Poradnik · CV branżowe

CV analityka danych — SQL, Python, dashboardy, wzór

Data analyst to dziś jedno z najbardziej poszukiwanych stanowisk w Polsce. Twoje CV musi pokazać techniczny stack (SQL, Python, BI) i biznesowe rezultaty konkretnych analiz.

Zacznij tworzyć CV

8 min czytaniaaktualizacja 21 kwietnia 2026

Data analyst / data scientist w Polsce 2026 dzieli się na specjalizacje: analityk biznesowy (BI), data engineer, data scientist (ML), marketing analyst. Pensje: 9-22k brutto dla mida, 25-40k dla seniora. CV musi być konkretne — narzędzia, typy analiz, biznesowe impacty.

Specjalizacje data — wybierz swoją

Data Analyst — SQL + BI + biznesowe case studies
Marketing Analyst — GA4 + attribution + campaign performance
BI Developer — Power BI / Tableau + warehouse modeling
Data Engineer — SQL + Python + Airflow + dbt + warehouse
Data Scientist — Python + ML libraries + statystyka + research
ML Engineer — Python + MLOps + production models

Tech stack — kategoryzuj

Tech stack: — Query: SQL (PostgreSQL, Snowflake, BigQuery) — zaawansowany (CTE, window funcs, query optimization) — Języki: Python (pandas, numpy, scikit-learn), R (tidyverse) — BI: Power BI, Tableau, Looker (Studio + Core) — Orchestration: Airflow, dbt (Core i Cloud) — ML: scikit-learn, XGBoost, LightGBM, Prophet (forecasting) — Cloud: AWS (S3, Redshift, SageMaker), GCP (BigQuery, Vertex AI) — Statystyka: hypothesis testing, A/B testing, regression, time-series

Projekty — pokazuj impact biznesowy

Przykład — Data Analyst w SaaS B2B: Projekt: Churn prediction model — Problem: 12% monthly churn, brak wczesnego ostrzeżenia — Podejście: SQL → feature engineering → XGBoost (Python) → dashboard Looker — Features: login frequency, feature adoption, ticket count, NPS — Rezultat: 78% precision na top-10% klientów at-risk. CS team kontaktuje ich proactively. Churn ↓ do 8% w 4 miesiące.

Metryki, które liczą się w CV analityka

Model performance: precision, recall, F1, AUC, RMSE, MAE
Biznesowy impact: wzrost ↑X%, spadek ↓Y%, ROI projektu
Szybkość: dashboard deliverable w X dni, raport miesięczny
Skala: TB danych przetworzonych, miliony transakcji dziennie
Stakeholders: C-level decision makers, cross-team collaboration
Automatyzacja: raporty manualnie → automatyczne (czas oszczędzony)

Błędy w CV analityka danych

Lista 30 narzędzi bez poziomów — pokaż, które używasz profesjonalnie, a które tylko znasz
Brak business impact w projektach (tylko techniczne opisy)
Certyfikaty (AWS, Google Data) bez praktycznego zastosowania w projektach
Nie-specific 'visualised data' — jaki wykres, dla kogo, z jakim outcome
Brak GitHuba z SQL/Python projektami (recruiter = portfolio expectation)

Checklist CV analityka danych

Tytuł jednoznaczny (Data Analyst / Scientist / Engineer)
Tech stack pogrupowany (query, language, BI, ML, cloud)
3-5 projektów z impactem biznesowym
Metryki techniczne + biznesowe
GitHub / Kaggle / Medium (portfolio)
Certyfikaty (AWS Data Analytics, Google Data Analyst — dla juniorów)
Statystyka na poziomie wykorzystywanych metod
A/B testing doświadczenie
Angielski B2+ (dla międzynarodowych SaaS)
Klauzula RODO

Teraz Twoja kolej

Gotowy napisać swoje CV?

Asystent Pracuś AI przeprowadzi Cię przez każdą sekcję. Pierwsze CV za darmo, bez karty, po polsku. Zaloguj się przez Google albo Facebook i startuj.

Stwórz CV za darmo

Darmowe pierwsze CV · RODO ✓ · Bez karty

FAQ

Najczęstsze pytania

Czy bootcamp data (CodersLab, Dare IT) wystarczy?

Tak, dla pierwszej roli entry-level. Ale portfolio ważne — 3-5 case studies z real dataset (Kaggle, GitHub) + certyfikaty uzupełniają.

Jak wchodzić z biznesowego do data analyst?

Excel ekspert + SQL + 1-2 projekty portfolio + bootcamp/certyfikat. Najłatwiejsze przejście z Product/Marketing/Operations gdzie już używasz danych.

Czy muszę znać Python do bycia Data Analystem?

Nie obowiązkowo. SQL + Excel + Power BI/Tableau to wystarczy dla wielu ofert. Python znacząco zwiększa pensję i opcje.

Czy certyfikaty AWS/GCP są ważne?

Dla ML Engineer i Data Engineer — tak. Dla Data Analysta — nice to have, ale portfolio > certyfikat.

Jakie język programowania bardziej — Python czy R?

Python w Polsce dominuje (szczególnie w SaaS/fintech). R w akademii i pharma. Z Pythonem masz więcej ofert pracy.

Kontynuuj

Powiązane poradniki

Poradnik · CV branżowe

CV programisty — tech stack, projekty, senioraty

Developer w 2026 aplikuje na 3 oferty jednocześnie.

Czytaj

Poradnik · CV branżowe

CV księgowej / księgowego — wzór i słowa kluczowe

Księgowość w Polsce 2026 to specjalizacja systemowa: biura rachunkowe szukają Symfoniarzy i Optimy, korporacje SAP-erów i Oracle-rów.

Czytaj

Poradnik · Podstawy CV

Jak napisać CV krok po kroku (2026)

Recruiter patrzy na CV 6–8 sekund.

Czytaj

Specjalizacje data — wybierz swoją

Data Analyst — SQL + BI + biznesowe case studies

Marketing Analyst — GA4 + attribution + campaign performance

BI Developer — Power BI / Tableau + warehouse modeling

Data Engineer — SQL + Python + Airflow + dbt + warehouse

Data Scientist — Python + ML libraries + statystyka + research

ML Engineer — Python + MLOps + production models

Tech stack — kategoryzuj

Tech stack: — Query: SQL (PostgreSQL, Snowflake, BigQuery) — zaawansowany (CTE, window funcs, query optimization) — Języki: Python (pandas, numpy, scikit-learn), R (tidyverse) — BI: Power BI, Tableau, Looker (Studio + Core) — Orchestration: Airflow, dbt (Core i Cloud) — ML: scikit-learn, XGBoost, LightGBM, Prophet (forecasting) — Cloud: AWS (S3, Redshift, SageMaker), GCP (BigQuery, Vertex AI) — Statystyka: hypothesis testing, A/B testing, regression, time-series

Projekty — pokazuj impact biznesowy

Przykład — Data Analyst w SaaS B2B: Projekt: Churn prediction model — Problem: 12% monthly churn, brak wczesnego ostrzeżenia — Podejście: SQL → feature engineering → XGBoost (Python) → dashboard Looker — Features: login frequency, feature adoption, ticket count, NPS — Rezultat: 78% precision na top-10% klientów at-risk. CS team kontaktuje ich proactively. Churn ↓ do 8% w 4 miesiące.

Metryki, które liczą się w CV analityka

Model performance: precision, recall, F1, AUC, RMSE, MAE

Biznesowy impact: wzrost ↑X%, spadek ↓Y%, ROI projektu

Szybkość: dashboard deliverable w X dni, raport miesięczny

Skala: TB danych przetworzonych, miliony transakcji dziennie

Stakeholders: C-level decision makers, cross-team collaboration

Automatyzacja: raporty manualnie → automatyczne (czas oszczędzony)

Błędy w CV analityka danych

Lista 30 narzędzi bez poziomów — pokaż, które używasz profesjonalnie, a które tylko znasz

Brak business impact w projektach (tylko techniczne opisy)

Certyfikaty (AWS, Google Data) bez praktycznego zastosowania w projektach

Nie-specific 'visualised data' — jaki wykres, dla kogo, z jakim outcome

Brak GitHuba z SQL/Python projektami (recruiter = portfolio expectation)

Checklist CV analityka danych

Tytuł jednoznaczny (Data Analyst / Scientist / Engineer)

Tech stack pogrupowany (query, language, BI, ML, cloud)

3-5 projektów z impactem biznesowym

Metryki techniczne + biznesowe

GitHub / Kaggle / Medium (portfolio)

Certyfikaty (AWS Data Analytics, Google Data Analyst — dla juniorów)

Statystyka na poziomie wykorzystywanych metod

A/B testing doświadczenie

Angielski B2+ (dla międzynarodowych SaaS)

Klauzula RODO

Najczęstsze pytania

Czy bootcamp data (CodersLab, Dare IT) wystarczy?

Tak, dla pierwszej roli entry-level. Ale portfolio ważne — 3-5 case studies z real dataset (Kaggle, GitHub) + certyfikaty uzupełniają.

Jak wchodzić z biznesowego do data analyst?

Excel ekspert + SQL + 1-2 projekty portfolio + bootcamp/certyfikat. Najłatwiejsze przejście z Product/Marketing/Operations gdzie już używasz danych.

Czy muszę znać Python do bycia Data Analystem?

Nie obowiązkowo. SQL + Excel + Power BI/Tableau to wystarczy dla wielu ofert. Python znacząco zwiększa pensję i opcje.

Czy certyfikaty AWS/GCP są ważne?

Dla ML Engineer i Data Engineer — tak. Dla Data Analysta — nice to have, ale portfolio > certyfikat.

Jakie język programowania bardziej — Python czy R?

Python w Polsce dominuje (szczególnie w SaaS/fintech). R w akademii i pharma. Z Pythonem masz więcej ofert pracy.