica real. O recrutamento em analytics tem convenções que os conselhos genéricos de CV ignoram. As ferramentas são verificadas à letra — SQL, Python ou R e uma plataforma de BI como Power BI, Tableau ou Looker são requisitos obrigatórios, não um extra, e quem avalia procura exatamente as ferramentas usadas pela sua equipa. Um portefólio ou um conjunto de projetos concretos pesa tanto como os anos de experiência, porque é a forma mais rápida de confirmar que sabes mesmo fazer o trabalho. E os pontos que ganham são os que quantificam: uma linha que diz «criei dashboards» perde para «reconstruí o dashboard de retenção em Looker, reduzi o atraso do reporting de 3 dias para 15 minutos e revelei um fator de churn no valor de 140.000 £ por ano». Este exemplo cobre a estrutura que faz sobressair esses sinais pela ordem em que os analistas que recrutam os procuram, o bloco de competências técnicas que faz o trabalho de verificação, as secções de resumo e portefólio que provam a tua capacidade, os pontos de experiência que te colocam na shortlist e os erros comuns que deixam bons analistas abaixo do corte. Tudo é editável no editor Cvida — usa-o como ponto de partida e adapta-o ao teu domínio, ao teu stack e ao nível do cargo que procuras.
Porque é que um CV de analista de dados é diferente de um genérico
O recrutamento em analytics assenta em sinais que a maioria dos conselhos genéricos ignora. Começa pelo que o torna diferente:
- As ferramentas verificam-se, não se presumem: SQL é a base, depois uma linguagem de scripting (Python ou R) e uma plataforma de BI (Power BI, Tableau, Looker, Qlik) — lista as ferramentas exatas pedidas pelo cargo e quem avalia compara-as com o anúncio antes de decidir entrevistar-te
- Um portefólio prova o que os pontos apenas afirmam: um GitHub público, um perfil Tableau Public ou dois ou três projetos documentados permitem confirmar em dois minutos que sabes limpar, consultar, modelar e visualizar dados reais
- Quantificar é o padrão de ouro: receita influenciada, horas de reporting manual automatizadas, latência de decisão reduzida, precisão de modelo ganha, custos poupados — os pontos vagos do tipo «analisei dados» soam a enchimento
- O contexto de domínio importa: e-commerce, fintech, saúde, SaaS e marketing analytics têm cada um as suas métricas (LTV, churn, CAC, retenção por coortes, conversão de funil) — nomear as que geriste mostra que entendes o negócio, não só a consulta
- A comunicação faz parte do cargo: gerir stakeholders, transformar a análise numa recomendação e apresentar a públicos não técnicos separam os analistas que são contratados dos que são apenas filtrados
Trata o teu CV como o atalho do responsável para um «sim». Um líder de analytics que o leia deve poder confirmar o teu stack, ver a prova de trabalho real e ler pelo menos um resultado quantificado em dois minutos — e se não conseguir, não entras na shortlist por melhor que fosses uma vez no cargo.
A estrutura de CV que funciona para cargos de analista de dados
A maioria dos CV de analista de dados resulta melhor nesta ordem — põe à frente os sinais que os analistas que recrutam procuram primeiro:
- Cabeçalho: nome, título profissional (ex.: «Analista de dados — SQL, Python, Power BI»), cidade / região, email, telefone, LinkedIn e um link para o portefólio ou GitHub
- Resumo (3–4 linhas): anos de experiência, domínio, stack principal e um resultado quantificado de destaque
- Competências técnicas: agrupadas por tipo — consulta (SQL), linguagens (Python / R), BI e visualização, modelação de dados / data warehousing, estatística — para serem percorridas em segundos
- Experiência: cargos por ordem cronológica inversa com empregador + setor + contexto de equipa, 4–6 pontos focados em resultados cada
- Projetos / portefólio: duas ou três peças concretas com o problema, as ferramentas e o resultado mensurável — essenciais para perfis juniores e em reconversão
- Formação: área do grau + instituição, mais quaisquer cadeiras quantitativas ou com forte componente analítica
- Certificações: Google Data Analytics, Microsoft Power BI (PL-300), Tableau Desktop Specialist, certificações de dados na cloud e formação relevante
Mantém-no em 1 página abaixo dos 5 anos de experiência e 2 páginas quando fores analista sénior ou líder com pessoas ou grandes projetos a teu cargo. Põe o link do portefólio no cabeçalho para que sobreviva mesmo a uma vista de olhos de 10 segundos.
As bases de estrutura e extensão de CV em que este exemplo assentaO bloco de competências técnicas: SQL, Python, BI e estatística
É aqui que quem avalia decide se ficas operacional ao primeiro dia ou precisas de meses de adaptação. Agrupa-o para que um leitor ocupado o percorra em segundos:
- Consulta: SQL — especifica dialetos e profundidade (funções de janela, CTEs, otimização de queries em Postgres, MySQL, BigQuery, Snowflake, Redshift)
- Linguagens: Python (pandas, NumPy, scikit-learn, matplotlib / seaborn) ou R (tidyverse, ggplot2, Shiny) — nomeia as bibliotecas que usas mesmo, não só a linguagem
- BI e visualização: Power BI (DAX, Power Query), Tableau, Looker / LookML, Qlik, Looker Studio
- Modelação de dados e pipelines: dbt, modelação dimensional, ETL / ELT, Airflow, desenho de data warehouse, controlo de versões com Git
- Estatística e métodos: testes A/B, regressão, testes de hipóteses, previsão, análise por coortes e por funil, segmentação — os métodos analíticos por trás das ferramentas
Lista primeiro as ferramentas nomeadas no anúncio — tanto as pessoas como os filtros ATS procuram uma correspondência exata. Não inches a lista com ferramentas que tocaste uma vez; uma entrevista técnica sonda tudo o que afirmas, e uma afirmação fraca custa mais do que uma omissão honesta.
Como escolher e apresentar as competências que mexem mesmo num CVO resumo: domínio, stack e um resultado quantificado
Três ou quatro linhas no topo da página. Deve responder: que tipo de analista és, em que trabalhas e um resultado que prova que entregas:
- Linha 1: título + anos + domínio. Exemplo: «Analista de dados com 5 anos em e-commerce e analytics de subscrição.»
- Linha 2: stack principal + contexto de escala. Exemplo: «SQL e Python todos os dias num warehouse de 40 milhões de linhas em BigQuery; responsável pela camada de reporting Looker da empresa.»
- Linha 3: resultado de destaque com um número. Exemplo: «Construí um modelo de previsão de churn que sinalizava contas em risco com 30 dias de antecedência e alimentou uma campanha que recuperou 210.000 £ de ARR.»
- Linha 4 (opcional): o que procuras. Exemplo: «Procuro um cargo de Analista de dados sénior numa equipa de produto ou growth onde a análise orienta as decisões de roadmap.»
- O que cortar: «atento ao detalhe», «apaixonado por dados», «aprendo depressa» — qualquer candidato o reivindica; um número e uma ferramenta nomeada fazem a persuasão
Um resumo que nomeia um domínio, um stack e um resultado mensurável ganha sempre a um cheio de adjetivos. Se ainda não consegues pôr um número na linha 3, abre antes com um projeto do portefólio: a prova do trabalho convence mais do que uma autodescrição.
Como escrever conquistas de CV que se quantificam em dinheiro, tempo ou riscoPortefólio e projetos: provar que sabes fazer o trabalho
Para analistas, o portefólio é muitas vezes o fator decisivo — sobretudo nos primeiros cargos e nas reconversões. Transforma «sei fazer isto» em «aqui está a prova». Cada projeto deve mostrar:
- A pergunta: o verdadeiro problema de negócio ou de investigação que te propuseste responder, numa frase simples
- Os dados e as ferramentas: de onde vieram os dados, como os limpaste e modelaste e que ferramentas usaste (SQL, Python, a camada de BI)
- O método: a análise em si — a query, o modelo, o teste — descrita para que um avaliador técnico possa julgar o rigor
- O visual: um dashboard, um gráfico ou um notebook que se possa mesmo abrir — aloja-o no Tableau Public, GitHub ou num site pessoal
- O resultado: o que a análise revelou e, sempre que possível, que decisão ou mudança gerou
Dois projetos sólidos e bem documentados ganham a dez por acabar. Escolhe problemas próximos do domínio que procuras, escreve cada um como um breve estudo de caso e liga-os a partir do cabeçalho, para que o avaliador nunca tenha de procurar. Um portefólio que espelha o trabalho real do cargo é o mais próximo de uma amostra grátis que podes oferecer.
Pontos de experiência: a quantificação que coloca na shortlist
É aqui que a maioria dos CV de analista perde força — descrevem tarefas em vez de impacto. Reescreve cada ponto em torno de um resultado que importa a uma empresa:
- Começa pelo resultado, depois o método: «Reduzi 12 horas semanais de reporting automatizando em Python e Power BI um processo manual de Excel» ganha a «Responsável pelos relatórios semanais»
- Põe um número na maioria dos pontos: receita influenciada, % de eficiência ganha, horas poupadas, taxa de erro reduzida, utilizadores / linhas / queries em escala — até uma estimativa com base declarada ganha a nenhuma
- Nomeia as ferramentas dentro do ponto: «…em SQL e dbt», «…com um dashboard Looker», «…usando um modelo scikit-learn» — serve também de cobertura de palavras-chave para o ATS
- Mostra o stakeholder: quem usou a análise e o que fez com ela — «dei à equipa de growth uma decomposição do funil que subiu a conversão no checkout em 8%»
- Usa verbos fortes e precisos: construí, automatizei, modelei, previ, segmentei, otimizei — não «ajudei com», «trabalhei em» ou «estive envolvido em»
Um avaliador percorre os pontos em segundos. Se a primeira metade de cada linha leva um verbo e um número, sobrevives à vista de olhos — e um analista que quantifica o próprio trabalho é exatamente o analista que um responsável quer a quantificar o dele.
Como formatar pontos e palavras-chave para passarem os filtros ATSFormação, certificações e o percurso de aprendizagem do analista
Analytics é um dos campos mais flexíveis em termos de credenciais no tech — licenciados, gente de bootcamp e autodidatas com portefólio são contratados por igual. Apresenta com confiança a via que seguiste:
- Grau: área + instituição + classificação, e destaca as cadeiras quantitativas (estatística, econometria, informática, matemática) mesmo que o grau em si não seja «de dados»
- Certificações que pesam: Google Data Analytics Professional Certificate, Microsoft PL-300 (Power BI Data Analyst), Tableau Desktop Specialist, dbt, certificações de dados AWS / Azure / GCP
- Bootcamps e cursos: nomeia o programa, o projeto final e as ferramentas cobertas — um projeto final documentado vale mais do que o certificado sozinho
- Via autodidata: abre com o portefólio e as plataformas que completaste (DataCamp, competições Kaggle, freeCodeCamp) — os rankings Kaggle são prova concreta e verificável
- Mantém-na atual: lista as certificações com o ano de obtenção e poda o que está desatualizado, para que a secção transmita uma aprendizagem ativa e contínua
Nenhuma via ganha sozinha — o que convence é a combinação de uma credencial com a prova de que a sabes aplicar. Um analista autodidata com dois bons projetos de portefólio ganha muitas vezes a um licenciado sem trabalho demonstrável.
Erros comuns que deixam bons analistas abaixo do corte
Até analistas capazes são filtrados por motivos evitáveis. Confere os teus contra esta lista antes de te candidatares:
- Listar ferramentas sem profundidade nem prova: uma parede de logótipos sem projetos nem pontos quantificados soa a keyword stuffing, e a entrevista técnica desmascara-o depressa
- Descrever tarefas, não impacto: «criei relatórios», «analisei dados», «mantive dashboards» — sem número, sem stakeholder, sem resultado
- Esconder ou omitir o portefólio: para analistas é muitas vezes o ativo mais persuasivo e, ainda assim, falta ou está enterrado
- Um CV genérico para cada cargo: não espelhar o stack nomeado no anúncio (Power BI vs Tableau, Python vs R) custa-te tanto a correspondência ATS como a vista de olhos humana
- Exagerar no design: infografias densas, barras de «percentagem» de competências e gráficos garridos prejudicam a legibilidade e quebram o parsing ATS — estrutura limpa e números reais ganham
Quase todos se resumem a um único hábito: mostrar impacto e prova em vez de listar funções e ferramentas. Corrige isso e passas a fasquia que descarta a maioria dos candidatos antes de um humano sequer ler com atenção.
Mais táticas para CV de tech e dados, ATS e provas técnicasNotas finais e o teste do responsável de recrutamento
Antes de o enviares, passa o teu CV pelo mesmo teste rápido que um responsável de recrutamento de analytics vai fazer:
- Teste do stack: consegue confirmar SQL, uma linguagem de scripting e uma ferramenta de BI nos primeiros 10 segundos?
- Teste da prova: há um link de portefólio ou projeto que possa abrir, e funciona?
- Teste do impacto: pelo menos um ponto por cargo leva um número ligado a um resultado de negócio?
- Teste de correspondência: o CV espelha as ferramentas e o domínio nomeados no anúncio?
- Teste de legibilidade: estrutura limpa, sem barras de competências, lê-se bem como texto simples para o ATS?
Se podes responder «sim» às cinco, o teu CV cumpre a sua função: leva-te à sala onde a tua análise fala por si. Constrói e adapta o teu no editor Cvida, preenche o domínio e o stack e abre com os números que provam o teu trabalho.