Competenze da inserire in un CV data

Un CV data si legge in due tempi: prima gli strumenti (SQL, Python, la soluzione di BI o il cloud del team), poi cosa ne hai ricavato. Un'analisi vale per la decisione che ha reso possibile: è questo che chi seleziona cerca nelle tue esperienze.

Scegli l'angolazione in base al ruolo: un data analyst mette in evidenza la BI e la restituzione dei risultati, un data engineer le pipeline e la qualità dei dati, un data scientist la modellazione e la messa in produzione. Scrivi ogni strumento come lo scrivono gli annunci, perché chi seleziona e il software di selezione facciano il collegamento.

Competenze tecniche

Linguaggi e manipolazione dei dati

• SQL La competenza comune a tutti i ruoli data: join, aggregazioni, funzioni finestra.
• Python Il linguaggio dell'analisi e del machine learning: indica le librerie usate.
• Pandas La libreria di riferimento per preparare ed esplorare i dati in Python.
• NumPy Il calcolo numerico in Python, spesso citato con Pandas.
• R Ancora molto presente in statistica, nella ricerca e nel settore sanitario.
• Excel Sempre richiesto ai data analyst: tabelle pivot, Power Query.

Visualizzazione e BI

• Power BI Strumento di BI molto presente negli annunci: nomina le dashboard che hai consegnato.
• Tableau Frequente nei grandi gruppi: indica chi usava le tue dashboard.
• Qlik Sense Diffuso in molte aziende italiane, anche nella versione QlikView: scrivi quella che hai usato.
• Looker Comune nelle aziende che usano Google Cloud, spesso con BigQuery.
• Data visualization Scegliere il grafico giusto per il messaggio giusto: mostralo con un report usato in riunione di direzione.
• Google Analytics Per i ruoli di web e marketing analytics: GA4 è la versione attuale.

Data engineering

• ETL Estrarre, trasformare, caricare: descrivi il flusso, il suo volume e la sua frequenza.
• Airflow Orchestratore di pipeline molto diffuso.
• dbt Trasformazioni SQL versionate e testate: al centro del lavoro dell'analytics engineer.
• Spark L'elaborazione di grandi volumi; PySpark ne è la forma Python.
• Kafka I flussi di dati in tempo reale: specifica il caso d'uso.
• Snowflake Data warehouse in cloud molto diffuso.
• BigQuery Il data warehouse di Google Cloud.
• Modellazione dei dati Schema a stella, tabelle dei fatti e delle dimensioni: ciò che rende i dati utilizzabili da tutti.

Statistica e machine learning

• Statistica Test d'ipotesi, regressione, intervalli di confidenza: la base che distingue l'analisi dalla semplice descrizione.
• Machine learning Spiega quale problema risolveva il modello e come l'hai valutato.
• scikit-learn La libreria di machine learning classico in Python.
• Deep learning Solo per progetti reali con reti neurali, con TensorFlow o PyTorch.
• PyTorch Framework di deep learning molto usato nella ricerca come nelle aziende.
• NLP L'elaborazione del linguaggio naturale: classificazione di testi, estrazione di informazioni.
• A/B testing Progettare e leggere un esperimento controllato: molto apprezzato nel prodotto e nel marketing.

Cloud, strumenti e regole

• Git Versionare query e notebook: un segno di maturità per un profilo data.
• Docker Utile appena un modello o una pipeline va in produzione.
• AWS Nomina i servizi (S3, Redshift, Glue) nelle esperienze.
• Azure Frequente con Power BI e l'ecosistema Microsoft (Data Factory, Fabric).
• Data quality Controlli, test, documentazione: la competenza che evita decisioni sbagliate.
• GDPR Sapere cosa si può fare con i dati personali: atteso appena si lavora con i dati dei clienti.

Competenze trasversali

Le soft skill si dimostrano con i fatti: qui sotto, ognuna con il modo di mostrarla.

• Capacità di analisi Partire da una domanda di business e tradurla in query e indicatori.
• Capacità divulgativa Spiegare un risultato al management senza gergo: spesso fa la differenza al colloquio.
• Precisione Verificare i numeri prima di presentarli: racconta un errore nei dati che hai individuato.
• Visione di business Capire fatturato, margine o percorso del cliente dietro ai dati.
• Spirito critico Dubitare di una correlazione, di un campione, di una fonte: il riflesso che protegge le decisioni.
• Dialogo con il business Raccogliere un'esigenza vaga e trasformarla in una dashboard usata davvero.
• Curiosità Nuovi strumenti, nuovi metodi: un settore che cambia in fretta.

Aggiungi queste competenze al mio CV

Clicca su quelle che hai davvero: entrano nel CV che il generatore di CV conserva in questo browser, senza IA né invio. Senza CV, il primo clic lo crea.

Certificazioni e titoli riconosciuti

Nella sezione Istruzione o Certificazioni del tuo CV, con l'anno, solo se li hai.

• Laurea magistrale in Data Science (LM-Data) La classe di laurea magistrale in Data Science, istituita con il DM 146 del 9 febbraio 2021 e offerta da diversi atenei.
• Microsoft Certified: Power BI Data Analyst Associate Certificazione di Microsoft su Power BI (esame PL-300).
• Google Cloud Professional Data Engineer Certificazione di Google Cloud sulla progettazione di sistemi di dati.
• AWS Certified Data Engineer – Associate Certificazione di Amazon Web Services sulle pipeline di dati.
• Databricks Certified Data Engineer Associate Certificazione di Databricks su Spark e sulla sua piattaforma.
• SnowPro Core Certification Certificazione di base di Snowflake.

Dove metterle nel CV

Tieni una sezione Competenze raggruppata (linguaggi, BI, data engineering, statistica), poi riprendi ogni strumento nell'esperienza in cui l'hai usato: «Dashboard Power BI delle vendite, alimentata da modelli dbt su Snowflake, consultata ogni settimana da…».

Per un data scientist un progetto ben descritto vale più di un elenco di algoritmi: il problema, i dati, il modello, la misura della sua qualità e cosa ha cambiato. Per un primo impiego sono i progetti del tuo percorso di studi a fare questo lavoro (leggi la guida al CV senza esperienza).

Adatta la parte alta del CV a ogni offerta: un ruolo da data analyst e uno da data engineer non cercano le stesse parole. La guida per adattare il CV a un'offerta spiega il metodo, e il confronto CV / offerta mostra cosa manca.

Esempi di punti elenco per le tue esperienze

Esempi fittizi, scritti con la formula XYZ: sostituiscili con i tuoi risultati, senza mai inventare la misura.

• Prima Creazione di dashboard.

  Dopo Sostituito dodici file Excel settimanali con una dashboard Power BI delle vendite, consultata dai venti responsabili di filiale, liberando mezza giornata di reportistica a settimana.

• Prima Manutenzione delle pipeline di dati.

  Dopo Portato l'aggiornamento dei dati di vendita da un giorno a meno di un'ora migrando le elaborazioni notturne su Airflow e dbt.

• Prima Modello di previsione del churn.

  Dopo Concentrato la campagna di retention sui clienti più a rischio con un modello scikit-learn, con un aumento dei rinnovi misurato da un A/B test.

• Prima Analisi ad hoc per il marketing.

  Dopo Dimostrato che metà del budget di acquisizione andava a un canale poco redditizio, incrociando in SQL dati di campagna e ordini, e ottenuto la sua riallocazione.

Errori frequenti

• Elencare algoritmi senza progetti. «Random forest, XGBoost, reti neurali» non dice cosa sai fare. Un progetto descritto con il suo risultato sì.
• Dimenticare l'effetto dell'analisi. Un'analisi si giudica dalla decisione che ha permesso: indica chi l'ha usata e cosa è cambiato.
• Lo stesso CV per analyst, engineer e scientist. I tre ruoli non selezionano sugli stessi strumenti: porta in alto quelli della posizione a cui ti candidi.
• Numeri riservati o inventati. Indica ordini di grandezza o variazioni relative se gli importi sono riservati, ma mai una misura che non sapresti giustificare.
• Trascurare la comunicazione. Gli annunci data chiedono molto spesso di saper presentare i risultati: mostra una presentazione, una riunione, una documentazione.

Domande frequenti