Quem contrata um analista de dados quer alguém que transforme tabelas em decisões: consultas corretas, painéis que as pessoas realmente abrem e análises que mudam uma escolha da área de negócio. O currículo precisa mostrar as três coisas com números, e o número mais importante não é a quantidade de dashboards, mas o que aconteceu depois que alguém olhou para eles.
O currículo comum do cargo lista "Excel avançado, SQL, Power BI" e para por aí. Este guia mostra o que o recrutador procura além das ferramentas, quais termos as vagas filtram, como escrever tópicos com impacto no negócio e como fica um exemplo completo dentro da área de tecnologia.
Neste guia
O que pesa no currículo de analista de dados
A experiência precisa nomear o domínio (varejo, seguros, saúde, marketing, financeiro), as fontes de dados (ERP, CRM, plataforma de e-commerce, data warehouse), as ferramentas e o resultado para a área atendida: relatórios manuais eliminados, decisões apoiadas, perdas identificadas, tempo de fechamento reduzido. Sem o resultado, o currículo descreve um operador de ferramenta.
SQL é o filtro principal e deve aparecer com profundidade (joins, window functions, CTEs, otimização), não só como sigla. Power BI, Looker Studio ou Tableau entram com o que foi construído e para quantas pessoas. Python com pandas e noções de estatística separam o perfil que faz relatório do que faz análise. Um portfólio público, com dois ou três painéis ou notebooks sobre dados abertos, pesa para perfis júnior e pleno.
A formação é variada: Estatística, Economia, Administração, Engenharia, Ciência da Computação ou tecnólogo em Ciência de Dados. O que importa é mostrar base quantitativa; cursos de BI e SQL com projeto prático somam quando são recentes e vêm depois da formação principal.
Palavras-chave que as vagas buscam
Os termos mais frequentes nas vagas de analista de dados no Brasil:
- SQL avançado (window functions, CTEs)
- Power BI e DAX
- Looker Studio ou Tableau
- Excel avançado (tabelas dinâmicas, Power Query)
- Python (pandas) ou R
- Modelagem de dados e data warehouse
- BigQuery, Redshift ou Snowflake
- ETL e ELT
- KPIs e métricas de negócio
- Estatística descritiva e teste A/B
- Storytelling com dados
- Google Analytics 4
- Metabase
- dbt (noções)
- Metodologias ágeis
Convém que os termos apareçam nos tópicos de experiência, com a fonte de dados e o resultado, e na seção de habilidades com a grafia exata da vaga. A ferramenta para adaptar o currículo à vaga mostra quais ferramentas o anúncio pede e ainda não aparecem no currículo.
Descrições de experiência que funcionam
O tópico de análise de dados termina no que a área fez com a informação. Os pares abaixo mostram a diferença:
| Assim não | Assim sim |
|---|---|
| Criação de dashboards no Power BI | Construí o painel de vendas por loja no Power BI, usado diariamente por 80 gerentes regionais, que substituiu 12 relatórios manuais em Excel |
| Extração de dados com SQL | Modelei as consultas em BigQuery para o fechamento mensal de sinistros e reduzi o prazo de 6 para 2 dias úteis |
| Análise de indicadores | Identifiquei no funil de renovação um padrão de cancelamento por faixa etária que orientou uma campanha com retenção de R$ 1,2 milhão em prêmios anuais |
| Suporte às áreas de negócio | Defini com a área comercial 15 KPIs padronizados e eliminei as divergências entre relatórios que geravam 3 reuniões de reconciliação por mês |
| Automatização de relatórios | Automatizei com Python e Power Query a carga de 9 fontes de dados, cortando 20 horas mensais de trabalho manual e os erros de digitação |
| Testes A/B | Desenhei e analisei 14 testes A/B de precificação com significância estatística, dos quais 5 foram adotados e elevaram a margem em 1,8 ponto |
Júnior vs. sênior
Um analista de dados júnior mostra base e portfólio: SQL demonstrável, um painel público sobre dados abertos (IBGE, dados.gov.br, Kaggle), uma análise com pergunta clara e conclusão. Estágio ou trabalho em outra área com uso intensivo de Excel pode ser contado como experiência com dados, desde que se descreva o que foi analisado e o que resultou. A formação sobe para logo abaixo do resumo, e o guia de currículo sem experiência traz a estrutura para esse caso.
No sênior, o currículo mostra influência: métricas definidas para a empresa, governança de indicadores, modelagem de dados que outras equipes consomem, mentoria de analistas, participação em decisões de produto ou de negócio com valor mensurado. As ferramentas ficam em segundo plano; o que se lê é qual decisão mudou e quanto rendeu.
Um painel só vale no currículo quando vem com quem o usa e o que mudou. "Dashboard de vendas" não é resultado; "painel usado por 80 gerentes que substituiu 12 relatórios manuais" é.
Erros frequentes neste cargo
Os currículos de analista de dados falham quando param na ferramenta:
- Listar ferramentas sem resultado. "SQL, Power BI, Excel" é o mínimo esperado; o que diferencia é a decisão apoiada por eles.
- Confundir análise com relatório. Currículo que só descreve extração e envio de relatórios posiciona a pessoa abaixo do cargo.
- Omitir a fonte de dados e o volume. Consultar uma planilha de 500 linhas e um data warehouse com bilhões de registros são trabalhos diferentes.
- Prometer ciência de dados. Colocar "machine learning" sem modelo em produção, ou "cientista de dados" no título de um perfil de BI, gera uma entrevista desconfortável.
- Portfólio ausente ou inacessível. Um painel público no Power BI ou um notebook no GitHub resolve, especialmente para júnior e pleno.
- Currículo visualmente carregado. Gráficos e barras de nível no próprio currículo atrapalham o ATS; um modelo de currículo de uma coluna com os links do portfólio em texto funciona melhor.
Exemplo de currículo de analista de dados
O exemplo abaixo mostra um perfil pleno, em uma página. Nome e empresas são fictícios.
Analista de dados pleno em equipe de dados ou de negócio, com foco em BI, SQL e apoio a decisões comerciais.
Analista de dados com 4 anos em seguros e varejo, especializada em SQL, Power BI e Python. Experiência em painéis usados por dezenas de gestores, padronização de KPIs e análises que orientaram campanhas de retenção e precificação.
Analista de dados pleno, Vida Seguros, Rio de Janeiro. 2023 - atual
- Modelei as consultas em BigQuery para o fechamento mensal de sinistros e reduzi o prazo de 6 para 2 dias úteis.
- Identifiquei no funil de renovação um padrão de cancelamento por faixa etária que orientou uma campanha com retenção de R$ 1,2 milhão em prêmios anuais.
- Desenhei e analisei 14 testes A/B de precificação, dos quais 5 foram adotados e elevaram a margem em 1,8 ponto.
Analista de dados júnior, Supermercados Boa Praça, Rio de Janeiro. 2021 - 2023
- Construí o painel de vendas por loja no Power BI, usado diariamente por 80 gerentes regionais, que substituiu 12 relatórios manuais em Excel.
- Automatizei com Python e Power Query a carga de 9 fontes de dados, cortando 20 horas mensais de trabalho manual.
- Defini com a área comercial 15 KPIs padronizados e eliminei as divergências que geravam 3 reuniões de reconciliação por mês.
Bacharelado em Estatística, UFRJ, 2021. Curso de Power BI e modelagem de dados, 2022.
SQL (BigQuery, PostgreSQL), Power BI, DAX, Looker Studio, Excel avançado, Power Query, Python (pandas), estatística descritiva, teste A/B, modelagem dimensional, Git. Inglês intermediário.
Perguntas frequentes
Quais ferramentas são obrigatórias no currículo de analista de dados?
SQL com profundidade e uma ferramenta de BI (Power BI, Looker Studio ou Tableau) são o piso. Excel avançado continua sendo pedido; Python com pandas é o diferencial mais frequente em vagas de pleno em diante.
O currículo de analista de dados precisa de portfólio?
Para júnior e pleno, ajuda bastante: um ou dois painéis públicos ou notebooks com dados abertos, com a pergunta, o método e a conclusão. Para sênior, a experiência com resultados de negócio costuma bastar, e o portfólio vira opcional.
Como mostrar resultado quando a análise não gerou dinheiro diretamente?
Com o efeito operacional: horas manuais eliminadas, prazo de fechamento reduzido, relatórios unificados, divergências resolvidas, decisões tomadas com base na análise. Todos são mensuráveis e todos contam.
Analista de dados e cientista de dados podem usar o mesmo currículo?
Não convém. As vagas de cientista de dados filtram por modelos, estatística inferencial e Python avançado; as de analista, por SQL, BI e comunicação com o negócio. Cada uma exige uma versão com título, resumo e habilidades próprios.