Резюме Data Analyst в 2026: SQL, BI и бизнес-ценность

Data Analyst — роль, которая плохо упаковывается в резюме

У Data Analyst есть одна беда: значительная часть работы — это ad-hoc запросы и дашборды, которые потом никто не использует. Пересказать это в резюме так, чтобы hiring-менеджер увидел ценность, сложно.

Хорошее резюме Data Analyst показывает две вещи:

Техническая способность — SQL, BI, Python/R, понимание статистики.
Бизнес-влияние — как именно ваш анализ привёл к решениям, которые дали денежный результат.

Без первого — вас не позовут на тех.интервью. Без второго — не позовут на вторую ступеньку в карьере (Senior / BI Lead / Head of Analytics).

Структура резюме Data Analyst

Шапка: желаемая должность (Data Analyst Middle / Senior / BI Analyst / Product Analyst) + краткий стек.
Summary (2-3 предложения).
Технический стек — структурировано.
Опыт работы — обратный хронологический, 4-6 bullets на роль.
Pet-проекты — если есть (Kaggle, GitHub, личный blog с анализами).
Образование — если математическое/физическое/статистическое, выделить.
Сертификаты — DataCamp, Coursera, Яндекс.Практикум (с осторожностью — в 2026 сертификаты с онлайн-курсов ценятся ниже, чем портфолио).

Summary

❌«Аналитик данных с 3-летним опытом, люблю работать с цифрами.»

✅«Product Analyst с 4 годами опыта в B2C (e-commerce, edtech). Работа с данными до 500M строк на ClickHouse, дашборды в Tableau для C-level, A/B экспериментальная платформа для продуктовых команд. Стек: SQL (advanced), Python (Pandas, SciPy), R, dbt.»

Технический стек

Обязательный минимум (2026)

SQL — необходимый уровень для любого Data Analyst. Указывайте не просто «SQL», а уровень с примерами:

SQL: оконные функции, CTE, recursive queries, оптимизация JOIN-ов,
     работа с миллиардными таблицами (ClickHouse / BigQuery)

Python или R — большинство работодателей ждут одного из двух, Python чаще.

Python: Pandas, NumPy, Matplotlib, SciPy, scikit-learn (базовый уровень)

BI-инструмент — минимум один.

BI: Tableau (дашборды 3+ года), Power BI (полгода), Metabase

Желательно для middle+ в 2026

dbt — стандарт для transformation пайплайнов
Airflow / Dagster — оркестрация пайплайнов
Git + CI/CD — для воспроизводимых отчётов и моделей
Эксперимент-платформа: понимание A/B test design, MDE, statistical significance
ML-базовая: регрессии, деревья, кластеризация (без глубокого ML)

Категории для блока «Технический стек»

SQL / Базы:      PostgreSQL, ClickHouse, BigQuery, Snowflake
Языки:            Python (Pandas, SciPy), R, SQL
BI / визуализация: Tableau, Power BI, Metabase, Superset
Transformation:   dbt, Airflow, Dagster
Эксперименты:     A/B test design, statistical significance, CUPED
ML-базовая:       Линейная регрессия, деревья, кластеризация, time-series
Прочее:           Git, Docker, Jupyter

Проверьте резюме Data Analyst на ATS

Попробовать бесплатно →

Как писать про бизнес-влияние

Это ключевое, что отделяет Middle от Senior уровня.

Плохо

❌«Строил дашборды для команды маркетинга»

Это просто действие. Не видно, зачем это было.

Хорошо

✅«Построил дашборд CAC/LTV по каналам привлечения — команда маркетинга перераспределила 40% бюджета с платных поисков на контент (после анализа Payback), что снизило средний CAC с 2400 до 1600 ₽»

Видно: вы не просто нарисовали — вы повлияли на решение, и решение дало результат.

Формула

«Провёл [анализ чего] → [какое решение команда приняла] → [какой бизнес-результат]»

Примеры:

✅«Сегментировал пользователей по retention-профилю (4 кластера через K-means) → продуктовая команда запустила сфокусированный онбординг для "риск-кластера" → D30 retention этого сегмента вырос с 12% до 19% (замер через 2 месяца)»

✅«Провёл ANOVA сравнение 3 вариантов pricing-страницы → выбрали вариант с нейтральной якорной ценой → выручка нового пользователя в первый месяц выросла на 8% (100% rollout, без сдвига других метрик)»

Примеры до/после

Про SQL

❌«Писал сложные SQL запросы»

✅«Оптимизировал запрос подсчёта retention cohorts — переписал 4-уровневый подзапрос на CTE + оконные функции, время выполнения с 45 секунд до 0.8 (ClickHouse, таблица 200M строк). Команда продукта начала использовать его в ежедневных стендапах»

Про A/B тесты

❌«Анализировал результаты A/B тестов»

✅«Разработал статистический фреймворк A/B тестов в Python — рассчёт MDE, проверка нормальности, bootstrap для не-нормальных метрик, CUPED для снижения variance. Адаптировали 12 продуктовых команд, сократили среднее время эксперимента на 30%»

Про BI и дашборды

❌«Делал дашборды в Tableau»

✅«Спроектировал и поддерживал 14 дашбордов для C-level (CEO, CPO, CFO, CMO) — продуктовые метрики, воронки, unit-экономика, когортный retention. 2 из них заменили еженедельные ручные PowerPoint-отчёты»

Про ML-базовую

❌«Использовал ML для сегментации»

✅«Построил модель склонности к оттоку на логистической регрессии — feature selection из 40 признаков, итоговые 8 признаков, ROC-AUC 0.78. Интегрирован в retention-коммуникации маркетинга: риск-сегмент получает customized push-коммуникацию, retention вырос на 4pp»

Pet-проекты и портфолио

Для Data Analyst портфолио существенно важнее, чем для разработчика. Hiring-менеджер хочет видеть, как вы мыслите, а не только что «умеете».

Форматы портфолио

GitHub-репозиторий с анализом:

github.com/yourname/moscow-rent-analysis
- Парсинг и анализ рынка аренды в Москве (2024-2026)
- Python + Pandas + геоанализ через folium
- Выводы: влияние метро, сезонность, ценовые аномалии
- README с визуализациями, воспроизводимый notebook

Публичный дашборд (Tableau Public):

public.tableau.com/profile/yourname
- 3 дашборда по открытым данным (OECD, WorldBank, RosStat)

Статьи на Хабре / Medium / в личном блоге:

Статья: "Что данные hh.ru говорят о рынке IT в 2026" —
1200 просмотров, 15 сохранений (ссылка)

Один из этих трёх форматов нужен. Если ничего нет — сделайте за 2-3 выходных один анализ на открытых данных перед подачей резюме.

Типичные ошибки

1. «Знание SQL» без уточнения уровня

❌«SQL — уверенный пользователь»

✅«SQL: оконные функции, CTE, оптимизация планов выполнения, партицирование. Работа с базами до 500M строк (ClickHouse)»

2. Отсутствие statistics / ML-базы

Если вы Middle Product Analyst в 2026 и не знаете A/B test design + statistical significance — это пробел, которого ждут работодатели.

3. Описание процесса вместо результата

❌«Ежедневно делал ad-hoc запросы от продуктовой команды»

✅«Автоматизировал 20 ad-hoc отчётов через self-service дашборд в Metabase — продуктовая команда получила автономию, я освободил 15 часов в неделю на глубокий анализ»

4. Смешение Data Analyst и Data Scientist

Это разные роли. Если вы обучали модели в проде — вы Data Scientist / ML Engineer. Если вы анализировали данные и строили дашборды — Data Analyst.

Если делали и то и то — распишите в разных блоках.

5. Нет бизнес-контекста в достижениях

❌«Улучшил точность модели churn с 74% до 81%»

✅«Улучшил recall модели churn с 62% до 78% — команда CRM использовала модель для приоритизации звонков save-сервисом, churn в рисковом сегменте снизился на 11%»

6. Перечисление всех ML-алгоритмов, которые видели

Если вы написали «XGBoost, Random Forest, LSTM, BERT, transformers» — но в опыте это не видно — возникают вопросы. Лучше честно: 2-3 алгоритма, которые реально применяли.

7. Устаревшие инструменты как основные

Qlik Sense, SPSS, SAS — указывайте только если работодатель явно ищет. В продуктовом бизнесе 2026 они воспринимаются как «застрял в 2018».

Чек-лист резюме Data Analyst

[ ] Шапка с грейдом и основным стеком (SQL / Python / BI)
[ ] Summary с опытом, индустрией, масштабом данных
[ ] Технический стек разбит на категории
[ ] Указан уровень SQL с конкретикой (оконные функции, оптимизация)
[ ] Указано владение Python или R с библиотеками
[ ] Упомянут хотя бы один BI-инструмент (Tableau, Power BI, Metabase)
[ ] В каждой роли — минимум одно достижение с бизнес-результатом
[ ] Упомянуты A/B тесты или другая экспериментальная методология
[ ] Есть ссылка на портфолио (GitHub / Tableau Public / статьи)
[ ] Нет устаревших инструментов как основных
[ ] Длина 1-2 страницы

Что дальше

Проверьте формат и контакты резюме за 30 секунд → базовая ATS-проверка.
После регистрации — полный ATS-аудит покажет, какие термины из Data Analyst / Product Analyst / BI Analyst вакансий пропущены в вашем резюме, с примерами переписывания bullets.