CV per data analyst e data scientist: esempi, keyword e template 2026

In Italia il mercato dei big data e analytics vale 4,1 miliardi di euro nel 2025, in crescita del 20% sull'anno precedente (Osservatorio Big Data & Business Analytics, PoliMi, 2025). Sono numeri che spiegano perché ogni mese arrivano centinaia di annunci per "data analyst", "data scientist" e "data engineer", e perché i CV che si confondono fra i tre ruoli vengono scartati prima di essere letti. Se il tuo curriculum dice "passione per i dati" senza specificare se costruisci dashboard, modelli ML o pipeline, l'ATS non sa dove indirizzarti. In questa guida ti diciamo cosa cambia davvero fra i tre profili, quali keyword e tool inserire, e otto bullet point quantificati che puoi adattare al tuo background.

Punti chiave

• Il mercato Big Data in Italia cresce del 20% nel 2025 e tocca 4,1 miliardi di euro (PoliMi Osservatori, 2025).
• Le competenze digitali sono richieste a 2,2 milioni di lavoratori 2025-2029, di cui 910mila con e-skill avanzate (Unioncamere-Excelsior, 2025).
• Lo stipendio medio di un data scientist in Italia è 38.500 € RAL, con junior intorno a 29.000 € (Glassdoor, 2025).
• SQL è la skill che ricorre in entrambi i ruoli; BI tool (Power BI, Tableau) pesano di più per gli analyst, ML stack (scikit-learn, PyTorch) per gli scientist (dato globale).
• Quantificare le bullet point (AUC, % impatto, righe pipeline, latenza dashboard) raddoppia la leggibilità del CV per ATS e recruiter.

Da chi scrive questa guida MerlinOptima è il tool italiano che ottimizza CV anche per ruoli dati. Vediamo decine di CV "data analyst" generici che si candidano a posizioni "data scientist" o viceversa, e ATS che li scartano per skill mismatch. In questa guida ti diciamo le differenze che fanno la differenza nello screening.

Quanto cresce il mercato dati in Italia nel 2026

Il mercato Big Data & Analytics italiano ha superato per la prima volta i 4 miliardi di euro nel 2025 (4,1 miliardi, +20% sul 2024) trainato dalla GenAI applicata ad automazione, coding e supporto decisionale (Osservatorio PoliMi, 2025). Nello stesso periodo la Business Intelligence cresce del 31% e gli investimenti in AI del 21%. È la prima volta che le PMI superano la soglia simbolica dell'89% di adozione di attività di analisi dati, ma solo 1 su 3 ha al suo interno una figura dedicata: la domanda di profili strutturati supera l'offerta.

Sul fronte fabbisogni occupazionali, il sistema Excelsior di Unioncamere stima 2,2 milioni di lavoratori richiesti con competenze digitali tra 2025 e 2029, di cui oltre 910mila con e-skill avanzate che combinano linguaggi matematico-informatici, gestione di soluzioni innovative e digital tools (Unioncamere-Excelsior, 2025). Le competenze legate a linguaggi matematico-informatici sono richieste al 48,8% delle entrate previste: praticamente un'assunzione su due tocca, almeno in parte, lavoro su dati.

Citation capsule. Il mercato Big Data & Analytics in Italia nel 2025 vale 4,1 miliardi di euro, in crescita del 20% (Osservatorio Big Data & Business Analytics, Politecnico di Milano). Excelsior stima 2,2 milioni di lavoratori con competenze digitali richiesti 2025-2029, di cui 910mila avanzati. Il job market dei dati in Italia è in espansione strutturale, non congiunturale.

Per gli stipendi, il quadro 2025-2026 è abbastanza stabile: un data analyst junior parte da 28-35.000 € RAL, mid-level 36-45.000 €, senior 50-65.000 € a Milano e Roma (techcompenso, 2025). Il data scientist ha una media più alta: junior intorno a 29.000 € (25°-75° percentile 26-33.000 €), figure di livello medio attorno a 38.500 €, fascia alta oltre 45.500 € (Glassdoor, 2025). Il delta è coerente con la differenza di skill: chi costruisce e mette in produzione modelli ML viene pagato mediamente di più di chi consuma quei modelli a valle.

Data analyst, data scientist, data engineer: 3 ruoli, 3 CV diversi

Il CV per data deve dichiarare nel job title quale dei tre ruoli stai cercando. Confondere i tre profili è l'errore numero uno che vediamo: si scrive "data professional" o "data enthusiast" e l'ATS non capisce a quale annuncio rispondere. La tabella che segue è il riassunto operativo che usiamo internamente quando ottimizziamo CV per posizioni dati.

Aspetto	Data analyst	Data scientist	Data engineer
Output principale	Dashboard, report, insight per il business	Modelli predittivi, esperimenti, prototipi ML	Pipeline, data warehouse, infrastruttura
Stack tipico	SQL, Excel, Power BI, Tableau, Python (pandas)	Python o R, scikit-learn, PyTorch, statistica, MLOps	Python, SQL, Spark, Airflow, dbt, Kafka
Cloud frequenti	Azure (Synapse, Fabric), GCP (BigQuery)	AWS SageMaker, GCP Vertex AI, Databricks	AWS, GCP, Azure, Snowflake, Databricks
Background medio	Economia, statistica, ingegneria gestionale	Statistica, matematica, fisica, computer science	Informatica, ingegneria informatica
Verbo che ricorre nel CV	"Analizzato", "visualizzato", "comunicato"	"Modellato", "addestrato", "deployato", "validato"	"Costruito", "orchestrato", "scalato"
RAL media Italia (mid)	36-45.000 €	38-50.000 €	40-55.000 €

Se sei a metà fra due ruoli, scegli quello dell'annuncio che vuoi vincere e tara la headline su quello. Non puoi essere credibile come "data analyst & data scientist & ML engineer" in mezza pagina: il recruiter percepisce indecisione e l'ATS dilui le keyword.

Nei CV data che processiamo, oltre la metà dei candidati che si candidano come "data scientist" non ha nessun progetto di modellazione predittiva nel curriculum, e quattro su cinque non citano un singolo algoritmo ML. È il segnale che cambiare etichetta non basta: se il contenuto dice "ho fatto dashboard", il ruolo è data analyst, non scientist, e non c'è ATS che ti salvi.

Keyword ATS per dati: cosa devi citare (e come)

Le keyword vincenti non sono "data" o "analisi": sono i tool, i linguaggi e le metriche che l'annuncio cita per nome. L'ATS cerca match testuali, e ogni ruolo ha un dizionario diverso. Sotto trovi il set minimo per i tre profili: includi solo quello che hai usato davvero, in contesti verificabili.

Per il data analyst

Linguaggi e DB: SQL, Python (pandas, numpy), Excel avanzato (pivot, Power Query, formule array). BI e viz: Power BI, Tableau, Looker Studio, Qlik Sense. Cloud e data warehouse: BigQuery, Snowflake, Synapse, Redshift. Soft tool: Jira, Confluence, Notion. Metodologie: A/B testing, funnel analysis, cohort analysis, KPI design.

Da evitare: "esperto Excel", "buona conoscenza dei dati", "appassionato di numeri". Sono frasi che non superano nessun parser.

Per il data scientist

Linguaggi: Python (scikit-learn, pandas, numpy, statsmodels), R (tidyverse, caret), SQL. ML stack: scikit-learn, XGBoost, LightGBM, PyTorch, TensorFlow, Hugging Face. MLOps: MLflow, Weights & Biases, Docker, Kubernetes, FastAPI. Cloud ML: AWS SageMaker, Vertex AI, Azure ML, Databricks. Statistica: inferenza bayesiana, time series, causal inference, test di ipotesi.

Citerai due o tre cose per ogni famiglia, non l'intero elenco. Un data scientist credibile non usa "tutto", usa lo stack di un paio di progetti reali.

Per il data engineer

Linguaggi: Python, SQL, Scala (se Spark), Java. Orchestrazione: Airflow, Prefect, Dagster. Trasformazione: dbt, Spark, Flink. Streaming: Kafka, Kinesis, Pub/Sub. Storage: S3, Delta Lake, Iceberg, Parquet. CI/CD: Git, GitHub Actions, Terraform, Docker.

Quando confrontiamo CV "analyst" vs "scientist" nel nostro motore, il pattern è netto: i CV che vincono i colloqui hanno keyword profonde (3-5 tool dichiarati con uso specifico) e non keyword larghe (15 tool elencati senza progetto). Meglio "ho deployato un modello scikit-learn con MLflow su SageMaker, riducendo del 25% il churn", che "scikit-learn, TensorFlow, PyTorch, Keras, Spark, Hadoop, Kafka, Airflow, dbt".

Bullet point per data professional: 8 esempi quantificati

Le bullet point fanno o disfano il CV. Una bullet senza numeri è una bullet che il recruiter salta in mezzo secondo. Le otto qui sotto sono modelli che adattiamo regolarmente: copiale, sostituisci i numeri con i tuoi e tieni la struttura verbo + cosa + tool + impatto.

Data analyst — BI e reporting

• Costruito 6 dashboard Power BI per direzione commerciale (DAX + Power Query su 4 fonti CRM): ridotto del 40% il tempo di refresh settimanale e portato a zero le richieste manuali di reportistica ad-hoc.
• Disegnato 14 KPI per il funnel e-commerce in Tableau collegato a Snowflake, identificando un drop-off del 27% al checkout mobile e supportando un test A/B che ha aumentato il tasso di conversione del 9%.

Data analyst — esperimenti

• Pianificato e analizzato 12 esperimenti A/B (campione medio 18.000 utenti, alfa 5%, potenza 80%) per il team product, con due test vincenti messi in produzione su 1,2 milioni di utenti attivi mensili.

Data scientist — modelli predittivi

• Sviluppato modello di churn prediction in scikit-learn (gradient boosting + feature engineering su 120 variabili) con AUC 0,87 e precision@10% pari al 62%, integrato in Salesforce per il team retention.
• Addestrato modello di forecasting domanda con XGBoost e Prophet su 36 mesi di vendite multistore: MAPE 8,4%, sostituito il forecast manuale e ridotto del 18% lo stock-out medio settimanale.

Data scientist — NLP / GenAI

• Costruito pipeline di classificazione ticket di supporto con modello Hugging Face fine-tuned su 24.000 esempi italiani, F1 macro 0,82, ridotti del 35% i tempi di smistamento di primo livello.

Data engineer — pipeline

• Migrato 80 pipeline ETL da SSIS a Airflow + dbt su BigQuery, riducendo del 55% i tempi di esecuzione notturna e dimezzando il numero di incident di data quality riportati.
• Implementato data lakehouse Delta Lake su Databricks (3 zone bronze/silver/gold, 1,2 TB/mese), abilitando self-service analytics per 25 utenti business.

Regola che usiamo internamente: ogni bullet deve avere almeno un numero, almeno un tool e un verbo d'azione. Se manca uno dei tre, riscrivila.

Portfolio, Kaggle, GitHub: come citarli nel CV

Per profili junior data, il portfolio vale spesso quanto un anno di lavoro. Sotto la sezione "Esperienza" inserisci una sezione "Progetti" con 2-3 voci, ognuna in formato: titolo del progetto, una riga di obiettivo, stack tecnico, link e metrica chiave. Esempi:

• Predizione cancellazione prenotazioni hotel — dataset Kaggle "hotel-booking-demand", modello LightGBM, AUC 0,91 in cross-validation 5-fold. Repo: github.com/tuonome/hotel-cancellations · Notebook: kaggle.com/tuonome/hotel-cancellations-eda.
• Dashboard mercato immobiliare Milano — scraping Idealista (Python + BeautifulSoup), 12.000 annunci, dashboard Streamlit deployata su Hugging Face Spaces. Demo live, repo pubblico.

Kaggle: cita la competizione e il ranking solo se sei in top 25% o hai una medaglia bronze/silver/gold. "Partecipato a competizione Kaggle" senza posizione è rumore. GitHub: linka il profilo solo se hai almeno 3 repo pubblici curati (README, requirements, struttura ordinata): un GitHub vuoto fa più male del non averlo.

Per i senior, GitHub e Kaggle pesano meno: contano esperimenti messi in produzione, modelli usati da team reali, impatto misurabile sul business. Sposta lo spazio dai "side project" alle bullet quantificate dell'esperienza professionale.

Genera il CV per data analyst (o data scientist) in 30 secondi Carica la tua Knowledge Base con esperienze, progetti dati e tool utilizzati. Incolla l'annuncio del ruolo che cerchi: MerlinOptima seleziona solo i progetti rilevanti per quella posizione (es. dashboard Power BI se la JD chiede BI, modelli ML in Python se chiede data science) e genera un CV ATS-ready in italiano o inglese. Prova gratis →

Junior vs Senior data: cosa cambia

Il CV junior e quello senior sono due animali diversi. La struttura è simile, ma proporzioni e contenuti cambiano in modo netto. Tieni questa griglia come riferimento quando decidi cosa tagliare.

Junior data (0-2 anni)

• Headline + 2 righe di profilo che chiariscono ruolo target ("Data Analyst junior con focus BI") e stack principale.
• Formazione in alto se hai laurea pertinente (statistica, ingegneria gestionale, computer science, fisica): puoi citare il voto solo se è 105+ e tesi su tema dati.
• Sezione "Progetti" sostanziosa: 3-4 voci con repo e metriche.
• Esperienze: anche stage e tesi aziendali contano, basta quantificare l'impatto.
• Una pagina massimo, salvo abbia anche pubblicazioni o competizioni rilevanti.

Mid/Senior data (3+ anni)

• Headline + 3 righe di profilo che riassumono ambito (banking, retail, telco), stack consolidato e impatti tipici.
• Esperienze prima di tutto, con 4-5 bullet quantificate per ruolo recente.
• Sezione "Progetti" molto ridotta o assente, sostituita da "Selected work" dentro le esperienze.
• Formazione in basso, voto si omette.
• Due pagine massimo. Una pagina con 8 anni di esperienza nasconde più di quanto mostra.

Nei CV junior data che ottimizziamo, l'errore ricorrente è sopravvalutare i corsi online: tre certificati Coursera senza un singolo progetto applicato non bilanciano l'esperienza assente. Meglio un repo curato che cinque badge.

FAQ

Serve un master in data science per fare il data scientist?

No, non è obbligatorio, ma in Italia aiuta. Le aziende strutturate (banche, consulting, telco) preferiscono ancora una laurea magistrale in statistica, matematica, computer science o un master specifico in data science. Per ruoli da analyst la triennale + corsi online + portfolio sono spesso sufficienti, soprattutto in scaleup e PMI digitali. Il master pesa di più nel primo screening; oltre i 2-3 anni di esperienza, contano i progetti.

Devo mettere il punteggio Kaggle o il ranking sul CV?

Solo se sei in top 25% di una competizione, o hai medaglie (bronze, silver, gold) e badge "Competition Expert" o superiori. "Partecipato a Kaggle" senza posizione è rumore che il recruiter ignora. Se hai una medaglia, citala con: nome competizione, anno, ranking (es. "78°/3.500"), e link al notebook pubblico.

Python o R nel CV?

Python è la scelta default per quasi tutti i ruoli dati in Italia: lo trovi nel 95% degli annunci data scientist e nella maggior parte di quelli data analyst. R resta richiesto in pharma, ricerca clinica, accademia e in alcune funzioni statistiche di banche. Se conosci entrambi, scrivili entrambi con il livello d'uso (es. "Python avanzato, R intermedio"). Se sai solo R, integra Python prima di candidarti a ruoli industry.

Cloud certs (AWS, Azure, GCP) contano davvero?

Sì, e sempre di più, specie per data scientist e data engineer. Le certificazioni più richieste in Italia nel 2026 sono: AWS Certified Data Engineer Associate, Azure Data Engineer Associate (DP-203), Google Professional Data Engineer, Databricks Certified Data Engineer. Per gli analyst conta meno il cloud cert e di più Power BI Data Analyst Associate (PL-300) o Tableau Certified Data Analyst. Una sezione "Certificazioni" con 1-2 voci recenti è meglio di una lista di sei badge generici.

I progetti universitari sono utili nel CV?

Sì, se sei junior e se sono rilevanti. Una tesi con un modello applicato, un esame di machine learning con repository GitHub o un progetto di data viz con dataset reale valgono molto di più di "Esame di Statistica, 30 e lode". Cita il progetto con: titolo, una riga di obiettivo, stack, link al repo o al PDF. Dopo 2-3 anni di esperienza, rimuovili.

Quanto deve essere lungo il CV per ruoli data?

Una pagina per junior (0-2 anni), una o due per mid (3-5), massimo due per senior. Per profili PhD con pubblicazioni rilevanti, può arrivare a tre pagine con una sezione "Publications" dedicata. Oltre, il recruiter perde la pazienza: nei CV italiani che processiamo, oltre 2,5 pagine la lettura crolla.

Conclusione

Il mercato dati italiano è il più vivace dell'ultimo decennio: 4 miliardi di euro di spesa, 910mila professionisti digitali avanzati richiesti entro il 2029, RAL in salita. Il CV che vince non è il più ricco di tool, è quello che dichiara chiaramente che ruolo cerca, quali tre o quattro tecnologie domina davvero, e che impatto ha portato con numeri verificabili. Se sei junior, parti dal portfolio. Se sei senior, parti dalle bullet quantificate. In entrambi i casi, allinea il job title della headline all'annuncio prima di cliccare invia.

Se vuoi un punto di partenza, parti dalla nostra guida completa al CV ATS-friendly e poi torna qui per adattarla al tuo ruolo dati.