データアナリストの職務経歴書：SQL・Python・成果が伝わる実績

データアナリストの求人には膨大な応募が集まり、その多くが同じ見た目をしています。ツールの一覧、スクールの修了証、公開データのダッシュボード。書類選考を通すのは、ツールの数ではなく、自分の分析が意思決定を変えたという証拠です。

構成

1. 冒頭：氏名、居住地、連絡先、GitHubやポートフォリオ、公開ダッシュボードへのリンク。
2. 要約：担当領域、主力スタック、自分の分析が動かした最も価値ある意思決定を3〜4行で。
3. 技術スキル：言語、データベース、BIツール、統計・手法に分けて整理。
4. 職務経歴：会社、役職、期間、扱ったデータ規模、成果の箇条書き3〜5点。
5. 個人プロジェクト：職歴では見えない強みがある場合だけ2〜3本。
6. 学歴と資格。

要約の例

小売EC領域で4年のデータアナリスト。4,000万行超の注文データに対し日常的にSQLとPythonを使用。解約分析のレポートを構築して数千万円規模の継続施策予算の配分を見直し、レポート作成を自動化して営業チームの月2日分を削減。

ツールではなく影響を書く

• SQLとPythonでコホート継続率モデルを構築し、価格改定後の2か月目継続率が19%低下していることを特定。改定の撤回につながった。
• 手作業のExcelレポート14本をPower BIの単一モデルに置き換え、レポート作成時間を2日から20分に短縮。
• 決済フローのA/Bテストを設計（各群6万セッション）し、停止基準をプロダクトチームと定義。
• 売上データモデルをdbtで再構築し、財務とプロダクトのレポート差異を1%未満に縮小。
• データ品質チェックを自動化し、計測の不具合を数週間ではなく数時間で検知。

技術ブロック

• 言語：SQL（ウィンドウ関数、CTE）、Python（pandas、NumPy）、実際に使っているならR。
• データベース・DWH：PostgreSQL、MySQL、BigQuery、Snowflake、Redshift。
• BI・可視化：Power BI、Tableau、Looker、Metabase、上級レベルのExcel。
• パイプラインとバージョン管理：dbt、Airflow、Git——差がつきやすい領域です。
• 手法：A/Bテスト、回帰、コホート・ファネル分析、予測、有意性の検定。

質問に答えられるものだけを書きます。SQLの深さを装っても、最初の技術面接、たいていは結合やウィンドウ関数の一問で露見します。

実務経験がまだない場合

1. 整形済みのチュートリアルデータではなく、実際の汚いデータを使った案件を2〜3本。
2. まず問いを書く：この分析はどの意思決定を支えるのか。
3. 最終的なグラフだけでなく、SQLと考え方を見せる。
4. コードを公開してリンクする。到達できるリポジトリは修了証に勝ります。
5. 前職での分析業務（集計、価格設定、業務分析）を経験として数える。実際に経験です。

誰もクエリのためにアナリストを採用しません。そのクエリが可能にした意思決定のために採用します。