De bästa besluten fattas efter noggrann analys av data: i en värld där data bokstavligen finns överallt (både synligt och dolt) kan detta ibland kännas överväldigande, även för mycket erfarna företagsledare. De behöver medarbetare med rätt verktyg och mentalitet som kan sålla igenom stora mängder data – samla in och analysera data, identifiera strukturer, tolka och dra slutsatser. Samt rapportera resultat som leder till rätt åtgärder. De medarbetare vi pratar om här kallas dataanalytiker (eller datavetare) och de är extremt efterfrågade just nu.
Den stora efterfrågan beror till en del på att det helt enkelt är brist på yrkespersoner i branschen. Det räcker nästan med att skriva ”Dataanalytiker” högst upp i ditt cv (plus några grundläggande kvalifikationer och relevant erfarenhet) för att få komma på anställningsintervju. Även de som bara har en grundläggande förståelse för och/eller bakgrund inom datavetenskap kommer nuförtiden snabbt få jobb. Men det är ingen enkel uppgift att få arbete på ett företag som sätter datavetenskap i fokus för allt de gör. Bara 5 % av alla större företag har en riktig datavetenskaplig avdelning och konkurrensen för att få chansen att lära sig av, och arbeta med, de proffsigaste medarbetarna på dessa platser är tuff.
Den här cv-guiden syftar till att undersöka hur de olika egenskaperna hos de mest framgångsrika dataanalytikerna kan integreras i ett cv som presenterar kandidaterna som mer än bara ”sifferexperter”. Denna guide kommer att visa dig hur du:
Tillsammans med våra cv-mallar och byggverktyg kommer vi att hjälpa dig att få liv i din karriärdata.
Området datavetenskap utvecklas lika snabbt som den informationsteknik som stöder den. Rudimentär programvara analyserade ”datapooler” för ett decennium sedan, men nu hanterar och analyserar superdatorer enorma mängder data för att avslöja överraskande trender. Dataanalytiker ligger i framkant när det gäller att “översätta” denna data till något som företag kan använda. Många företag skryter om hur mycket data de har till hands, men väldigt få ens skrapar på ytan vad det gäller vilka insikter som den kan erbjuda. Tänk dig ett kalkylblad med en miljon kolumner och 10 miljoner rader. Den typen av komplexitet kräver en superdator för att hantera uppgifterna, men kräver också en fantastisk dataanalytiker för att förklara för kollegorna vad de innebär.
För att komma fram till lösningar måste dataanalytikern först identifiera vilket problem som ska lösas. Hen måste förstå sig på problemets natur. Hen måste kunna prata med sina kollegor på deras språk, utforska de verkliga företagsfrågorna och gräva ner sig i vilken sorts data som kan erbjuda potentiella lösningar. Att samla in data är inte det svåra - det är att avgöra vilken typ av data som behövs samlas in och hur den ska mätas.
Den första viktiga informationen du behöver när du skriver ditt cv är att förstå vilka avsnitt som ska ingå. Ditt cv bör innehålla följande:
Ett cv för en dataanalytiker ska alltså visa upp kandidatens “bredare” affärsinsikt. Utan det kommer det att kännas som att gå vilse i en jättestor äppelodling, där man är osäker på vilket träd man ska skaka på för att få de äpplen man behöver.
Även om cv:t för dataanalytiker bör skrivas för en bred publik (eftersom den potentiella chefen ofta är en senior, icke-teknisk specialist), bör kandidaten inte glömma att ta med alla detaljer om obskyra programmeringsspråk och djävulskt svåra projekt i presentationen för sina blivande chefer och kollegor.
Kompetens att leda projekt är en annan viktig aspekt av datavetarens roll. Dataanalytiker arbetar ofta i team av yrkespersoner från andra avdelningar och behöver leda gruppen från en teknisk (eller organisatorisk) synvinkel. Deras förmåga att identifiera underliggande strukturer och tolka data kan sedan omsättas till verkliga åtgärder av de inblandade specialisterna, och slutprodukten blir en sann laginsats.
Som du säkert känner till, bör man skräddarsy varje cv till den specifika tjänsten, och en dataanalytikers cv är inget undantag. Om du kan berätta om den typ av projekt som din framtida arbetsgivare kommer att erbjuda dig, presenterar du dig automatiskt som en passande kandidat. Arbetsgivaren vill känna sig lugnade när hen läser ett cv, och när även en icke-teknisk person kan se att din erfarenhet liknar det som företaget behöver, har du en fördel framför dina konkurrenter. Ett cv åt en dataanalytiker ska övertyga chefen om att kandidaten är precis den person som kan identifiera företagets trender och insikter.
Hur man överlistar ATS
Dataanalytiker vet förstås att en programvara (eller algoritm) bara kan det som den är programmerad att göra. Med tanke på det stora antalet ansökningar i rekryteringsprocessen använder organisationer program som kallas Applicant Tracking Systems (ATS) – ansökningshanteringssystem på svenska – för att sålla bland ansökningarna. Om ett cv inte innehåller tillräckligt många av de viktigste nyckelorden, innebär det att vissa mycket kvalificerade kandidater kan gallras bort och inte få sina cv:n lästa av en människa överhuvudtaget. Så se till att du tar med de nyckelord som arbetsgivaren letar efter.
Läs jobbbeskrivningen noga för att avgöra vad arbetsgivaren är på jakt efter när det gäller nyckelfärdigheter. ATS-systemen kommer ofta att använda platsannonsen som mall för att hämta nyckelord, så se till att det finns tillräckligt med likheter mellan jobbeskrivningen och ditt cv.
Den personliga sammanfattningen för en dataanalytiker bör fokusera på tre saker: kunskap om branschen, affärsmannaskap och projektbedrifter. Kan du din bransch, är kunskapen användbar för människorna omkring dig och kommer ditt snille att göra din arbetsgivare mer lönsam? Din sammanfattning ska framhäva hur du skiljer dig från alla andra kandidater som sannolikt bara presenterar en lång lista analytiska färdigheter. När du pratar om din roll som länk mellan uppdrag och kollegor, visar du ditt verkliga värde. När du pratar om effekten av dina projekt på företagets kurs och lönsamhet, kvantifierar du dina datafärdigheter med verifierbara termer.
Om du inte berättar hur du samlar in och analyserar data i din sammanfattning kommer din potentiella arbetsgivare att bli misstänksam. Låt inte ditt affärsmannaskap överskugga dina kärnfärdigheter som dataanalytiker. Prata om de problem du har löst, omfattningen av de data du har arbetat med och den programvara du använder.
Och data lever inte i ett vakuum. Alla dataanalytiker har sina egna metoder för att kommunicera data till sina kollegor och förklara för andra vad den betyder. Det är viktigt att exakt beskriva hur du får uppgifterna att komma till liv, eftersom de inte kommer att göra så mycket nytta i ett kalkylblad som bara du förstår dig på.
Blanda in andra människor i din sammanfattning
En dataanalytiker uppnår vanligtvis inte sina resultat ensam, utan med en stor mängd input från andra. Dataanalytiker presenterar sina resultat för sina kollegor, diskuterar vad de kan betyda, tar hänsyn till feedback för att förfina modellen och bygger nya hypoteser baserat på bevis. De kan förstå data på en djupare nivå än personer runt omkring dem, men det betyder inte att alla förstår data från en annan vinkel. Det är bara genom att arbeta tillsammans som man hittar den bästa vägen framåt.
Erfaren och driven dataanalytiker med förmåga att förvandla data till värdefull insikt. Gillar att analysera data för att hitta trender och mönster som kan översättas till påverkbara resultat.Skicklig på att hantera och övervaka data från flera dataströmmar, inklusive Access, SzL och Excel. Erfarenhet av att visualisera data i BI-program.
Som dataanalytiker ska avsnittet om arbetslivserfarenhet fokusera på detaljerna i din karriär som dataanalytiker. Det hjälper inte att prata om vilka färdigheter du har utan att dela med dig av resultaten av dessa färdigheter. Håll dig till de viktigaste projekten som sannolikt kommer vara relevanta för din framtida arbetsgivare och inkludera mer detaljer om dina senaste arbetsgivare.
Datavetenskapen har utvecklats jättesnabbt de senaste fyra-fem åren, så erfarenhet från din tidigare karriär kommer vara mindre relevant. Visa hur du har utvecklats genom omfattningen på projekt som du har fått förtroendet att ta dig an och komplexiteten i data du har arbetat med. Om du gör en detaljerad beskrivning av en situation, kanske du bör överväga att använda STAR-metoden, där S är situationen du var i, T är uppgiften du stod inför, A är åtgärden du vidtog och R är resultatet du uppnådde.
De flesta dataanalytiker använder omvänt kronologiskt cv-format för att presentera sin arbetslivserfarenhet (och utbildning). Det innebär att lista det nuvarande eller senaste jobbet först och det första jobbet sist. Om din karriärväg har lett dig till successivt bättre jobb kommer det här formatet att framhäva dina mest imponerande meriter högst upp på listan.
Dataanalytiker på Akademiska hus, Göteborg
Oktober 2019 - Nuvarande
Dataanalytiker på Globala lösningar, Göteborg
September 2015 - September 2019
Avsnittet om färdigheter i ett cv åt dataanalytiker är en lista där den potentiella arbetsgivaren förväntar sig att du kan “bocka för alla datavetenskapliga rutor”. Om vissa aspekter saknas kommer varningsklockor att börja ringa, så se till att listan är så heltäckande som möjligt.
Här är några exempel på vad man förväntar sig ska finnas bland toppkandidaters färdigheter: De använder avancerade metoder för att samla in data, automatiserar processer för att kunna tolka och analysera beteenden. Med hjälp av programvara kan de hantera datan, identifiera mönster och bygga testbara modeller. När de granskar resultaten kan de dra slutsatser åt företaget.
Kandidatens matematiska och analytiska färdigheter måste vara tillräckligt avancerade för att kunna se dessa strukturer, men det är faktiskt ännu viktigare att kunna omsätta resultaten till enkla och förståeliga åtgärder som kollegorna kan ta itu med. Det kräver kreativt tänkande och konstnärlig frihet.
Här är några färdigheter du kan ta upp i ditt färdighetsavsnitt:
Utbildningsavsnittet i cv:t är det avsnitt där dataanalytikern delar med sig av sina formella meriter som visar att hen är kvalificerad för jobbet. Dataanalytiker har ofta en kandidatexamen i matematik, ekonomi eller datavetenskap. Utbildning i statistik är också vanligt. Påbyggnadsutbildningar inom datavetenskap är vanliga. Med tanke på behovet av ett bredare affärsperspektiv välkomnas också MBA, en ledarskapsutbildning med företagsekonomisk inriktning av många arbetsgivare. Det är vanligt att beskriva all kunskap om programmeringsspråk och dataprogramvara i utbildningsavsnittet i detalj, och ju mer du kan inkludera, desto bättre.
Civilingenjör datateknik, Chalmers, Göteborg
Augusti 2009 - Juni 2015
Naturvetenskapsprogrammet, Kunskapsgymnasiet, Göteborg
Augusti 2006 - Juni 2009