Een cv voor een rol als data-analist of data scientist verschilt van een algemeen software engineering-cv vooral in wat de nadruk krijgt, niet in de basisvorm. Werkervaring in omgekeerd chronologische volgorde, een korte samenvatting en op resultaat gerichte bullets gelden nog steeds, maar een datagericht cv opent met de vraag die een analyse beantwoordde en de beslissing die het veranderde, en benoemt eerlijk hoe groot de data waren en waar ze vandaan kwamen, in plaats van te leunen op de pipeline of het model dat het antwoord opleverde. Een afgerond dashboard, een getraind model of een nette pipeline is op zichzelf niet het resultaat dat een plek verdient op een cv; de beslissing die een team daardoor anders nam, is dat wel.
Waarom de nadruk verschuift bij datazwaar werk
Het cv van een algemene software engineer krijgt doorgaans erkenning voor wat is opgeleverd: een functie, een service, een systeem dat nu in productie draait en waar een gebruiker naar kan wijzen. Datazwaar werk levert vaak een ander soort opbrengst op. Een rapport dat een leidinggevend team gebruikte om tussen twee plannen te kiezen, een segmentatie die veranderde hoe een marketingbudget werd verdeeld, een controle die een echt probleem in een dataset signaleerde voordat het een downstream systeem bereikte, niets daarvan komt op dezelfde manier naar voren als een opgeleverde functie. Een cv voor dit soort rol moet de beslissing expliciet benoemen, in plaats van ervan uit te gaan dat de lezer zelf een grafiek of een model verbindt met wat er daarna gebeurde. Dit kader is vooral belangrijk voor analist- en data scientist-rollen specifiek, waar het dagelijkse resultaat vaak een antwoord is op een vraag die iemand echt stelde, niet een functie waarmee een gebruiker rechtstreeks omgaat.
De vraag benoemen die een project beantwoordde, niet alleen het gebruikte hulpmiddel
Een bullet die opent met het hulpmiddel, "Een model gebouwd voor het voorspellen van klantverloop in Python met scikit-learn", vertelt de lezer welke technologie erbij betrokken was voordat er iets wordt gezegd over waarom het werk ertoe deed. Een bullet die opent met de vraag die het werk beantwoordde, geeft de lezer eerst de opbrengst: welke van meerdere onboardingstappen het beste voorspelde dat een klant binnen twee maanden zou opzeggen, of een voorgestelde prijswijziging aannemelijk minder aanmeldingen zou opleveren in een bepaalde regio, welke van twee concurrerende productwijzigingen een team zou moeten prioriteren. Het hulpmiddel hoort nog steeds in de bullet thuis, alleen later, zodra de lezer al weet waarom de analyse er überhaupt kwam. Deze volgorde is belangrijker bij datazwaar werk dan bij veel algemeen engineeringwerk, omdat de vraag waarvoor een analyse werd gebouwd vaak het meest leesbare is voor een lezer buiten het team.
Data eerlijk beschrijven: omvang, bronnen en reikwijdte
Het benoemen van de omvang en vorm van de data waarmee een project daadwerkelijk werkte, geeft de lezer een gevoel voor schaal zonder dat er een verzonnen precies getal nodig is. Een eerlijke beschrijving noemt dingen die je je echt kunt herinneren of kunt controleren: ongeveer hoeveel records of rijen het betrof, hoeveel afzonderlijke bronnen werden samengevoegd om de dataset te bouwen, hoe ver de data terugliepen, en of het werk eenmalig draaide als een losstaande analyse of volgens een terugkerend schema. Reikwijdte eerlijk benoemen, bijvoorbeeld "data uit drie interne systemen samengevoegd, die ongeveer twee jaar activiteit bestrijken", houdt stand bij een vervolgvraag op een manier waarop een verzonnen, niet te verifiëren statistiek over de impact van de analyse dat niet doet. Waar een analyse echt een gevolgde metriek heeft veranderd en dat getal nog steeds aan te wijzen is, hoort het rechtstreeks zo op het cv thuis; waar dat niet zo is, dragen reikwijdte en de beslissing die het informeerde de bullet net zo goed alleen.
Hulpmiddelen groeperen naar hun plek in de pipeline
De lijst met hulpmiddelen van een datarol beslaat vaak tegelijk een querytaal, een modelleerbibliotheek, een visualisatietool en een planning- of orkestratiesysteem, en die lijst groeperen naar waar elk hulpmiddel in de pipeline zit, inname, transformatie, analyse en modellering, daarna rapportage of visualisatie, geeft de lezer een sneller beeld van de vorm van de ervaring van een kandidaat dan één lange ongesorteerde regel. Een lezer die op zoek is naar iemand die comfortabel een end-to-end pipeline bezit, ziet die vorm meteen aan vier korte groepen per pipelinefase, en een lezer die specifiek op zoek is naar modelleerervaring kan direct naar die ene groep gaan in plaats van langs een planningstool en een visualisatietool te moeten lezen om die te vinden.
Illustratief voorbeeld: een bullet gebouwd rond een beslissing die het informeerde
Illustratief voor en na. Voor, gestuurd door het hulpmiddel: "SQL en Python gebruikt om gebruiksdata van klanten te analyseren en een verloopmodel te bouwen." Na, gestuurd door de vraag en de beslissing: "Ongeveer achttien maanden gebruiksdata over twee productlijnen geanalyseerd om te bepalen welke onboardingstap opzegging binnen zestig dagen het beste voorspelde; de bevinding bracht het productteam ertoe precies die stap opnieuw te ontwerpen in plaats van de hele onboardingflow." Niets in de herschreven versie verzint een percentage of een resultaat dat de persoon niet daadwerkelijk kon beschrijven; het benoemt de vraag, de globale reikwijdte van de data en de beslissing die de bevinding veranderde, allemaal dingen die de persoon echt heeft meegemaakt.
Waar impact kwantificeren nog steeds geldt
Dezelfde voorzichtigheid tegen het verzinnen van een getal geldt hier net als overal elders op een cv: een echt, momenteel controleerbaar getal uit een dashboard of een rapport verdient het om rechtstreeks benoemd te worden, een herinnerde indruk afgerond tot een netjes percentage niet. Technische impact op een cv kwantificeren zonder getallen te verzinnen behandelt dat onderscheid uitgebreider, en dezelfde aanpak op basis van reikwijdte en beslissing werkt net zo goed voor een datazware bullet als voor een algemene engineeringbullet.
Bouw de jouwe
CVBuilderKit's Developer-template is opgebouwd rond project- en resultaatgestuurde items, wat net zo goed past bij de projectlijst van een data-analist of data scientist als bij applicatiecode. Begin daarmee, of met een leeg document, in de builder, en laat elke bullet beginnen met de vraag die een project beantwoordde voordat je het hulpmiddel noemt dat het antwoord gaf.