資料分析師的英文履歷怎麼寫
更新於 2026-09-02
資料分析師的履歷，計量單位是被分析改變的決策。SQL、Python、dashboard 是門票，投同一個缺的人都會寫。讀履歷的人在找另一件事：你的哪一個結論，讓誰改了做法，之後哪個指標動了。
這對多數分析師像壞消息。日常大半是拉數字、維護報表、回臨時需求，聽起來都不像決策。真正的差別常在寫法。同一件事，「做了 churn 分析」是活動；「churn 分析促成定價調整、月流失降了 [N] 個百分點」是證據。這一頁的每個範例都在示範這個轉換。
範例全部是英文。外商履歷的輸出語言就是英文，中文說明只講清楚為什麼這樣寫。所有成效數字都以 [N] 佔位。數字要來自你自己的紀錄，範本給不了，AI 也給不了。
這個職位的英文履歷，完成後長這樣
下面是一份虛構人物的完整範例，由產品的排版引擎渲染成真正的頁面，分數由同一套規則引擎現算——不是我們打上去的。缺的數字一律留 [N]，所以分數停在上限以下；那不是範例的缺陷，是產品的規則在示範。
Priya Raman
Education
- Built the ridership model for [N] years of public transit data and presented it to the city transport office
- Won the institute analytics competition against [N] teams with a dining-hall demand forecast the hostel office then ran for two semesters
Experience
- Cut churn among new users by [N]% after showing that most of it came from accounts that never finished KYC, which drove a redesign of that step
- Designed and read out [N] A/B tests per quarter, including the pricing test that raised paid conversion by [N]%
- Recovered [N] million rupees of misattributed revenue by finding the channel bug that overstated one source
- Established the seller cohort model in SQL and Python that showed which onboarding step predicted [N]-day survival, changing the sales follow-up order
- Automated the weekly category report with dbt and Airflow, cutting preparation from [N] hours to [N] minutes
- Eliminated [N] thousand duplicate SKUs across [N] sellers through a fuzzy-matching pipeline, restoring search relevance in the affected categories
- Delivered the segmentation study on [N] thousand survey responses that the client used to decide which of its [N] product lines to keep
- Migrated [N] recurring client trackers from spreadsheets to SQL and Python, so the weekly refresh ran without anyone opening a file
- Standardized questionnaire coding across [N] studies, cutting final reconciliation from [N] days to one
Projects
- Scaled an open nightly collector of public food-price bulletins to [N] million observations across [N] cities
- Launched a sample-size calculator that ended the [N] rounds of scoping messages before each experiment
Additional Information
版面結構：讓十秒掃描讀到決策
一頁為原則，兩頁是上限，超過八年年資才考慮。段落用標準命名：Summary、Skills、Experience、Education。不要發明創意標題。ATS 靠這些字認欄位，認不出來的內容等於不存在。
順序由上而下按說服力排。第一次掃描通常只覆蓋上半頁，你最強的證據必須出現在那裡。
- 1Summary
三行以內：年資、領域（產品／行銷／營收分析）、一個最拿得出手的決策影響。這是唯一保證被讀完的段落。
- 2Skills
放在經歷之前，讓系統與掃描的人先對上關鍵字。只列答得出追問的工具。
- 3Experience
倒序。每條 bullet 一個決策或一個被移動的指標，工具名稱是配角。
- 4Projects
新鮮人與轉職者放在 Experience 之前。用公開資料做完整分析並附連結，這是沒有年資時唯一可查證的證據。
- 5Education
學位與統計、計量相關修課。GPA 只在畢業後幾年內保留，之後刪掉。
三個層級的 Summary 範例
Summary 是你最強證據的預告。三行寫完：年資與領域、一個決策等級的成果、你正要去的方向。
Statistics graduate with two analytics internships, focused on turning product data into decisions. Built the cohort analysis behind a [N]% cut in onboarding drop-off and automated [N] weekly reports in SQL and Python. Seeking a product analytics role with direct metric ownership.
沒有年資就寫可查證的實習產出：一個被採用的分析、一件被自動化的事。最後一句講你要去的方向。
Data analyst with [N] years across e-commerce and SaaS, specialized in experimentation and revenue metrics. Designed the A/B testing process now used by [N] product teams, and led the churn analysis behind a repricing that cut monthly churn by [N] points. Comfortable presenting directly to executives.
中生代的賣點是「流程被沿用」與「決策被採納」。每個 [N] 各自對應一件可被追問的事。
Analytics lead who builds metric systems rather than report queues: defined company-wide activation and retention metrics and the monthly review that runs on them. Manages [N] analysts and moved the team from ad-hoc queries to tested dbt models. Applies one filter to every request: which decision will this change.
資深看的是槓桿：指標體系、團隊、審查節奏。最後一句是工作哲學。敢寫就要準備好整場面試被它檢驗。
按能力分組的 bullet 範例
外商面試官在分析師履歷上找五種證據。每條範例都是完整寫法：動詞開頭、範圍明確、該有數字的地方留 [N]。
決策影響
· Recommended shutting down an underperforming paid channel after cohort analysis; reallocating its budget lifted overall signup conversion by [N]%.
· Found [N]% of trial signups were duplicate accounts via a SQL audit, prompting finance to restate quarterly growth reporting.
· Led the churn analysis behind an entry-plan repricing, cutting monthly churn by [N] points within two quarters.
實驗與因果判讀
· Designed [N] A/B tests per quarter on onboarding flows, setting success metrics and minimum sample sizes before launch.
· Flagged a seasonality confounder in a rollout readout, stopping a launch that had shown a false [N]% lift.
· Introduced pre-registered metric plans for all experiments, cutting disputed readouts between product and marketing by [N]%.
資料品質與管線
· Migrated [N] recurring spreadsheet reports to tested dbt models, cutting weekly manual preparation from [N] hours to minutes.
· Rebuilt the revenue attribution query after finding double-counted refunds, correcting a [N]% overstatement in reported ARPU.
· Wrote data quality tests covering [N] core tables, so broken pipelines surface before stakeholders see wrong numbers.
指標設計與監測
· Defined a company-wide activation metric, replacing [N] conflicting definitions used across product and marketing dashboards.
· Built anomaly alerts on [N] core metrics, catching a payment-gateway failure the same day instead of at month-end close.
· Retired [N] unused dashboards after a usage audit, consolidating reporting into one weekly review used in the executive meeting.
跨部門翻譯
· Turned a pricing-elasticity analysis into a one-page recommendation; sales adopted the revised discount floor the following quarter.
· Ran monthly metric reviews with product and finance, converting ad-hoc data requests into a prioritized backlog.
· Wrote plain-language experiment readouts stating the decision each result supported and what remained uncertain.
弱句改寫：Before → After
每一組都指出病灶。共同規律：弱句寫活動，強句寫決策與被移動的指標。
Responsible for creating dashboards and reports for the marketing team.
Built [N] self-serve marketing dashboards that replaced weekly manual reports, saving [N] analyst-hours per month and answering campaign questions same-day.
差在哪 · 病灶：只有活動、沒有結果，開頭還是最被動的職責句。dashboard 只是媒介。改寫講清楚它取代了什麼、省下多少、誰因此更快拿到答案。
Analyzed user data to provide insights for product decisions.
Analyzed [N] months of churn data and recommended removing the forced tutorial; the change lifted week-one retention by [N] points.
差在哪 · 病灶：insights 無法查證。改寫指名具體決策（移除強制教學）與被移動的指標，每個字都經得起追問。
Used SQL, Python, and Tableau on a daily basis.
Automated [N] recurring reports with Python and SQL, cutting the monthly close package from [N] days of manual work to one morning.
差在哪 · 病灶：工具清單不是成就。工具寫在 Skills 一行就好，bullet 要回答的是工具做成了什麼。
Helped improve the A/B testing process.
Introduced minimum sample-size checks and pre-registered metric plans for every experiment, cutting inconclusive readouts by [N]%.
差在哪 · 病灶：Helped 讓人看不出你做了哪一步，句子沒有主人。改寫列出兩個具體機制，你的貢獻無處可躲。
Worked with stakeholders to understand business requirements.
Ran a monthly metrics review with sales and finance, replacing [N] recurring ad-hoc requests with one agreed dashboard per team.
差在哪 · 病灶：任何職位的任何人都能寫這句，等於沒寫。改寫給出頻率、對象、被取代的東西，變成只有你能寫的句子。
Skills 段：留什麼、刪什麼
只列答得出追問的。每一個工具名稱既是關鍵字比對的入口，也是面試現場的考題。
值得佔版面的
SQL（window functions、CTE） · Python（pandas） · dbt · Excel（進階函數與樞紐）
A/B testing 與樣本數規劃 · 迴歸分析 · 統計檢定 · 基礎因果推論
Tableau · Looker · Power BI（擇實際用過的列）
BigQuery · Snowflake · Airflow（有實際排程經驗才列）
可以刪掉的
- Microsoft Office · 這個職位預設你會。列出來只稀釋真正的技能，還暗示你沒有更好的可寫。
- 數據思維（data-driven mindset） · 形容詞無法驗證，也不算技能。bullet 寫得對，這件事不證自明。
- Big Data · 泛稱沒有資訊量。寫具體平台與規模：BigQuery、Spark、每天處理多少事件。說得出口再寫。
- Familiar with machine learning · familiar 在面試裡撐不過一個追問。訓練過什麼模型、部署在哪、效果如何，答不出就整項刪掉。
ATS 關鍵字：讓系統和人都認得你
職缺描述裡反覆出現的字，就是系統比對的字。把真的做過的寫進 bullet 與 Skills，拼法跟職缺原文一致。
只放你的經歷撐得起的詞。關鍵字塞滿對解析系統沒有加分，對人類讀者只是噪音。每一個答不出追問的詞，都是你自己埋在面試裡的地雷。
履歷之外，可以被點開的證據
分析師的產出幾乎都關在公司裡：dashboard 在內網、query 在倉儲、那份促成調價的備忘錄在共用雲端硬碟。外人一樣都看不到。所以你少數交得出去的東西，份量比它看起來重。這一段講讀履歷的人會點開什麼、履歷上哪一行指過去，以及什麼時候最誠實的做法是一行都不放。
- 他們點開的順序
先履歷，接著多半是 LinkedIn——不是去欣賞，是去核對年份和職稱對不對得起來。你放在抬頭的連結排第三，而且要先有一條 bullet 讓人起了好奇心。有幾年年資的人，很多讀者停在第二步就結束了。新鮮人和轉職者剛好相反：那個連結就是篩選本身，會在決定要不要細讀 bullet 之前先被打開。
- 履歷上指過去的那一行
寫在 Projects 底下，一行，結論就在裡面：「Open food-price tracker (Python, DuckDB) — nightly collector over public price bulletins; README opens with what the price series shows. github.com/you/price-tracker」。連結放進抬頭只有一種情況：整個 profile 都值得被打開，例如「Portfolio: public.tableau.com/app/profile/you」。同一個東西不要抬頭放一次、Projects 再放一次，那看起來像一個專案被拉成兩個。
- 用登出的視窗把每個連結點一次
Looker Studio 報表預設是私人的。免費方案的 Streamlit 應用會休眠，陌生人先看到喚醒畫面。GitHub 渲染不了的 .ipynb 變成一頁 raw JSON；commit 前清掉 outputs 的 notebook，則是一整頁沒有圖的程式碼。這幾種都是「讀者試過、然後放棄」，比沒放連結更糟。寄出的那一週，用無痕視窗把履歷上每個網址點一遍，看陌生人看到什麼，而不是看你記得自己放了什麼。
- 查得到的證照
Tableau Desktop Specialist、微軟的 PL-300、Google Data Analytics Certificate、dbt 的分析工程考試，都會發一組憑證編號和一個可以查證的頁面。把編號或網址寫在那一行；兩者都沒有的證照只是一句話，不是證照。取得年份也要寫。有的需要更新、有的不用，寄出前自己先查一次，別讓讀者當第一個發現它過期的人。還有兩個字要分清楚：修完課程是 Completed，通過監考的考試才是 Certified。查詢頁知道你是哪一種，會去查的人也會知道。
- 空著才是誠實的時候
一個全是 fork、外加一個 Untitled.ipynb 的 GitHub。一個只放著教學範例 superstore 活頁簿的 Tableau Public。一份 README 還停在預設模板的 repo。點進去的人只會知道你上完了一門課——證照那一行已經說過了——順便知道了你對「什麼值得拿出來」的判斷。把欄位刪掉。空白是中性訊號，爛連結是負的。一個做完的分析就補得回來：一個問題、一份公開資料、一個建議，加上不用跑程式就讀得懂的 README。
- 不能給看的那些工作
你最強的證據都在公司內部：主管會議每週在看的那個 dashboard、抓到退款被重複計算的那支 query。不要截圖。把座標軸打上馬賽克不叫去識別化，光是指標名稱就會把公司說出來。能帶出來的是結構而不是數值——表的粒度、當初接錯的那個 join、因此被改掉的決定，變化寫成相對幅度就好。真的想要一個能點的東西，就拿公開資料把同一種分析重做一次，在 README 寫明白：同樣的問題，任何人都下載得到的資料。面試官問你有什麼不能分享，這句話也是答案。
資料分析師履歷的常見錯誤
- 1把 dashboard 數量當成績
dashboard 只是媒介。要說它服務了哪個決策、誰每週在用。或者反過來，說你砍掉了幾個沒人看的。
- 2工具清單當主菜
SQL、Excel、Tableau 是這個職缺的門票，每個競爭者都有。門票在 Skills 一行帶過，版面留給只有你做過的事。
- 3每條 bullet 都停在 insights
provided insights、supported decision-making 這類收尾無法查證。往下多寫一步：誰採納了、改了什麼、哪個指標動了。真的沒被採納，就換一條經歷來寫。
- 4統計詞彙用得比懂得多
寫了 statistically significant，就要答得出樣本數、檢定方法、顯著水準怎麼定。名詞用錯比不用更扣分，它同時暴露程度與誠實。
- 5把團隊的實驗寫成自己的
實驗多半是產品、工程、分析合作的結果。追問第一題永遠是你負責哪一段：指標設計、樣本數，還是判讀。寫清楚自己那一段，反而更可信。
- 6資料品質工作全部略過
修正一個算錯的指標、擋下一次錯誤判讀，是最能證明判斷力的經歷。多數人當雜事不寫，這正是你能拉開差距的地方。
你的履歷會引來哪些追問
外商面試官讀分析師履歷的方式，是挑一條 bullet 往下鑽三層。每一句你寫上去的話，都要準備好下面這種對話。
The change lifted week-one retention by [N] points.
這個數字怎麼算的？分母是誰、觀察窗多長、同一時期還有沒有別的改動？
指標的精確定義、樣本組成、同期其他變因的清單，以及你當時如何排除混淆。答不出分母，這條 bullet 會反過來扣分。
Designed A/B tests with minimum sample sizes set before launch.
樣本數怎麼定的？如果指標一週後轉正、兩週後轉負，你的停測規則是什麼？
power analysis 的實際步驟、最小可偵測效果怎麼選，以及一次提前停測或結論翻盤的真實經歷。這題分得出做過和讀過。
Defined the company-wide activation metric.
為什麼是這個定義？當時被否決的候選定義是什麼，誰反對過、理由是什麼？
候選定義的比較、反對者的論點與你的回應、上線後這個定義被挑戰的一次。指標定義一半是技術，一半是政治，面試官兩邊都想聽。
Corrected a [N]% overstatement in reported ARPU.
錯誤存在多久？誰先發現的？修正之後你做了什麼防止再發生？
發現與修正的時間線、你如何對財務與主管溝通這個錯誤、事後加上的測試或監控。這題一半測技術，一半測你敢不敢認錯。
Presented recommendations directly to executives.
講一次你的建議被否決的經驗。對方的理由是什麼，後來誰對？
一個真實被否決的案例，以及你事後怎麼驗證結果。只有從沒對高層報告過的人，才會說自己的建議每次都被採納。
常見問題
我的工作大多是拉報表、回需求，沒改變過什麼決策，怎麼寫？
往上游追一層：報表給誰看、看完做了什麼。你自動化過的流程、修正過的錯誤數字、擋下的一次錯誤判讀，都是決策等級的素材。只是你一直把它當雜事。
認真盤點後真的一件都沒有，這個資訊本身也有價值：它說明下一份工作該挑什麼環境。
需要把 machine learning 寫進履歷嗎？
職缺描述有要求、而且你真的訓練並交付過模型，才寫。分析師職缺的核心是 SQL、實驗與商業判讀。一個撐不住追問的 ML 專案，比沒有更糟。
Excel 出身、沒有正式的 SQL 工作經驗，能投外商分析師嗎？
可以，但證據要可查證。用公開資料做一個完整的分析專案：SQL 查詢、判讀、建議都放進 GitHub，README 把結論寫清楚。這比一句 familiar with SQL 有力得多。
進階 Excel（樞紐、進階函數）是正當技能，不用藏。但要配一條它做成了什麼的 bullet。
成效數字是公司內部資料，寫出來會不會有問題？
只寫相對變化。流失降了 [N] 個百分點是履歷語言，營收金額是機密。範例裡的 [N] 也是同一個用法：具體數字由你在安全範圍內自己填。
分析師履歷要放 GitHub 或作品集連結嗎？
整理過才放。一個 README 完整、結論清楚的專案，勝過十個空 repo。面試官點進去只停留幾分鐘，動線要為這幾分鐘設計。新鮮人與轉職者幾乎必放，有年資者可以用工作經歷取代。
把你的分析經歷改寫成這種等級的英文
用中文照實描述你做過的分析、被改變的決策，AI 以外商語法改寫成 decision-first 的英文 bullet，約十秒出稿。四項分數由規則引擎計算，同一份稿重測數字不變。缺的成效數字一律留黃色 [N] 空格，由你自己填。這裡不編數字。
免費生成兩次