Sobre este modelo
O modelo ATS Data Analyst combina um layout moderno em Inter para o corpo e Source Code Pro para os números, sobre fundo azul claro. As competências mantêm-se em texto simples mas os indicadores-chave — ganhos KPI, volumes, precisão modelo — recebem um tratamento código que o recrutador lê em poucos segundos. Compatível com os ATS dos editores SaaS (Lever, Ashby, Greenhouse) e dos grandes grupos (Workday, Avature).
Para que perfil?
Dirige-se a data analysts, especialistas BI, engenheiros ML e data scientists que se candidatam em product companies (Talkdesk, Feedzy, OutSystems, Unbabel, Sword Health, Mistral AI Portugal), bancos (Millennium BCP Data, Santander Portugal Tech, BPI Analytics), consultoras (Deloitte Digital Portugal, Capgemini Portugal, NTT Data Portugal) e scale-ups data-driven. Adaptado também a analytics translators e growth analysts cujo valor se mede pelas cifras de impacto mais do que pela prosa.
Como utilizá-lo
Crie uma rúbrica «Stack técnico» densa com categorias: Linguagens (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 cargo, formule os bullets em torno do impacto business: «Melhorada a precisão do modelo de churn de 0,71 a 0,84 AUC — redução churn 12% — 4,8 M€ de revenue preservada».
Perguntas frequentes
É preciso listar os Kaggle ou competições data?
Sim para perfis 0-5 anos de experiência, ajuda a passar o screening. Mencione o top % (top 5%, top 1%, Kaggle Expert/Master/Grandmaster) e a natureza da competição. Para perfis mais seniores (8+ anos), mantenha apenas as distinções maiores e desloque o foco para os projetos internos com impacto medido.
Como quantificar o impacto de um dashboard?
Procure a métrica business por detrás da ferramenta: «Construído um dashboard SLA em tempo real — adoção por 240 ops managers — redução MTTR de 38% em 6 meses». Os ATS escaneiam os números nos bullets e os recrutadores filtram frequentemente por ordem de grandeza de impacto. Uma métrica sem denominador é ignorada — dar sempre o contexto.
É preciso um link GitHub ou Kaggle no cabeçalho?
Sim, é esperado em data/ML. Adicione 2-3 links máximo: GitHub (com 3-4 repos afixados sobre projetos terminados), perfil Kaggle, LinkedIn. Evite os links para competições abandonadas ou forks sem contribuição. O perfil GitHub é lido pelos Lead Data e pelos engineering managers técnicos antes da entrevista.
