Sobre esta plantilla
La plantilla ATS Data Analyst combina una maquetación moderna en Inter para el cuerpo y Source Code Pro para las cifras, sobre fondo azul claro. Las competencias se mantienen en texto plano pero los indicadores clave — ganancias KPI, volúmenes, precisión modelo — reciben un tratamiento código que el reclutador lee en pocos segundos. Compatible con los ATS de los editores SaaS (Lever, Ashby, Greenhouse) y de los grandes grupos (Workday, Avature).
¿Para qué perfil?
Se dirige a data analysts, especialistas BI, ingenieros ML y data scientists que candidatan en product companies (Cabify, Glovo, BigBuy, Travelperk, Factorial HR), bancos (Banco Santander Tech, BBVA Data Science, CaixaBank Tech), consultoras (Management Solutions, NTT Data, Indra Sistemas) y scale-ups data-driven. Adaptada también a analytics translators y growth analysts cuyo valor se mide por las cifras de impacto más que por la prosa.
Cómo utilizarla
Cree una sección «Stack técnico» densa con categorías: Lenguajes (Python, R, SQL, Scala), Cloud (AWS, GCP, Azure, Snowflake, Databricks), Data tools (dbt, Airflow, Spark, Kafka), ML (scikit-learn, PyTorch, MLflow), Viz (Tableau, Looker, Power BI, Metabase). Para cada puesto, formule los bullets en torno al impacto business: «Mejorada la precisión del modelo de churn de 0,71 a 0,84 AUC — reducción churn 12% — 4,8 M€ de revenue preservado».
Preguntas frecuentes
¿Hay que listar los Kaggle o competiciones data?
Sí para perfiles 0-5 años de experiencia, ayuda a pasar el screening. Mencione el top % (top 5%, top 1%, Kaggle Expert/Master/Grandmaster) y la naturaleza de la competición. Para perfiles más senior (8+ años), mantenga solo las distinciones mayores y desplace el foco hacia los proyectos internos con impacto medido.
¿Cómo cuantificar el impacto de un dashboard?
Busque la métrica business detrás de la herramienta: «Construido un dashboard SLA en tiempo real — adopción por 240 ops managers — reducción MTTR del 38% en 6 meses». Los ATS escanean las cifras en los bullets y los reclutadores filtran a menudo por orden de magnitud de impacto. Una métrica sin denominador es ignorada — dar siempre el contexto.
¿Hay que añadir enlace GitHub o Kaggle en la cabecera?
Sí, es esperado en data/ML. Añada 2-3 enlaces máximo: GitHub (con 3-4 repos fijados sobre proyectos terminados), perfil Kaggle, LinkedIn. Evite los enlaces a competiciones abandonadas o forks sin contribución. El perfil GitHub es leído por los Lead Data y los engineering managers técnicos antes de la entrevista.
