Competências para pôr num CV da área de dados

Um CV de dados lê-se em dois tempos: primeiro as ferramentas (SQL, Python, a solução de BI ou a cloud da equipa), depois o que retirou delas. Uma análise só vale pela decisão que ajudou a tomar: é isso que os recrutadores procuram nas suas experiências.

Escolha o ângulo conforme a função: um data analyst destaca a BI e a apresentação de resultados, um data engineer os pipelines e a qualidade dos dados, um data scientist a modelação e a passagem a produção. Escreva cada ferramenta como os anúncios a escrevem, para que o recrutador e o software de recrutamento (ATS) façam a ligação.

Competências técnicas

Linguagens e tratamento de dados

• SQL A competência comum a todas as funções de dados: joins, agregações, funções de janela.
• Python A linguagem da análise e do machine learning: indique as bibliotecas que usou.
• Pandas A biblioteca de referência para preparar e explorar dados em Python.
• NumPy Cálculo numérico em Python, muitas vezes referido com Pandas.
• R Ainda muito presente em estatística, investigação e no setor da saúde.
• Excel Continua a ser pedido a data analysts: tabelas dinâmicas, Power Query.

Visualização e BI

• Power BI Ferramenta de BI muito presente nos anúncios: nomeie os dashboards que entregou.
• Tableau Frequente em grandes grupos: indique quem usava os seus dashboards.
• Looker Comum em empresas com Google Cloud, muitas vezes com BigQuery.
• Visualização de dados Escolher o gráfico certo para a mensagem certa: mostre-o com um relatório usado em reunião de direção.
• Google Analytics Para funções de análise web e marketing: GA4 é a versão atual.

Engenharia de dados

• ETL Extrair, transformar, carregar: descreva o fluxo, o volume e a frequência.
• Airflow Orquestrador de pipelines muito difundido.
• dbt Transformações SQL versionadas e testadas: no centro da função de analytics engineer.
• Spark Tratamento de grandes volumes; PySpark é a sua versão em Python.
• Kafka Fluxos de dados em tempo real: indique o caso de uso.
• Snowflake Data warehouse na cloud muito difundido.
• BigQuery O data warehouse da Google Cloud.
• Modelação de dados Esquema em estrela, tabelas de factos e de dimensões: o que torna os dados utilizáveis por todos.

Estatística e machine learning

• Estatística Testes de hipóteses, regressão, intervalos de confiança: a base que distingue a análise da simples descrição.
• Machine learning Diga que problema o modelo resolvia e como o avaliou.
• scikit-learn A biblioteca clássica de machine learning em Python.
• Deep learning Reserve-o para projetos reais com redes neuronais, em TensorFlow ou PyTorch.
• PyTorch Framework de deep learning muito usado em investigação e nas empresas.
• Processamento de linguagem natural NLP: classificação de textos, extração de informação.
• Testes A/B Desenhar e ler uma experiência controlada: muito procurado em produto e marketing.

Cloud, ferramentas e enquadramento

• Git Versionar consultas e notebooks: um sinal de maturidade num perfil de dados.
• Docker Útil assim que um modelo ou um pipeline passa a produção.
• AWS Nomeie os serviços (S3, Redshift, Glue) nas suas experiências.
• Azure Frequente com Power BI e o ecossistema Microsoft (Data Factory, Fabric).
• Qualidade de dados Controlos, testes, documentação: a competência que evita más decisões.
• RGPD Saber o que se pode fazer com dados pessoais: esperado assim que se trabalha com dados de clientes.

Competências transversais

As soft skills provam-se com factos: cada uma, abaixo, com a forma de a mostrar.

• Capacidade analítica Partir de uma pergunta do negócio e traduzi-la em consultas e indicadores.
• Comunicação de resultados Explicar um resultado à direção sem jargão: muitas vezes é o que faz a diferença na entrevista.
• Rigor Verificar os números antes de os apresentar: conte um erro nos dados que detetou.
• Visão de negócio Perceber a faturação, a margem ou o percurso do cliente por trás dos dados.
• Espírito crítico Duvidar de uma correlação, de uma amostra, de uma fonte: o reflexo que protege as decisões.
• Relação com as áreas de negócio Recolher uma necessidade vaga e transformá-la num dashboard que é usado.
• Curiosidade Novas ferramentas, novos métodos: uma área que muda depressa.

Adicionar estas competências ao meu CV

Clique nas que tem mesmo: juntam-se ao CV que o criador de CV guarda neste navegador, sem IA nem envio. Sem CV, o primeiro clique cria-o.

Certificações e qualificações reconhecidas

Na secção Formação ou Certificações do seu CV, com o ano, só se as tiver.

• Microsoft Certified: Power BI Data Analyst Associate Certificação da Microsoft sobre Power BI (exame PL-300).
• Microsoft Certified: Fabric Analytics Engineer Associate Certificação da Microsoft sobre a sua plataforma de dados Fabric.
• Google Cloud Professional Data Engineer Certificação da Google Cloud sobre o desenho de sistemas de dados.
• AWS Certified Data Engineer – Associate Certificação da Amazon Web Services sobre pipelines de dados.
• Databricks Certified Data Engineer Associate Certificação da Databricks sobre Spark e a sua plataforma.
• SnowPro Core Certification Certificação de base da Snowflake.

Onde as pôr no CV

Mantenha uma secção Competências agrupada (linguagens, BI, engenharia, estatística) e retome cada ferramenta na experiência em que a usou: «Dashboard de vendas em Power BI, alimentado por modelos dbt em Snowflake, consultado todas as semanas por…».

Para um data scientist, um projeto bem descrito vale mais do que uma lista de algoritmos: o problema, os dados, o modelo, a medida da sua qualidade e o que mudou. Para um primeiro emprego, os projetos do curso fazem esse papel (veja o guia CV sem experiência).

Adapte o topo do CV a cada oferta: uma vaga de data analyst e uma de data engineer não procuram as mesmas palavras. O guia para adaptar o CV a uma oferta explica o método, e o comparador CV / oferta mostra o que falta.

Exemplos de pontos para as suas experiências

Exemplos fictícios, escritos com a fórmula XYZ: substitua-os pelos seus próprios resultados, sem nunca inventar a medida.

• Antes Criação de dashboards.

  Depois Substituí doze ficheiros Excel semanais por um dashboard de vendas em Power BI, consultado pelos vinte responsáveis de loja, e libertei meio dia de reporting por semana.

• Antes Manutenção dos pipelines de dados.

  Depois Fiz passar a atualização dos dados de vendas de D+1 para menos de uma hora ao migrar os processamentos noturnos para Airflow e dbt.

• Antes Modelo de previsão de churn.

  Depois Direcionei a campanha de retenção para os clientes com maior risco graças a um modelo em scikit-learn, com um aumento da taxa de renovação medido por um teste A/B.

• Antes Análises pontuais para o marketing.

  Depois Mostrei que metade do orçamento de aquisição ia para um canal pouco rentável, cruzando em SQL dados de campanhas e de encomendas, e consegui a sua redistribuição.

Erros frequentes

• Listar algoritmos sem projeto. «Random forest, XGBoost, redes neuronais» não diz o que sabe fazer. Um projeto descrito com o seu resultado di-lo.
• Esquecer o efeito da análise. Uma análise avalia-se pela decisão que permitiu: diga quem a usou e o que mudou.
• O mesmo CV para analyst, engineer e scientist. As três funções não recrutam pelas mesmas ferramentas: ponha no topo as da vaga a que se candidata.
• Números confidenciais ou inventados. Dê ordens de grandeza ou variações relativas se os montantes forem confidenciais, mas nunca uma medida que não consiga justificar.
• Desvalorizar a comunicação. Os anúncios de dados pedem muitas vezes capacidade de apresentar resultados: mostre uma apresentação, uma reunião de direção, uma documentação.

Perguntas frequentes