Резюме Junior Data Analyst: образец 2026
Резюме junior data analyst строится вокруг одного вопроса: «умеете ли вы работать с данными и отвечать на бизнес-вопросы?» SQL, Python или Excel, визуализация — это база. Но работодатель хочет видеть конкретный проект, где вы это применили.
Структура резюме
1. Заголовок + контакты
2. Summary
3. Навыки
4. Проекты (ключевой раздел)
5. Опыт работы (если есть)
6. Образование
7. Курсы
Заголовок и контакты
```
Екатерина Лебедева
Data Analyst (Junior)
📧 kate@email.com | 📱 +7 900 000-00-00
🔗 github.com/katelebedeva | 🔗 linkedin.com/in/katelebedeva
📍 Москва / Готова к удалёнке
```
Если есть публичный дашборд на Tableau Public, Metabase или DataLens — ссылка в контакты.
Summary
```
Анализирую данные с помощью SQL и Python (pandas, matplotlib).
Строю дашборды в Tableau / Power BI / Yandex DataLens.
Провела 3 учебных аналитических проекта: e-commerce, маркетинг, HR.
Ищу позицию junior data analyst в IT-продукте или финтехе.
```
Навыки
Анализ данных:
SQL (PostgreSQL, ClickHouse), Python (pandas, numpy, matplotlib, seaborn)
Визуализация:
Tableau, Power BI или Yandex DataLens (укажите то, что реально знаете)
Excel / Google Sheets:
Сводные таблицы, ВПР/INDEX+MATCH, формулы
Статистика:
A/B-тестирование (базово), описательная статистика, корреляция
Инструменты:
Git (базово), Jupyter Notebook, Google Colab
Дополнительно:
Cohort analysis, воронки, юнит-экономика (LTV, CAC, ARPU)
Проекты — как описывать
Проект должен отвечать на вопрос: «какой бизнес-вопрос вы решили?»
Шаблон:
```
[Название] — [бизнес-вопрос / задача]
[Инструменты] | GitHub / Дашборд
— Источник данных и объём
— Что анализировали и какие методы применяли
— Ключевые инсайты или выводы (конкретные цифры)
— Визуализация: ссылка или скриншот
```
Пример — хорошо:
```
Анализ оттока клиентов e-commerce (учебный проект)
Python (pandas, seaborn) + SQL | github.com/kate/churn-analysis
— Датасет: 50 000 транзакций за 12 месяцев (открытые данные Kaggle)
— Сегментировал клиентов по RFM-модели, выявил 3 группы риска
— Нашёл корреляцию между частотой покупок и вероятностью оттока (r=0.67)
— Вывод: клиенты с паузой 60+ дней — ключевой сегмент для retention
— Дашборд в Tableau Public: [ссылка]
```
Пример — плохо:
```
Анализ данных на Python
Делал анализ, строил графики, изучал pandas
```
Типы хороших проектов для портфолио
E-commerce / ретейл: анализ продаж, ABC-анализ, сезонность, прогноз спроса.
Маркетинг: анализ рекламных каналов, воронка конверсий, когортный анализ.
HR-аналитика: текучесть кадров, анализ зарплат, прогноз найма.
Финансы: анализ расходов/доходов, прогнозирование, аномалии.
Данные можно брать из открытых источников: Kaggle, data.gov.ru, открытые датасеты компаний.
Опыт работы
Если была стажировка или смежный опыт:
```
Стажировка | ООО «Компания» | июнь–сентябрь 2025
Data Analyst Intern
— Написал SQL-запросы для еженедельной отчётности (PostgreSQL + ClickHouse)
— Построил дашборд по воронке продаж в Yandex DataLens
— Провёл ad hoc-анализ по запросу продуктовой команды
— Автоматизировал выгрузку данных в Excel через Python-скрипт
```
Смежный опыт (финансовый аналитик, маркетолог с Excel) тоже указывайте — это контекст работы с данными.
Ошибки
Нет ни одной цифры в проектах. «Анализировал данные» — какой объём? Сколько строк? Какие метрики? Аналитик работает с числами — покажите это в резюме.
Дашборд без ссылки. Если есть визуализация — публикуйте на Tableau Public или DataLens и давайте ссылку. Иначе не существует.
Excel без конкретики. «Знаю Excel» — это не навык в резюме аналитика. «Сводные таблицы, ВПР, формулы массивов, Power Query» — это уже конкретно.
Общие правила: опыт работы в резюме студента.
FAQ
Нужен ли Python для junior DA или достаточно SQL?
SQL — обязателен и достаточен для входа. Python (pandas) — сильный плюс, с ним вилка выше. Начните с SQL + Excel, добавьте Python как следующий шаг.
Какой инструмент визуализации учить: Tableau или Power BI?
В России чаще встречается Power BI и Yandex DataLens. Tableau — в крупных международных компаниях. Изучите один из них до уровня уверенной работы.
Kaggle-проекты подходят для резюме?
Да — особенно если не просто скопировали чужой ноутбук, а провели собственный анализ. Укажите датасет и ваш конкретный вопрос исследования.
Нужна ли статистика для junior DA?
Описательная статистика (среднее, медиана, стандартное отклонение) — да. A/B-тестирование и p-value — плюс. Продвинутая статистика — для Data Scientist, не аналитика.
Сколько проектов достаточно?
2–3 хороших с конкретными выводами. Один качественный проект с дашбордом лучше пяти неоконченных блокнотов.