Currículo de analista de dados: o que recrutador olha em 30 segundos

CV de analista de dados é um animal próprio. Não é CV de dev (foco em código), nem de marketing (foco em campanha). É prova de capacidade de transformar dado em decisão de negócio — e o recrutador tem 30 segundos pra decidir se você passa.

Aqui a gente abre o método, com exemplos por nível (júnior, pleno, sênior) e a fronteira entre analista de dados, BI, analista de negócios e cientista de dados — porque misturar essas categorias no CV é erro clássico.

TL;DR

• Stack importa MAS contexto importa mais — analista entrega insight, não query
• Bullets de impacto: sempre liga a análise a uma decisão de negócio
• Stack 2026: SQL (sempre), Python ou R, Power BI ou Tableau, dbt, Snowflake/BigQuery
• Portfolio: 1-2 cases públicos (GitHub, Kaggle, Notion) com dataset real e conclusão
• Cuidado com fronteira: analista de dados ≠ cientista de dados (papéis e exigências diferentes)

A fronteira: 4 cargos parecidos, vagas diferentes

Vai aplicar pra “analista de dados” mas a vaga é de “BI”? Você pode estar mirando errado. Os 4 cargos têm sobreposição mas exigem CVs diferentes:

Cargo	Foco	Stack típica
Analista de BI	Dashboard + relatório recorrente pro negócio	SQL + Power BI/Tableau + Excel avançado
Analista de dados	Análise ad-hoc + insight pra decisão	SQL + Python/R + visualização
Analista de negócios (Business Analyst)	Conexão entre área de negócio e produto/dados	SQL + visualização + storytelling
Cientista de dados	Modelo preditivo + ML em produção	Python + ML libs (scikit, PyTorch) + cloud

No CV, deixe claro qual papel você quer. Genérico (“profissional de dados”) = ignorado.

A 3 perguntas que recrutador de dados responde lendo seu CV

1. “Qual stack ele tem?”

Stack é primeiro filtro. Vaga pede SQL + Python + dbt? Recrutador escaneia o CV em 5 segundos. Sem essas 3 keywords visíveis, você sai da pilha.

2. “Ele entende negócio ou só roda query?”

Diferença entre analista bom e analista mediano. Bom liga “rodei query → cheguei a insight → o negócio fez X com isso”. Mediano só descreve a query.

3. “Tem case real?”

Recrutador adora portfolio público com dataset + análise + conclusão. Mostra que você sabe fechar o ciclo, não só a parte técnica.

Estrutura ideal do CV de analista

[Nome]
[Cargo desejado / nível] · [Cidade-UF] · [E-mail] · [LinkedIn] · [Portfolio se aplicável]

SUMÁRIO  (3 linhas com stack + área + 1 conquista)

EXPERIÊNCIA  (do mais recente)

PROJETOS RELEVANTES  (cases públicos, hackathon, Kaggle top 10%)

FORMAÇÃO  (curso + universidade + período)

CERTIFICAÇÕES  (Google Data Analytics, Microsoft DA-100, AWS Data)

HABILIDADES TÉCNICAS  (categorizadas)

Igual ao CV de dev: stack vem logo após sumário. Recrutador de dados quer ver tech antes de tudo.

Stack 2026 (categorizada)

Linguagens

• SQL (sempre — ANSI básico mais nuances do dialeto: PostgreSQL, MySQL, Snowflake SQL, BigQuery SQL)
• Python (Pandas, Numpy, Matplotlib, Seaborn, scikit-learn pra básico de ML)
• R (alternativa a Python, comum em academia/healthcare/finanças)

BI / Visualização

• Power BI (líder em mercado BR, B2B)
• Tableau (mais comum em multinacional)
• Looker Studio (ex-Data Studio, Google ecosystem)
• Metabase (open source, tech companies)

Modelagem / Transformação

• dbt (data build tool — padrão de mercado em 2026)
• Airflow (orquestração de pipeline)

Data warehouse / lake

• Snowflake (cloud DW mais popular)
• BigQuery (Google Cloud)
• Redshift (AWS)
• Databricks Lakehouse

Excel (ainda conta)

• Excel avançado (pivot, fórmulas array, Power Query, VBA básico)
• Não inflar — “Excel intermediário” se você só faz SUM e VLOOKUP

Bullets de exemplo por nível

Júnior (0-2 anos)

Foco: stack tocada + entrega clara + soft signal de aprendizado.

✅ “Construí dashboard mensal de KPIs comerciais em Power BI consumindo dados via SQL de PostgreSQL. Reduzi tempo de geração do relatório de 4h pra 15 min automatizando refresh semanal. Aprendi DAX do zero em 2 meses.”

3 ferramentas, métrica de eficiência, sinal de growth.

Pleno (2-5 anos)

Foco: escopo + impacto de negócio + autonomia.

✅ “Implementei modelagem dimensional em dbt sobre Snowflake, consolidando 3 fontes (CRM, ERP, e-commerce) em data mart unificado. Tempo médio de query caiu 70%, área comercial passou a fazer self-service de relatório. Trabalhei com 2 engenheiros de dados.”

Decisão de modelo, métrica forte (-70%), impacto organizacional, leve liderança.

Sênior (5+ anos)

Foco: decisão técnica + impacto sistêmico + influência além do dado.

✅ “Liderei migração do data warehouse de Redshift pra Snowflake, com modelagem nova em dbt + orquestração em Airflow. Custo de compute reduzido em 45% e capacidade de query 3x maior. Mentorei 4 analistas no processo de adoção.”

Decisão arquitetural, métrica $/$ + performance, escala de mentoria.

Portfolio — o que vale linkar

Recrutador de dados ADORA portfolio. É a forma mais rápida de provar capacidade real. Mas só vale se for sólido — projeto fraco queima.

O que entra como portfolio bom

1. GitHub com repo de análise — Jupyter Notebook + dataset + README explicando contexto + conclusão
2. Dashboard público — Power BI Service público, Tableau Public, Looker Studio
3. Notion com case study — texto + gráfico + insight pro negócio
4. Medium / blog técnico — 2-3 posts explicando análise feita
5. Kaggle — competição com top 10% ou notebook com 100+ votos

Anti-padrões (não cola)

• ❌ “Análise do dataset Iris” (muito básico)
• ❌ “Tutorial seguido de YouTube” (não é projeto seu)
• ❌ Repo com 1 notebook sem README

Como linkar

✅ “linkedin.com/in/seunome · portfolio: github.com/seunome (3 cases) · medium.com/@seunome”

3 links, todos ativos. Recrutador valoriza.

Bootcamp vs faculdade vs autodidata

Recrutador de dados em 2026 é agnóstico de origem — desde que prove skill:

• Faculdade (Estatística, Matemática, Computação, Engenharia): valoriza pesquisa + pensamento estruturado
• Bootcamp intensivo (Awari, Tera, Le Wagon): valoriza projetos do bootcamp se forem sérios + portfolio
• Autodidata: valoriza certificação reconhecida + portfolio extenso (compensa falta de carimbo)

Se você é autodidata sem diploma: dobra o portfolio. 5+ projetos sólidos compensam.

Certificações que valem em 2026

Certificação	Plataforma	Quando vale
Google Data Analytics	Coursera	Júnior buscando primeiro emprego
Microsoft DA-100 (Power BI)	Microsoft	Vagas BI focadas em Power BI
Tableau Desktop Certified	Tableau	Vagas que exigem Tableau
AWS Certified Data Analytics	AWS	Vagas em cloud AWS
dbt Analytics Engineering	dbt Labs	Diferencial pra mid-senior
Snowflake SnowPro	Snowflake	Vagas com Snowflake na descrição

Senioridade em dados

Sinais que recrutador identifica:

1. Verbo do bullet: “executei consulta” (jr) → “modelei dado” (pl) → “desenhei arquitetura” (sr)
2. Escopo: tabela única → mart por área → DW da empresa
3. Stack: Excel + SQL básico (jr) → SQL + Python + Power BI (pl) → Snowflake + dbt + Airflow (sr)
4. Decisão: rodou query (jr) → escolheu modelo (pl) → definiu plataforma (sr)

Inflar não cola. “Migrei DW completo” sem ter feito é detectado em 5 minutos de entrevista técnica.

5 erros típicos de CV de analista de dados

1. Bullet sem ligação com negócio

❌ “Rodei queries em SQL pra extrair dados”

Pra quê? Que decisão veio dessa análise? Recrutador quer “rodei query → vi padrão X → área tomou decisão Y → resultou em Z”. Sem o ciclo completo, é peso morto.

2. Lista de 30 ferramentas inflada

CV de júnior listando “SQL, Python, R, SAS, SPSS, Excel, Power BI, Tableau, Looker, Qlik, Metabase, Power Query, DAX, MDX, Spark, Hadoop, Snowflake, BigQuery, Redshift, dbt, Airflow, Kafka, Docker, Kubernetes, Git, Jenkins, AWS, GCP, Azure…”. Imediatamente identificado como bullshit.

3. Confundir analista com cientista

CV de analista pleno listando “Modelos preditivos com PyTorch e implementação em produção”. Recrutador questiona. Se você fez ML básico, escreva “scikit-learn, modelos de classificação simples”. Pra ser cientista de dados sênior, você precisa de stack diferente (deep learning, MLOps).

4. Stack desatualizada

CV de 2026 mencionando “Tableau Desktop 9.0” (versão de 2014) ou “Power BI Pro” sem mencionar Power BI Service (cloud). Sinal vermelho.

5. Sem portfolio nenhum

Pra dados, é quase exigência implícita. Mesmo júnior recém-formado deveria ter 1-2 projetos públicos. Recrutador valoriza muito mais que faculdade.

Vagas internacionais remotas em dados

Mercado em dólar pra dados é forte. Junior brasileiro pode ganhar US$ 60k+/ano em vaga remota EUA.

CV pra vaga remota internacional:

• Em inglês americano (não tradução literal — adapta)
• Métricas em USD onde fizer sentido
• LinkedIn em inglês
• Localização: “Brazil-based, Remote”
• Sem foto (anti-discrimination law)
• Stack escrita literal (“Python”, não “linguagem Python”)

FAQ

Posso aplicar pra cientista de dados sendo analista hoje?

Difícil sem upskill. Cientista pede ML em produção, MLOps, deep learning. Pode mirar transição com curso intensivo + portfolio focado em modelos preditivos. Caminho típico: 6-12 meses estudando.

Bootcamp vale como diploma?

Pra mercado tech moderno, sim. Empresas que rejeitam bootcamp são geralmente bancos tradicionais ou seguradoras. Big tech, scale-up, fintech BR aceitam — desde que portfolio tape.

Excel ainda é importante?

Ainda, sim. Áreas tradicionais (RH, finanças, varejo) usam muito. Big tech usa menos. Pra qualquer vaga de BI ou analytics, Excel avançado real é diferencial.

Posso colocar projetos do bootcamp como experiência?

Sim, claramente identificados como projeto de bootcamp. Não invente “trabalhei na empresa X” se foi simulação acadêmica.

Preciso saber R se já sei Python?

Geralmente não. Python virou padrão. R só importa em academia, healthcare, alguns nichos de financeiro. Se a vaga não pede R, não precisa.

Faculdade de Estatística vence Ciência da Computação pra dados?

Sutilmente sim em 2026 — Estatística + bom domínio de Python/SQL é combinação forte. CC com pouca estatística vira gap.

LinkedIn ou GitHub é mais importante pra dados?

GitHub vence pra prova técnica, LinkedIn vence pra ser encontrado. Os dois são necessários. Não escolhe um.

Outras leituras

• Como funciona o ATS — o pillar, leitura obrigatória pra dados tb
• Palavras-chave no currículo — como pegar stack da vaga
• Currículo de desenvolvedor — outra perspectiva tech
• Currículo de marketing — quando dado vira decisão comercial
• 5 erros que jogam currículo na lixeira — checklist independente

Fechamento

CV de analista de dados em 2026 é exercício de provar capacidade de fechar ciclo: dado → análise → insight → decisão de negócio. Stack importa, mas contexto importa mais. Quem só lista ferramenta vira commodity. Quem mostra ciclo completo vira contratado.