CV de analista de dados: SQL, Python e projetos com impacto comprovado

As vagas de analista de dados atraem um volume enorme de candidaturas e quase todas se parecem: uma lista de ferramentas, um certificado de bootcamp e um dashboard sobre um conjunto de dados público. O que coloca um currículo na lista curta não são mais ferramentas — é a prova de que a sua análise mudou uma decisão.

Estrutura

1. Cabeçalho: nome, cidade, contacto e links para GitHub, portefólio ou um dashboard publicado.
2. Resumo: 3–4 linhas sobre o seu domínio, a stack principal e a decisão mais valiosa que o seu trabalho influenciou.
3. Competências técnicas: agrupadas — linguagens, bases de dados, ferramentas de BI, estatística e métodos.
4. Experiência: empresa, cargo, datas, volume de dados e 3–5 tópicos de impacto.
5. Projetos: dois ou três, apenas se acrescentarem o que os empregos não mostram.
6. Formação e certificações.

Resumo-exemplo

Analista de dados com 4 anos em e-commerce de retalho, a trabalhar diariamente em SQL e Python sobre um armazém com mais de 40 milhões de linhas de encomenda. Construiu o reporting de churn que redistribuiu um orçamento de retenção de seis dígitos e automatizou um pacote de relatórios que poupa dois dias por mês à equipa comercial.

Escreva impacto, não ferramentas

• Modelo de retenção por coortes em SQL e Python que identificou uma queda de 19 % na retenção do segundo mês após uma alteração de preços, levando à reversão.
• Substituição de 14 relatórios manuais em Excel por um único modelo em Power BI, reduzindo o tempo de reporting de dois dias para 20 minutos.
• Desenho de um teste A/B do processo de pagamento com 60 000 sessões por braço e definição da regra de paragem com a equipa de produto.
• Reconstrução do modelo de dados de receita em dbt, reduzindo as divergências entre finanças e produto para menos de 1 %.
• Automatização de verificações de qualidade que detetaram um lançamento de tracking defeituoso em horas em vez de semanas.

O bloco técnico

• Linguagens: SQL (funções de janela, CTE), Python (pandas, NumPy), R apenas se o usar mesmo.
• Bases de dados e armazéns: PostgreSQL, MySQL, BigQuery, Snowflake, Redshift.
• BI e visualização: Power BI, Tableau, Looker, Metabase, Excel avançado.
• Pipelines e versionamento: dbt, Airflow, Git — fortes diferenciadores.
• Métodos: testes A/B, regressão, análise de coortes e funis, previsão, significância estatística.

Liste apenas aquilo sobre que pode ser questionado. Profundidade fingida em SQL descobre-se na primeira entrevista técnica, normalmente numa pergunta sobre joins.

Ainda sem experiência profissional?

1. Dois ou três projetos com dados reais e sujos, não um conjunto de tutorial já limpo.
2. Comece pela pergunta: que decisão apoiaria esta análise?
3. Mostre o seu SQL e o seu raciocínio, não apenas o gráfico final.
4. Publique o código e ligue-o. Um repositório acessível vale mais do que um certificado.
5. Conte como experiência o trabalho analítico do emprego anterior — relatórios, preços, análise de operações.

Ninguém contrata um analista pela consulta, mas pela decisão que a consulta tornou possível.