Резюме дата-аналитика: как составить в 2025 году с примерами и шаблонами
дата аналитик - готовый пример резюме для профессии и руководство по составлению с советами бесплатно.
Более 320 человек нашли работу через наш сервис за 3 месяцадата аналитик
- +7 (914) 333-23-33
- ivanov.data-analitik@gmail.com
- ivanov-ivan.ru
- Проживает: Москва, Россия
- Гражданство: Россия
- Разрешение на работу: есть, Россия
- Не готов к переезду, не готов к командировкам
Желаемая должность и зарплата
дата аналитик
- Специализации:
- - дата аналитик;
- Занятость: полная занятость
- График работы: полный день
- Время в пути до работы: не имеет значения
Вы отправили 30 откликов, но получили только 2 ответа? Проблема не в конкуренции — проблема в том, как вы описываете свой опыт. Рекрутер тратит 30 секунд на просмотр резюме, а ATS-система может отфильтровать вас еще раньше. В этом руководстве вы узнаете, как превратить список технологий в резюме, которое продает ваши навыки и генерирует приглашения на собеседования.
Кто такой дата-аналитик и чем он отличается от смежных специалистов
Дата-аналитик собирает, обрабатывает и интерпретирует данные, чтобы помочь бизнесу принимать обоснованные решения. Вы работаете с SQL-запросами, создаете дашборды в Power BI или Tableau, проводите A/B-тесты и ищете инсайты в массивах информации.
Ключевое отличие от Data Scientist: вы фокусируетесь на ответах на конкретные бизнес-вопросы с помощью существующих данных, а не разрабатываете сложные ML-модели для предсказаний.
Отличие от Business Analyst: вы работаете непосредственно с данными и кодом (SQL, Python), в то время как бизнес-аналитик концентрируется на процессах и требованиях к продукту.
Основные специализации дата-аналитика:
- Продуктовый аналитик данных — анализирует метрики продукта (DAU/MAU, retention, воронки), влияние изменений на поведение пользователей
- Маркетинговый аналитик данных — оценивает эффективность каналов, строит атрибуционные модели, рассчитывает CAC и LTV
- BI-аналитик — создает корпоративные системы отчетности, разрабатывает ETL-процессы и интерактивные дашборды
- Финансовый аналитик данных — работает с финансовыми показателями, прогнозами и бюджетированием
Понимание своей специализации критически важно для резюме: рекрутер ищет не просто "аналитика", а специалиста для конкретной области бизнеса.
Какие навыки должны быть в резюме дата-аналитика
Навыки — это не просто список технологий. Это доказательство того, что вы сможете решать задачи работодателя. Рекрутер сканирует резюме по ключевым словам, а ATS-система фильтрует кандидатов по совпадению требований вакансии.
Матрица технических навыков по уровням
Junior Data Analyst (0-2 года опыта)
Обязательный минимум:
- SQL — уверенное владение SELECT, JOIN, GROUP BY, подзапросами, оконными функциями (ROW_NUMBER, RANK)
- Excel/Google Sheets — сводные таблицы, ВПР, ИНДЕКС+ПОИСКПОЗ, базовые формулы
- Python или R — один язык на уровне чтения и написания скриптов для обработки данных (pandas, numpy)
- Визуализация — один инструмент (Power BI, Tableau, Google Data Studio) на уровне создания базовых дашбордов
- Статистика — понимание средних величин, медианы, корреляции, базовых статистических тестов
Желательно:
- Git для версионирования кода
- Понимание принципов работы баз данных (PostgreSQL, MySQL)
- Опыт работы с API для выгрузки данных
Пример оформления для Junior:
Технические навыки:
• Языки запросов: SQL (PostgreSQL, MySQL) — написание сложных запросов с JOIN, подзапросами, оконными функциями
• Программирование: Python (pandas, numpy, matplotlib) — обработка и визуализация данных
• BI-инструменты: Power BI — создание интерактивных дашбордов и отчетов
• Таблицы: Excel (продвинутый уровень) — сводные таблицы, ВПР, Power Query
• Инструменты: Git, Jupyter Notebook, Google Analytics
• Базовые знания: A/B-тестирование, описательная статистика, ETL-процессы
Совет эксперта: Не указывайте технологии, которыми владеете на уровне "читал статью". Рекрутер может спросить о любом инструменте из списка. Если работали с SQL только на курсах — укажите это честно: "SQL (учебные проекты)".
Middle Data Analyst (2-4 года опыта)
На этом уровне важны не только инструменты, но и глубина владения ими, а также понимание бизнес-контекста.
Обязательные навыки:
- SQL — продвинутый уровень: сложные оконные функции, CTE, оптимизация запросов, понимание индексов
- Python — уверенное владение pandas, numpy, scipy, seaborn/plotly для визуализации
- Визуализация — минимум один инструмент на экспертном уровне + опыт работы с DAX/вычисляемыми полями
- A/B-тестирование — практический опыт проведения экспериментов и интерпретации результатов
- Статистика — проверка гипотез, доверительные интервалы, статистическая значимость
- ETL — понимание процессов извлечения, трансформации и загрузки данных
Дополнительно (повышает ценность):
- Apache Airflow или другие инструменты оркестрации
- dbt для трансформации данных
- Clickhouse, BigQuery или другие аналитические СУБД
- Продвинутая работа с API
- Понимание принципов Data Warehousing
Пример оформления для Middle:
Технические навыки:
• Языки и БД: SQL (PostgreSQL, Clickhouse) — сложные аналитические запросы, оптимизация производительности, оконные функции | Python (pandas, numpy, scipy, seaborn) — ETL-процессы, статистический анализ
• BI и визуализация: Tableau (продвинутый), Power BI — разработка комплексных дашбордов с вычисляемыми полями и параметрами
• Аналитические методы: A/B-тестирование, когортный анализ, RFM-сегментация, статистическая проверка гипотез
• Автоматизация: Apache Airflow (базовый уровень), Git, Jupyter Notebook
• Дополнительно: Google Analytics, Яндекс.Метрика, понимание архитектуры DWH
Senior/Lead Data Analyst (4+ года опыта)
На старшем уровне от вас ждут не только экспертизы в технологиях, но и способности выстраивать аналитические процессы, менторить команду и принимать стратегические решения.
Обязательные компетенции:
- Все навыки Middle уровня на экспертном уровне
- Архитектура данных — проектирование витрин данных, понимание звезды/снежинки
- Продвинутая статистика — регрессионный анализ, кластеризация, прогнозирование временных рядов
- Автоматизация — создание data pipelines, ETL-процессов
- Облачные платформы — опыт работы с BigQuery, Snowflake, AWS Redshift
- Управление проектами — опыт постановки задач, приоритизации, работы с кросс-функциональными командами
Бизнес-навыки:
- Понимание финансовых метрик (unit-экономика, CAC, LTV, ROMI)
- Опыт презентаций для топ-менеджмента
- Способность переводить бизнес-вопросы в аналитические задачи
Пример оформления для Senior:
Технические компетенции:
• Экспертиза: SQL (PostgreSQL, Clickhouse, BigQuery) — сложные аналитические запросы, оптимизация производительности, проектирование витрин данных | Python (pandas, numpy, scipy, scikit-learn, statsmodels) — полный цикл анализа данных, статистическое моделирование, автоматизация
• Визуализация и BI: Tableau, Power BI, Looker — проектирование корпоративных систем отчетности
• Data Engineering: Apache Airflow, dbt, базовые навыки Spark — построение и автоматизация ETL-процессов
• Методы анализа: A/B-тестирование (полный цикл), когортный анализ, прогнозирование (ARIMA, Prophet), кластеризация, регрессионный анализ
• Облачные платформы: BigQuery, Snowflake
• Дополнительно: Git, Docker (базовый), продуктовая аналитика, управление командой
Бизнес-компетенции: понимание unit-экономики, опыт работы с финансовыми метриками (CAC, LTV, ROMI), презентации для C-level
Как правильно описывать уровень владения навыками
Избегайте расплывчатых формулировок типа "базовый", "средний", "продвинутый" — они ничего не говорят рекрутеру. Вместо этого используйте конкретные описания:
Вместо: SQL — продвинутый уровень
Лучше: SQL (PostgreSQL, MySQL) — сложные JOIN, подзапросы, оконные функции, CTE, оптимизация запросов
Вместо: Python — средний уровень
Лучше: Python (pandas, numpy, seaborn) — обработка данных, статистический анализ, создание визуализаций
Вместо: Power BI — уверенный пользователь
Лучше: Power BI — создание интерактивных дашбордов, работа с DAX, настройка автообновления данных
Актуальные технологии 2025 года, которые выделят ваше резюме
Если вы владеете этими инструментами — обязательно укажите их в резюме. Они пока редки на рынке, но спрос на них активно растет:
- dbt (data build tool) — инструмент для трансформации данных, который становится стандартом в современных data teams
- Apache Airflow — оркестрация data pipelines, автоматизация ETL-процессов
- BigQuery, Snowflake — облачные хранилища данных с высокой производительностью
- Metabase — open-source BI-инструмент, популярный в стартапах
- ChatGPT API — для автоматизации генерации отчетов и рутинных аналитических задач
- Looker — современный BI-инструмент от Google
- Prefect — альтернатива Airflow для оркестрации
Совет эксперта: Не перегружайте резюме технологиями. 15-20 ключевых инструментов достаточно. Лучше показать глубину владения 5 технологиями, чем поверхностное знание 30.
Soft skills: какие личные качества действительно важны
Личные качества в резюме работают только тогда, когда вы подкрепляете их конкретными примерами из опыта. Просто написать "ответственный, коммуникабельный" — бесполезно.
Топ-5 soft skills для дата-аналитика:
- Аналитическое мышление
- Внимание к деталям
- Коммуникабельность
- Проактивность
- Способность работать с неструктурированными данными
Как правильно показать soft skills в резюме:
Вместо раздела "Личные качества: внимательный, коммуникабельный" интегрируйте их в описание достижений:
Аналитическое мышление:
"Выявил аномалию в воронке продаж через анализ когортных метрик, что привело к обнаружению технической ошибки на этапе оплаты и возврату 15% потерянной выручки (2.3 млн руб./месяц)"
Коммуникабельность:
"Провел 12+ презентаций аналитических отчетов для департамента маркетинга и C-level менеджмента, адаптировав техническую информацию под бизнес-аудиторию без профильных знаний SQL"
Проактивность:
"Инициировал создание автоматизированной системы мониторинга ключевых продуктовых метрик в Tableau, сократив время на подготовку еженедельных отчетов с 8 до 1 часа и освободив 30% рабочего времени команды для глубокой аналитики"
Внимание к деталям:
"Обнаружил расхождение в 7% между данными в Google Analytics и внутренней БД, провел аудит систем трекинга, что позволило скорректировать маркетинговый бюджет и сэкономить 450 тыс. руб."
Пошаговое руководство: как составить резюме дата-аналитика
Теперь перейдем к практике. Каждый раздел резюме выполняет конкретную функцию — привлечь внимание, доказать экспертизу, показать результаты.
Заголовок и контакты: как правильно представиться
Заголовок — это первое, что видит рекрутер. Он должен мгновенно давать ответ на вопрос "кто вы?".
Структура заголовка:
- Должность (точная, с уровнем)
- Ключевая специализация или стек (опционально)
Удачные варианты:
- Data Analyst (Middle)
- Аналитик данных / Data Analyst
- Продуктовый аналитик данных (Senior)
- BI-аналитик (Power BI, SQL)
- Junior Data Analyst (Python/SQL)
- Маркетинговый аналитик данных
Неудачные варианты:
- ❌ Специалист по данным (слишком размыто)
- ❌ Аналитик (без уточнения области)
- ❌ Data Scientist / Дата-аналитик (это разные профессии — не путайте рекрутера)
- ❌ Программист-аналитик (искажает специализацию)
- ❌ Специалист по аналитике и работе с информацией (канцелярит)
Контактная информация:
Укажите все актуальные каналы связи:
- Телефон (с мессенджерами: WhatsApp, Telegram)
- Email (профессиональный адрес: имя.фамилия@, не vasyapupkin1995@)
- LinkedIn или профиль на hh.ru/Habr Career
- GitHub (обязательно, если есть публичные проекты с кодом)
- Telegram username (для быстрой связи)
Город можно указывать с пометкой о готовности к релокации или удаленной работе.
Раздел "О себе": как продать себя в 3-4 предложениях
Это ваш elevator pitch. У рекрутера 30 секунд — за это время вы должны показать, почему стоит читать дальше.
Структура эффективного блока "О себе":
- Кто вы + опыт (в годах)
- Ключевая экспертиза (технологии и области)
- Главное достижение или специализация (в цифрах)
- Что ищете (опционально)
Примеры для разных уровней:
Junior Data Analyst (0-1 год опыта):
Начинающий аналитик данных с опытом работы над 5+ аналитическими проектами в области e-commerce и маркетинга. Владею SQL (PostgreSQL), Python (pandas, numpy) и Power BI для создания дашбордов и автоматизации отчетности. В последнем проекте разработал систему мониторинга метрик интернет-магазина, которая позволила отслеживать 12 ключевых показателей в реальном времени. Ищу позицию Junior Data Analyst для применения навыков в продуктовой или маркетинговой аналитике.
Почему работает:
- Компенсирует отсутствие коммерческого опыта конкретными проектами
- Называет технологии, которые ищет рекрутер
- Показывает результат (конкретный дашборд с 12 метриками)
- Четко обозначает желаемую область
Middle Data Analyst (2-4 года опыта):
Аналитик данных с 3+ годами опыта в продуктовой аналитике для fintech и e-commerce. Специализируюсь на глубокой работе с поведением пользователей, A/B-тестировании и построении прогнозных моделей. Использую SQL, Python и Tableau для поиска инсайтов и автоматизации аналитики. За последний год провел 15+ A/B-тестов, которые увеличили конверсию продуктовой воронки на 27% и принесли дополнительные 18 млн руб. выручки. Ищу позицию в продуктовой команде для работы над growth-метриками и retention.
Почему работает:
- Конкретизирует индустрию (fintech, e-commerce)
- Показывает специализацию (A/B-тесты, прогнозы)
- Использует бизнес-метрики (27% конверсии, 18 млн руб.)
- Обозначает желаемую область (growth, retention)
Senior Data Analyst (5+ лет опыта):
Старший аналитик данных с 6-летним опытом построения аналитических систем для технологических компаний (MAU 1M+). Эксперт в продуктовой аналитике, A/B-тестировании и автоматизации ETL-процессов. Выстроил с нуля аналитическую инфраструктуру на стеке SQL/Python/Airflow/Tableau, которая обслуживает 4 департамента и обрабатывает 50M+ событий в день. Опыт управления командой из 3 аналитиков и кросс-функционального взаимодействия с продуктом, маркетингом и разработкой. Ищу роль Lead/Senior Data Analyst для построения data-driven культуры в растущей компании.
Почему работает:
- Подчеркивает масштаб (MAU 1M+, 50M+ событий)
- Показывает системное мышление (выстроил инфраструктуру с нуля)
- Демонстрирует лидерские навыки (управление командой)
- Говорит на языке стратегии (data-driven культура)
Совет эксперта: Не начинайте блок "О себе" с банальных фраз типа "Ответственный специалист с аналитическим складом ума". Это пустые слова. Начните с конкретики: ваш уровень, стаж, технологии, индустрия.
Опыт работы: как превратить обязанности в достижения
Это самый важный раздел резюме. Рекрутер проводит здесь 80% времени. Ваша задача — показать не "что вы делали", а "какую ценность принесли компании".
Золотое правило: Каждый пункт должен отвечать на вопрос "И что?". Что изменилось благодаря вашей работе? Как это повлияло на бизнес?
Формула описания достижения:
Глагол действия + Что сделали + С помощью чего (технологии) + Результат в цифрах
Плохой пример:
"Создавал отчеты для отдела маркетинга"
Хороший пример:
"Разработал систему автоматизированных еженедельных дашбордов в Tableau для маркетинга, охватывающую 15+ метрик (CAC, ROMI, конверсии по каналам), что сократило время на формирование отчетов на 70% (с 10 до 3 часов в неделю) и позволило принимать решения по перераспределению бюджета в режиме реального времени"
Почему второй пример работает:
- Называет инструмент (Tableau)
- Показывает масштаб (15+ метрик)
- Измеряет эффект (70%, конкретные часы)
- Объясняет бизнес-ценность (решения в реальном времени)
Глаголы действия для дата-аналитика:
Используйте сильные глаголы, которые показывают вашу активную роль:
- Проанализировал
- Разработал
- Автоматизировал
- Оптимизировал
- Выявил
- Построил
- Внедрил
- Сократил
- Увеличил
- Визуализировал
- Спроектировал
- Провел (A/B-тестирование, исследование)
- Создал
- Инициировал
Избегайте слабых формулировок:
- ❌ Занимался анализом
- ❌ Участвовал в проектах
- ❌ Помогал команде
- ❌ Работал с данными
- ❌ Отвечал за отчеты
Ключевые метрики для измерения успеха:
Рекрутер и нанимающий менеджер хотят видеть цифры. Вот какие KPI особенно ценны:
Бизнес-метрики:
- Рост/снижение выручки (%, абсолютные значения)
- Изменение конверсии на ключевых этапах воронки
- Увеличение retention, снижение churn
- ROI, ROMI аналитических инициатив
- CAC, LTV и их соотношение
Операционные метрики:
- Сокращение времени на формирование отчетов (%, часы в неделю)
- Количество обрабатываемых записей/событий (млн, млрд)
- Количество автоматизированных процессов
- Охват дашбордами (количество пользователей, департаментов)
Качество аналитики:
- Точность прогнозов (MAPE, R², процент отклонения)
- Количество проведенных A/B-тестов
- Количество выявленных инсайтов, внедренных в продукт
Примеры трансформации "Обязанность → Достижение"
Давайте возьмем типичные обязанности аналитика и превратим их в продающие формулировки для разных уровней.
Пример 1: Создание дашбордов
| Junior | Middle | Senior |
|---|---|---|
| ❌ Создавал дашборды в Power BI | ❌ Разрабатывал отчеты для разных отделов | ❌ Занимался визуализацией данных |
| ✅ Разработал 3 интерактивных дашборда в Power BI для отдела продаж (метрики: конверсия лидов, средний чек, воронка продаж), которые используются командой из 12 человек ежедневно для отслеживания прогресса по KPI | ✅ Спроектировал и внедрил систему из 8 автоматизированных дашбордов в Tableau для маркетинга, продаж и продуктовой команды, охватывающую 40+ метрик. Автоматизация сократила время на подготовку еженедельных отчетов с 15 до 2 часов, высвободив 25% рабочего времени аналитической команды | ✅ Выстроил комплексную BI-систему на базе Tableau и Looker для 5 департаментов компании (80+ пользователей), интегрировав данные из 7 источников. Система обрабатывает 20M+ событий в день и позволила сократить цикл принятия решений с 2 недель до 2 дней благодаря доступу к метрикам в реальном времени |
Пример 2: Работа с SQL и базами данных
| Junior | Middle | Senior |
|---|---|---|
| ❌ Писал SQL-запросы для выгрузки данных | ❌ Работал с базами данных | ❌ Извлекал информацию из БД |
| ✅ Разработал библиотеку из 15+ SQL-запросов (PostgreSQL) для ежедневного мониторинга ключевых продуктовых метрик (регистрации, активации, retention), которые используются командой для быстрого доступа к актуальным данным без обращения к разработчикам | ✅ Оптимизировал 12 критичных SQL-запросов в Clickhouse, которые формировали основные дашборды компании, сократив время выполнения с 5-7 минут до 15-30 секунд через правильную индексацию и переписывание логики. Это ускорило обновление дашбордов и улучшило UX для 30+ пользователей | ✅ Спроектировал архитектуру аналитического хранилища на базе BigQuery по модели "звезда", включающую 5 fact-таблиц и 12 dimension-таблиц. Разработал ETL-процессы на dbt для трансформации данных из источников (PostgreSQL, API, Google Sheets), что обеспечило единый источник правды для всех аналитических отчетов компании |
Пример 3: A/B-тестирование
| Junior | Middle | Senior |
|---|---|---|
| ❌ Проводил A/B-тесты | ❌ Участвовал в экспериментах | ❌ Помогал с тестированием гипотез |
| ✅ Провел анализ результатов 4 A/B-тестов для оптимизации landing page интернет-магазина с использованием Python (scipy), рассчитал статистическую значимость различий (p-value < 0.05), что помогло команде выбрать наиболее эффективный вариант дизайна и увеличить конверсию в покупку на 12% | ✅ Спроектировал и провел 15 A/B-тестов для оптимизации продуктовой воронки мобильного приложения (регистрация → первая покупка). Разработал калькулятор размера выборки и проводил статистический анализ в Python. Внедрение победивших вариантов увеличило конверсию в первую покупку на 28% и принесло дополнительные 12 млн руб. выручки в квартал | ✅ Выстроил систему экспериментирования для продуктовой команды: создал методологию проведения A/B-тестов, автоматизировал расчет метрик и статзначимости через Python-скрипты, обучил 4 продакт-менеджеров самостоятельному анализу результатов. За год команда провела 40+ экспериментов, что привело к росту ключевых продуктовых метрик (DAU +35%, retention D7 +18%) |
Пример 4: Работа с Python
| Junior | Middle | Senior |
|---|---|---|
| ❌ Использовал Python для анализа данных | ❌ Писал скрипты на Python | ❌ Владею библиотеками pandas и numpy |
| ✅ Автоматизировал сбор данных из Google Analytics API с помощью Python (requests, pandas), что заменило ручную выгрузку и экономит 3 часа в неделю. Скрипт ежедневно загружает данные о трафике сайта в Google Sheets для доступа команды маркетинга | ✅ Разработал Python-пайплайн (pandas, sqlalchemy) для ETL-процесса: ежедневная загрузка данных из 4 источников (API CRM, Google Analytics, Яндекс.Метрика, внутренняя БД), их очистка, трансформация и загрузка в PostgreSQL. Пайплайн обрабатывает 500K+ записей в день и служит основой для всех аналитических дашбордов компании | ✅ Построил систему автоматизированной аналитики на Python: ETL-пайплайны на Airflow для обработки 50M+ событий в день, скрипты для расчета 100+ бизнес-метрик, автогенерация еженедельных отчетов с инсайтами. Система сократила ручную работу аналитической команды на 60% и обеспечила скорость принятия решений в режиме реального времени |
Пример 5: Анализ метрик и поиск инсайтов
| Junior | Middle | Senior |
|---|---|---|
| ❌ Анализировал метрики продукта | ❌ Искал инсайты в данных | ❌ Работал с продуктовыми показателями |
| ✅ Проанализировал поведение 50K+ пользователей мобильного приложения за 3 месяца с помощью SQL и Python, выявил 2 критичные точки оттока на этапе онбординга. Передал рекомендации продуктовой команде, что привело к редизайну процесса регистрации и росту retention D1 с 45% до 58% | ✅ Провел глубокий когортный анализ 500K+ пользователей интернет-магазина, сегментировав их по каналам привлечения, RFM-параметрам и поведению. Выявил, что пользователи из органического поиска имеют LTV на 40% выше среднего при равном CAC. На основе инсайта маркетинговая команда перераспределила 30% бюджета в SEO, что увеличило прибыль на 8 млн руб. в год | ✅ Разработал систему мониторинга аномалий в ключевых метриках продукта на Python (статистические методы, z-score), которая автоматически детектирует отклонения и отправляет алерты в Slack. Система помогла обнаружить 12 критичных проблем за год (технические баги, недобросовестный трафик) на ранних стадиях, предотвратив потенциальные потери в 15+ млн руб. |
Совет эксперта: Если у вас нет точных цифр по влиянию на бизнес (часто бывает у Junior), фокусируйтесь на масштабе ваших задач (количество записей, пользователей, отчетов) и на том, как ваша работа помогла команде (сэкономили время, автоматизировали процесс, дали данные для решения).
Структура описания места работы
Название компании и должность:
Data Analyst (Middle)
ООО "Ритейл Технолоджи" | E-commerce (fashion, 50M+ руб. GMV/месяц)
Июнь 2021 — настоящее время (3 года 7 месяцев)
Почему такой формат:
- Указан уровень должности
- Дан контекст о компании (сфера, масштаб)
- Четкие даты и стаж (можно в годах и месяцах)
Описание достижений (5-7 пунктов):
Структурируйте достижения по убыванию важности:
- Самое значимое достижение с влиянием на бизнес
- Крупные проекты по автоматизации/инфраструктуре
- Регулярные задачи с измеримым результатом
- Взаимодействие с командами и стейкхолдерами
- Технологический стек (можно в конце или отдельным пунктом)
Полный пример для Middle Data Analyst:
Data Analyst (Middle)
ООО "Ритейл Технолоджи" | E-commerce (fashion, 50M+ руб. GMV/месяц)
Июнь 2021 — настоящее время (3 года 7 месяцев)
• Провел комплексный анализ воронки продаж (2.5 млн сессий, SQL + Python), выявил 3 критичных точки оттока на этапах "корзина → оформление → оплата". Внедрение рекомендаций (упрощение формы оплаты, триггерные email-цепочки) увеличило общую конверсию воронки на 23% и принесло дополнительные 18 млн руб. выручки в квартал
• Разработал систему из 12 автоматизированных дашбордов в Tableau (метрики: продажи, трафик, конверсии, возвраты) для команд маркетинга, продукта и операций. Дашборды обновляются ежечасно, охватывают 25+ пользователей и сократили время на подготовку отчетов на 80% (с 12 до 2 часов в неделю)
• Спроектировал и провел 18 A/B-тестов для оптимизации интернет-магазина (тестирование landing pages, карточек товаров, checkout-процесса). Рассчитывал размер выборки и проводил статистический анализ в Python (scipy, statsmodels). Внедрение победивших вариантов увеличило конверсию в покупку на 15%
• Построил Python-пайплайн (pandas, sqlalchemy) для ежедневной загрузки данных из Google Analytics, Яндекс.Метрики и CRM в PostgreSQL (400K+ записей в день), что создало единый источник данных для всей аналитики компании
• Провел RFM-сегментацию клиентской базы (500K+ пользователей), выявил 8 сегментов с различным поведением. На основе анализа маркетинговая команда запустила персонализированные email-кампании, что увеличило repeat rate на 12% и LTV на 8%
• Инициировал и внедрил систему еженедельных автоматизированных отчетов с ключевыми метриками и аномалиями для руководителя отдела, что позволило быстрее реагировать на изменения и принимать решения на основе данных
Технологии: SQL (PostgreSQL), Python (pandas, numpy, scipy, seaborn), Tableau, Google Analytics, Яндекс.Метрика, Git, Jupyter Notebook, базовые навыки Apache Airflow
Полный пример для Junior Data Analyst:
Junior Data Analyst
ООО "Маркет Плейс" | E-commerce marketplace
Январь 2024 — настоящее время (1 год 2 месяца)
• Разработал 5 еженедельных дашбордов в Power BI для команды маркетинга (метрики: CAC по каналам, ROMI, конверсия лидов в покупку, возвраты по категориям), которые используются командой из 8 человек для мониторинга эффективности рекламных кампаний
• Автоматизировал процесс формирования ежемесячного отчета по продажам: создал SQL-запросы (PostgreSQL) и Python-скрипт для генерации отчета в Google Sheets. Автоматизация сократила время подготовки отчета с 6 часов до 30 минут
• Провел анализ 80K+ заказов за 6 месяцев для выявления факторов, влияющих на возвраты товаров. Выявил, что 40% возвратов приходится на 3 категории товаров из-за некорректных описаний на сайте. Результаты анализа помогли контент-команде улучшить карточки товаров, что снизило возвраты на 15%
• Создал библиотеку из 20+ SQL-запросов для быстрого доступа к типовым метрикам (ежедневные продажи, новые пользователи, топ товаров по категориям), которая используется аналитической командой и сокращает время на подготовку ad-hoc запросов
• Ассистировал в проведении 6 A/B-тестов: рассчитывал размер выборки, подготавливал данные для анализа, визуализировал результаты в Python. Один из тестов (изменение кнопки CTA) показал прирост конверсии на 8% и был внедрен на всем сайте
Технологии: SQL (PostgreSQL), Python (pandas, numpy, matplotlib), Power BI, Excel (сводные таблицы, ВПР), Google Analytics, Git, Jupyter Notebook
Полный пример для Senior Data Analyst:
Senior Data Analyst / Lead Analyst
ООО "Финтех Инновации" | Fintech (мобильный банк, 500K+ MAU)
Март 2020 — настоящее время (5 лет)
• Построил с нуля аналитическую инфраструктуру компании на стеке SQL/Python/Airflow/Tableau: спроектировал DWH на BigQuery (схема "звезда", 8 fact-таблиц, 15 dimension-таблиц), разработал 30+ ETL-пайплайнов для интеграции данных из 10 источников, создал систему дашбордов для 5 департаментов (100+ пользователей). Инфраструктура обрабатывает 50M+ событий в день и стала единым источником правды для всех бизнес-решений
• Разработал комплексную систему продуктовых метрик и A/B-тестирования: создал методологию экспериментов, автоматизировал расчеты в Python, обучил 6 продакт-менеджеров самостоятельной работе с данными. За 2 года команда провела 60+ A/B-тестов, что привело к росту ключевых метрик: retention D7 +25%, конверсия в первую транзакцию +35%, NPS +12 пунктов
• Создал систему предиктивной аналитики для расчета churn risk пользователей: разработал модель на Python (логистическая регрессия, Random Forest) с точностью 82%, которая ежедневно скорирует клиентскую базу. На основе скоринга команда CRM запустила retention-кампании, которые вернули 15% пользователей из группы риска и предотвратили потерю 8 млн руб. годовой выручки
• Провел глубокий unit-экономический анализ продуктовых фичей банковского приложения, рассчитал вклад каждой фичи в LTV пользователя. Анализ показал, что инвестиционные продукты приносят 60% маржи при охвате только 12% пользователей, что привело к решению о запуске образовательной кампании и увеличении доли инвестирующих пользователей до 25%
• Выстроил систему автоматического мониторинга аномалий в ключевых метриках (Python, статистические методы, алерты в Slack), которая за год помогла обнаружить 18 критичных проблем на ранних стадиях: технические баги, фрод, внезапные изменения в поведении пользователей
• Управлял командой из 3 аналитиков данных: проводил 1-on-1, ставил задачи, code review, менторинг. Разработал процесс онбординга новых аналитиков и библиотеку best practices для работы с данными
• Регулярно проводил презентации аналитических инсайтов для C-level (CEO, CPO, CMO), переводя технические результаты на язык бизнес-решений и ROI
Технологии: SQL (PostgreSQL, BigQuery, Clickhouse) — экспертный уровень, оптимизация запросов, проектирование DWH | Python (pandas, numpy, scipy, scikit-learn, statsmodels, airflow) — full-stack data analysis, ML-моделирование, автоматизация | Tableau, Looker — проектирование корпоративных BI-систем | dbt, Docker, Git | Advanced statistics, A/B-testing, predictive modeling
Управление: опыт руководства командой 3 человека, кросс-функциональное взаимодействие с product, marketing, tech
Образование и сертификаты: что имеет значение
Для дата-аналитика образование важно, но не критично — работодатель в первую очередь смотрит на навыки и опыт.
Что указывать:
Высшее образование:
Магистр, Прикладная математика и информатика
Московский государственный университет им. М.В. Ломоносова
2018 — 2020
Если у вас техническое образование (математика, статистика, Computer Science, экономика) — это плюс. Если нет — не страшно, главное компенсировать практическими навыками.
Для Junior без профильного образования: укажите онлайн-курсы и буткемпы, которые дали практические навыки.
Онлайн-курсы и сертификаты (для Junior и карьерных смен):
Указывайте только те курсы, которые дали реальные навыки и имеют вес на рынке:
Ценные сертификаты:
- Курсы от Яндекс.Практикум (Аналитик данных)
- Курсы от Karpov.Courses (Аналитик данных, Simulator SQL)
- Специализации Coursera (Google Data Analytics, IBM Data Analyst)
- DataCamp Career Tracks
- Курсы от SkillFactory, Нетология (с дипломными проектами)
Формат:
Профессия "Аналитик данных"
Яндекс.Практикум | 2023
Стек: SQL, Python (pandas, numpy, seaborn), A/B-тестирование, Tableau
Дипломный проект: Анализ оттока клиентов телеком-оператора, разработка модели предсказания churn (accuracy 85%)
Что НЕ стоит указывать:
- Короткие вебинары и мини-курсы (1-2 часа)
- Сертификаты без практических работ
- Курсы, не связанные с аналитикой данных
Совет эксперта: Если у вас нет коммерческого опыта (или он минимальный), сделайте акцент на проектах из курсов. Опишите 2-3 самых сильных проекта как реальный опыт работы: какую задачу решали, какие технологии использовали, какой результат получили.
Дополнительные разделы резюме
Портфолио и GitHub:
Для дата-аналитика наличие публичного портфолио — сильное конкурентное преимущество, особенно для Junior.
Портфолио проектов: github.com/username
• Анализ оттока пользователей e-commerce: когортный анализ, RFM-сегментация (SQL, Python)
• Дашборд продаж в Tableau с интерактивными фильтрами (данные Superstore)
• A/B-тест оптимизации landing page: расчет выборки, статанализ (Python, scipy)
Английский язык:
Для аналитика английский важен — большинство технической документации на английском.
- Указывайте уровень честно: Intermediate (B1), Upper-Intermediate (B2), Advanced (C1)
- Уточните применение: "Читаю техническую документацию, смотрю доклады на английском, пишу код-комментарии"
Публикации и выступления (для Senior):
Если у вас есть статьи на Habr, Medium, выступления на митапах — обязательно укажите. Это показывает экспертность и умение делиться знаниями.
Публикации и выступления:
• Статья "Как мы построили аналитическую инфраструктуру с нуля" — Habr, 5K+ просмотров
• Доклад "A/B-тестирование: от гипотезы до внедрения" на Data Fest 2024
Специфика резюме для разных специализаций
Продуктовый аналитик данных
Фокус резюме: метрики продукта (DAU/MAU, retention, engagement), воронки, A/B-тесты, влияние на пользовательский опыт.
Ключевые технологии:
- Аналитика событий (Amplitude, Mixpanel, или внутренние системы)
- SQL для работы с событиями пользователей
- Python для когортного анализа
- Tableau/Looker для продуктовых дашбордов
Примеры достижений:
"Провел анализ воронки онбординга мобильного приложения (200K+ новых пользователей), выявил падение конверсии на 35% на этапе привязки карты. Совместно с продуктовой командой упростили процесс, что увеличило retention D1 с 40% до 58% и добавило 15K+ активных пользователей в месяц"
"Разработал систему продуктовых метрик для мобильного приложения (North Star Metric + дерево метрик), создал дашборды для ежедневного мониторинга 25+ показателей. Система стала основой для принятия продуктовых решений и приоритизации фичей"
Маркетинговый аналитик данных
Фокус резюме: эффективность каналов привлечения, ROI/ROMI, атрибуция, оптимизация рекламных кампаний, работа с CAC и LTV.
Ключевые технологии:
- Google Analytics, Яндекс.Метрика (обязательно)
- SQL для анализа маркетинговых данных
- Python для атрибуционного моделирования
- Power BI/Tableau для маркетинговых дашбордов
- Знание рекламных кабинетов (Google Ads, Яндекс.Директ, Facebook Ads)
Примеры достижений:
"Построил атрибуционную модель (data-driven attribution на Python) для оценки вклада каждого канала в конверсию, что позволило перераспределить маркетинговый бюджет (12 млн руб./мес.) с учетом реального влияния каналов. ROMI вырос с 280% до 340%, CAC снизился на 22%"
"Провел комплексный анализ эффективности 8 каналов привлечения (Google Ads, Яндекс.Директ, Facebook, Instagram, SEO, email-маркетинг) по метрикам CAC, LTV, payback period. Выявил 2 убыточных канала с отрицательным LTV/CAC, перераспределение бюджета увеличило маркетинговую прибыль на 18%"
BI-аналитик
Фокус резюме: построение систем отчетности, ETL-процессы, работа с хранилищами данных, автоматизация, работа с большими объемами данных.
Ключевые технологии:
- SQL (продвинутый уровень, оптимизация)
- ETL-инструменты (Airflow, dbt, Pentaho, Talend)
- Data Warehousing (понимание звезды/снежинки)
- Power BI, Tableau, Qlik, Looker (экспертный уровень)
- Опыт работы с облачными DWH (BigQuery, Snowflake, Redshift)
Примеры достижений:
"Спроектировал и реализовал корпоративное хранилище данных на BigQuery по схеме 'звезда' (12 fact-таблиц, 25 dimension-таблиц), интегрировав данные из 15 источников (ERP, CRM, маркетинговые системы). Разработал 40+ ETL-процессов на dbt и Airflow, обрабатывающих 100M+ записей в день"
"Построил систему корпоративной отчетности на Power BI для 6 департаментов компании (150+ пользователей): финансы, продажи, маркетинг, HR, логистика, производство. Система включает 30+ автообновляемых дашбордов и заменила 80% Excel-отчетов, сократив время на формирование месячной отчетности с 10 рабочих дней до 2 часов"
Типичные ошибки в резюме дата-аналитика
Ошибка 1: Список технологий без контекста
Плохо:
Навыки: SQL, Python, Tableau, Excel, Power BI, Git, Airflow, BigQuery, R, Jupyter
Почему не работает: Рекрутер не понимает, насколько хорошо вы владеете каждой технологией.
Хорошо:
Технические навыки:
• SQL (PostgreSQL, Clickhouse) — 3 года ежедневной работы, сложные аналитические запросы, оконные функции, CTE, оптимизация
• Python (pandas, numpy, scipy) — 2 года, ETL-процессы, статистический анализ, автоматизация
• Tableau — 2 года, создание интерактивных дашбордов, вычисляемые поля, параметры
• Power BI — 1 год, базовые дашборды, работа с DAX
• Базовые навыки: Airflow (настройка DAG), Git (version control), BigQuery (запросы)
Ошибка 2: Описание обязанностей вместо достижений
Плохо:
"Отвечал за аналитику продуктовых метрик, создавал отчеты, работал с SQL и Python, помогал команде с данными"
Хорошо:
"Проанализировал поведение 500K+ пользователей продукта, выявил 3 точки оттока в воронке активации. Внедрение изменений увеличило retention D7 на 18%"
Ошибка 3: Отсутствие цифр и метрик
Плохо:
"Оптимизировал процессы аналитики и повысил эффективность работы команды"
Хорошо:
"Автоматизировал формирование 5 еженедельных отчетов через Python, сократив время на их подготовку с 12 до 2 часов в неделю (экономия 40 часов в месяц для команды из 4 аналитиков)"
Ошибка 4: Перечисление мягких навыков без доказательств
Плохо:
Личные качества: ответственный, коммуникабельный, стрессоустойчивый, креативный, внимательный к деталям
Хорошо:
Вплетите soft skills в описание достижений (как показано в примерах выше) или уберите этот раздел совсем.
Ошибка 5: Нерелевантный опыт без адаптации
Если вы меняете карьеру и у вас нет опыта аналитиком — не проблема. Но нужно показать трансферабельные навыки.
Было: Продавец-консультант в магазине электроники (2 года)
Стало:
"Продавец-консультант → переход в аналитику данных
ООО 'Технодом' | Розничная торговля
2021-2023
• Провел анализ продаж магазина за 2 года в Excel (15K+ транзакций), выявил топ-5 товаров по прибыльности и сезонные тренды спроса, что помогло оптимизировать ассортимент и увеличить выручку на 12%
• Создал автоматизированную систему отчетности в Google Sheets для ежедневного трекинга KPI (продажи, средний чек, конверсия), что заменило ручное заполнение и сэкономило 5 часов в неделю
• Самостоятельно изучил SQL и Python, прошел курс 'Аналитик данных' (Яндекс.Практикум, 2023), выполнил 10+ проектов по анализу данных"
Как адаптировать резюме под конкретную вакансию
Универсальное резюме работает хуже, чем адаптированное под конкретную позицию. Вот как это сделать за 15-20 минут:
Шаг 1: Внимательно прочитайте описание вакансии и выпишите:
- Требуемые технологии (SQL, Python, Power BI и т.д.)
- Ключевые задачи (A/B-тестирование, дашборды, автоматизация)
- Специфика индустрии (e-commerce, fintech, b2b)
- Желаемые достижения (рост метрик, оптимизация процессов)
Шаг 2: Проверьте, что в вашем резюме:
- Все требуемые технологии вынесены в начало раздела "Навыки"
- Минимум 2-3 достижения напрямую соответствуют задачам из вакансии
- Использованы те же ключевые слова, что и в описании (для прохождения ATS)
Пример:
Вакансия: "Ищем Middle Data Analyst для работы над продуктовой аналитикой. Задачи: анализ пользовательского поведения, A/B-тестирование, создание дашбордов в Tableau. Требования: SQL, Python, опыт с продуктовыми метриками (retention, engagement, churn)"
Адаптация резюме:
- В блоке "О себе" добавьте: "специализация — продуктовая аналитика"
- В навыках первыми укажите: SQL, Python, Tableau
- В достижениях сделайте акцент на проектах с продуктовыми метриками и A/B-тестами
- Уберите или минимизируйте достижения по маркетинговой аналитике (если они есть)
Шаг 3: Добавьте в резюме ключевые слова из вакансии (если они релевантны вашему опыту). ATS-системы сканируют резюме на совпадение с требованиями.
Как оформить резюме: технические требования
Формат файла
- Предпочтительно: PDF (сохраняет форматирование)
- Допустимо: DOCX (если в вакансии указано)
- Не используйте: архивы, ссылки на Google Docs (если не указано иначе)
Название файла:
- ✅ ИвановИванData_Analyst.pdf
- ❌ Резюме.pdf, Resumefinalv3.docx
Объем и структура
- Оптимально: 1-2 страницы A4
- Для Junior: 1 страница достаточно
- Для Middle: 1-2 страницы
- Для Senior: 2 страницы (больше опыта и достижений)
Шрифты и форматирование:
- Шрифт: Arial, Calibri, Times New Roman (11-12pt для текста)
- Заголовки: жирный, 14-16pt
- Отступы и пробелы для читаемости
- Избегайте сложных дизайнов (ATS может не распознать)
Как пройти ATS (Applicant Tracking System)
ATS — это система, которая автоматически сканирует резюме и фильтрует кандидатов по ключевым словам.
Как оптимизировать резюме под ATS:
- Используйте стандартные названия разделов: "Опыт работы", "Образование", "Навыки" (а не креативные "Моя история", "Чему я научился")
- Избегайте таблиц, колонок, текстовых блоков — ATS может их не распознать
- Укажите технологии в явном виде: SQL, Python, Tableau (не "языки программирования и BI-инструменты")
- Дублируйте ключевые слова: если в вакансии написано "A/B-тестирование", используйте именно этот термин (а не "проведение экспериментов")
- Не скрывайте текст в изображениях — ATS не читает картинки
Тест на ATS: Скопируйте текст вашего PDF-резюме в блокнот. Если структура сохранилась и все читается — резюме пройдет ATS.
Частые вопросы о резюме дата-аналитика
1. Что делать, если у меня нет коммерческого опыта?
Делайте акцент на учебных проектах, фрилансе, волонтерских проектах. Опишите их как реальный опыт:
"Аналитический проект: Анализ оттока клиентов телеком-оператора
Учебный проект (Яндекс.Практикум) | 2024
• Проанализировал датасет с 5K+ клиентов, провел RFM-сегментацию и выявил факторы, влияющие на отток
• Построил модель предсказания churn в Python (логистическая регрессия, accuracy 85%)
• Создал дашборд в Tableau для визуализации ключевых метрик и сегментов риска"
2. Указывать ли зарплатные ожидания в резюме?
Не указывайте зарплату в резюме — это снижает вашу переговорную позицию. Обсуждайте деньги на этапе интервью, когда работодатель уже заинтересован в вас.
Исключение: если в вакансии явно требуют указать ожидания.
3. Как описать перерыв в работе?
Если был перерыв больше 6 месяцев, кратко объясните причину:
"Январь 2023 — Июль 2023: Карьерный перерыв
Прошел курс 'Аналитик данных' (Яндекс.Практикум), работал над личными проектами по анализу данных (github.com/username), изучал продвинутые техники в Python и SQL"
Другие приемлемые причины: уход за семьей, переезд, фриланс, запуск своего проекта.
4. Сколько мест работы указывать?
Оптимально: последние 3-4 места работы или за последние 10 лет.
Для Junior: все места работы, включая стажировки и нерелевантный опыт (если адаптирован под аналитику).
Для Senior: фокус на последних 2-3 позициях с детальным описанием, остальные — кратко.
5. Нужно ли указывать хобби?
Только если оно релевантно аналитике: участие в kaggle-соревнованиях, ведение блога о данных, open-source проекты.
Избегайте общих хобби (чтение, путешествия, спорт) — они не добавляют ценности.
6. Как быть, если требуют технологию, которой я не владею?
Если это один из 10 инструментов — не критично, сделайте акцент на том, что знаете.
Если это ключевое требование (например, SQL) — быстро изучите основы и укажите: "SQL (базовый уровень, активно изучаю)". Но будьте готовы к вопросам на собеседовании.
7. Указывать ли причину увольнения?
Не указывайте в резюме. Обсуждайте на собеседовании, если спросят.
Допустимо указать в сопроводительном письме, если причина нейтральная (релокация, закрытие проекта, реорганизация).
Заключение: главное о резюме дата-аналитика
Резюме — это не автобиография. Это продающий документ, который за 30 секунд должен убедить рекрутера, что вы решите задачи компании.
Пять ключевых принципов:
- Говорите на языке цифр и результатов. Не "занимался анализом", а "проанализировал 2.5 млн записей и увеличил retention на 23%".
- Адаптируйте резюме под каждую вакансию. Используйте ключевые слова из описания, делайте акцент на релевантном опыте.
- Показывайте технологии в контексте. Не просто "SQL", а "SQL (PostgreSQL, 3 года) — сложные аналитические запросы, оптимизация".
- Структурируйте по принципу воронки: самое важное — в начало разделов. Рекрутер может не дочитать до конца.
- Проверьте резюме на ATS. Используйте стандартные названия разделов, избегайте сложного форматирования, дублируйте ключевые слова.
Следующие шаги:
- Обновите свое резюме по структуре из этого руководства
- Выберите 2-3 самых сильных достижения и опишите их по формуле "действие + инструмент + результат"
- Проверьте резюме на наличие стоп-слов и канцеляризмов
- Адаптируйте под конкретную вакансию и отправляйте
Ваше резюме — это инвестиция в карьеру. Потратьте на него время сейчас, и оно окупится десятками приглашений на собеседования и предложениями от лучших работодателей.
