Creare un Curriculum da Data Scientist che Spicca [Guida Definitiva per il 2026]

La data science è uno dei settori più competitivi dell’attuale mercato del lavoro, capace di attirare aspiranti specialisti da tutto il mondo. Diventare data scientist significa entrare in circoli privilegiati con prospettive di carriera interessanti e stipendi elevati. L’interesse per quest’area è in costante crescita e la domanda di professionisti dei dati aumenta continuamente, ma anche i requisiti richiesti ai candidati sono piuttosto severi. Puoi approfondire cosa serve nel nostro articolo su come diventare data scientist. 

Il primo passo cruciale per chi si candida a un ruolo in data science è scrivere un curriculum efficace, in grado di impressionare un hiring manager/recruiter abbastanza da farti ottenere un colloquio. Per chi ha già molta esperienza nel campo è un compito relativamente semplice; per gli entry-level può essere più impegnativo e sollevare molte domande: Come posso compensare la mancanza di esperienza lavorativa? Ha senso descrivere esperienze passate e/o studi se non sono del tutto pertinenti alla data science? Quale sezione mettere per prima: formazione o esperienza? Che tipo di progetti devo includere e quanti? Devo elencare le soft skill? Devo aggiungere colori al mio curriculum? In definitiva, come posso distinguermi dalla massa e avvicinarmi all’obiettivo di essere assunto come data scientist?

In questo articolo, vedremo consigli e accorgimenti essenziali per creare un curriculum da data scientist convincente, professionale e scorrevole, capace di attirare l’attenzione di qualsiasi hiring manager o recruiter.

Come organizzare in modo efficace il layout e la formattazione del curriculum

Una delle prime considerazioni riguarda il layout, in modo che sia facile da leggere per recruiter e hiring manager. Vuoi che sia facile da assimilare, veloce da scansionare ma con abbastanza dettagli per mostrare come ti distingui. Ecco alcuni consigli:

Mantieni il curriculum in una sola pagina

Seguire questo consiglio può essere doloroso se avevi in mente di inserire molte informazioni. Può sembrare persino controintuitivo; non è meglio includere più dettagli possibile per descrivere in modo esaustivo a un potenziale datore di lavoro tutta la tua esperienza, formazione, risultati e competenze per impressionarlo? E se così fosse, che importa se supera una pagina? A prescindere, è fortemente raccomandato mantenere sempre il curriculum di una sola pagina.

Saper esporre esperienze e risultati in forma condensata è un ottimo modo per dimostrare le tue capacità comunicative.

Scegli un template per il curriculum

Anche se puoi creare il curriculum da zero e organizzarlo secondo i tuoi gusti, puoi risparmiare tempo usando un resume builder online e scegliendo tra vari modelli preesistenti. In alternativa, puoi selezionare un template gratuito adatto dalle raccolte di Google Docs o MS Word. Questi modelli sono solitamente chiari, gradevoli, ben formattati, leggibili, facili da usare e progettati per aiutarti a far stare molte informazioni in una pagina senza sembrare troppo piena o confusa.

Ecco alcuni resume builder che possono esserti utili:

• Resume
• Zety
• Resume Builder
• Canva
• CakeResume
• VisualCV
• ResumeCoach

Molti resume builder, compresi quelli elencati sopra, offrono un’ampia gamma di template gratuiti, già sufficientemente funzionali, oltre a versioni a pagamento più avanzate. Quando scegli un template per il tuo curriculum da data scientist, prediligi i modelli semplici con solo 1 o 2 colori oltre al bianco e nero, anziché quelli vistosi e colorati. Questi ultimi sono più adatti ad ambiti come arte o design, dove un curriculum creativo può colpire un datore di lavoro. Nel nostro caso, è meglio evitare decorazioni superflue.

Valuta un layout a due colonne

Scegliere un modello a due colonne (magari con qualche colonna laterale stretta per extra) aiuta a sfruttare meglio lo spazio verticale della pagina. Così puoi inserire più informazioni e organizzare meglio le sezioni.

Usa una formattazione efficiente

Questi suggerimenti sono utili se crei il curriculum da zero o modifichi un template esistente:

• Usa un font elegante
  • Esempi validi: Calibri, Times New Roman, Arial, Verdana, Cambria, Tahoma, Georgia
  • Esempi da evitare: Comic Sans MS, MS Gothic, Ink Free, Agency FB, OCR A Extended
• Usa dimensioni adeguate: 11-12 pt per il testo, 14-16 pt per intestazioni di sezione e header
• Metti in grassetto intestazioni di sezione e header
• Evita di usare troppi stili di testo come grassetto, corsivo, grassetto-corsivo e sottolineato
• Usa interlinea 1-1,15
• Evita un curriculum solo in bianco e nero: aggiungi un tocco di colore per farlo risaltare, ma senza esagerare, 1-2 colori bastano
• Evita effetti visivi, decorazioni o icone inutili
• Usa elenchi puntati per dare un aspetto pulito, ordinato e facile da seguire

Mantieni la formattazione coerente

Vale per vari aspetti stilistici. Ad esempio, se usi punti elenco in diverse sezioni, mantieni uno stile uniforme, per esempio quadratini vuoti. Lo stesso vale per rientri, stile del font, formato delle date, ecc. Fortunatamente, se crei il curriculum con un resume builder online, questi elementi e formati sono di solito predefiniti.

I migliori consigli per i contenuti del tuo curriculum da Data Scientist

Capire cosa includere e cosa omettere può essere complicato quando crei un CV o un curriculum che colpisca. Con questi consigli, però, puoi rapidamente 

Crea un “master resume”

Prima di iniziare a candidarti, ha senso creare un "master resume". È una versione molto dettagliata del curriculum che può arrivare a 2-3 pagine o più, dove includi tutta la tua esperienza lavorativa, studi, progetti, competenze tecniche e soft skill, e altri risultati.

Se stai cambiando carriera e vuoi entrare in data science da un altro ambito, valuta di includere nel master resume le esperienze dei lavori precedenti; probabilmente hai più competenze trasferibili di quanto pensi. Non sorprende che il master resume possa avere molti punti elenco per ogni sezione o sottosezione. Una volta completato, potrai usarlo facilmente come base per le candidature a diverse posizioni in data science; ti basterà rimuovere dettagli, sezioni e punti non necessari da una copia del master resume e adattarla a ogni invio.

Adatta il curriculum a ogni job description

Questo passaggio è vitale nel processo di candidatura. Per aumentare le probabilità di far risaltare il tuo curriculum, devi personalizzarlo per ogni posizione. Un hiring manager riceve solitamente numerose candidature ogni giorno, quindi avrà solo pochi secondi per scansionarle prima di decidere se vale la pena leggerle nel dettaglio. È quindi fondamentale che il tuo curriculum catturi l’attenzione.

Il miglior approccio è leggere attentamente la job description e individuare la “lista dei desideri” e i requisiti che l’azienda cerca in un candidato. In base a ciò, integra e metti in evidenza nel curriculum queste competenze richieste. È essenziale usare le parole chiave presenti nella job description ovunque sia possibile; questo aiuterà il tuo curriculum a superare eventuali applicant tracking system (ATS) usati dall’azienda e ad arrivare agli occhi delle persone per la valutazione successiva.

Oltre a leggere da vicino la job description, è sempre una buona idea informarti sull’azienda. Esplora il sito, la missione, i valori, i social, i prodotti e i servizi, in modo da capire meglio cosa cerca questo datore di lavoro in un candidato di successo. Fai in modo che il curriculum dimostri che sei il fit perfetto per quell’azienda, con tutto il potenziale per aiutarla a crescere. Ogni azienda non cerca specialisti che vogliono un lavoro qualsiasi, ma chi desidera proprio quel lavoro.

Sii conciso ma informativo

Ora che sai esattamente cosa includere, rielabora e adatta le informazioni perché siano sintetiche, precise, pertinenti e ben presentate. Non includere nulla che non aggiunga valore al ruolo e che non sia menzionato o implicito nella job description. Mantieni il curriculum conciso, mirato e informativo. Le frasi puntate dovrebbero essere brevi e non andare su più righe.

Segui l’ordine cronologico inverso

L’ordine cronologico inverso è il formato più comune e preferito per formazione ed esperienza. L’esperienza più recente va in alto, seguita dalla precedente, e così via. In questo modo un hiring manager può tracciare rapidamente la tua crescita professionale e i risultati più recenti.

Usa un linguaggio semplice ma efficace

Usare un linguaggio semplice e chiaro è un altro modo per dimostrare le tue capacità comunicative. Per farlo in modo efficace, tieni a mente questi suggerimenti:

• Non appesantire il curriculum con gergo tecnico. Anche se il ruolo richiede un alto livello tecnico, ricorda che la prima persona che leggerà il curriculum è un hiring manager o un recruiter. A seconda di chi guida il recruiting in azienda, potrebbe avere background diversi e trovare eccessivo gergo tecnico fuorviante. Scrivi quindi in modo che chiunque possa capire il valore che puoi portare.
• Usa la job description come guida; se è piena di gergo, allora puoi permetterti un tono più tecnico. Altrimenti, limita agli algoritmi e tecniche principali citati nell’annuncio.
• Scrivi frasi concise.
• Mantieni coerente il tempo verbale.
• Evita parole pompose. Usa aiutare invece di facilitare, usare invece di utilizzare, gestire invece di amministrare, complesso invece di sofisticato, ecc.
• Quando descrivi esperienza, progetti e risultati, usa verbi significativi. Ad esempio, invece di verbi come lavorato, fatto o partecipato, usa costruito, automatizzato, ottimizzato, ecc. Approfondiremo questo consiglio più avanti.
• Sostituisci i superlativi (massimo, migliore, più importante, ecc.) e aggettivi apparentemente forti ma poco informativi come esperto, forte, considerevole, efficiente, con metriche e risultati concreti. Usa parole come esperto, profondo, comprovato con parsimonia nel riassunto.
• Chiedi a un amico con background non tecnico di leggere il tuo curriculum e darti feedback: È abbastanza facile da seguire? Il linguaggio è chiaro e semplice? Sei riuscito a trasmettere i tuoi principali risultati professionali?

Controlla errori e refusi

Per quanto sembrino peccati veniali, errori banali e refusi possono dare una cattiva impressione al recruiter e portarlo a scartare il curriculum. Ricontrolla grammatica e ortografia con un servizio online specializzato (Grammarly o simili) e chiedi a qualcuno di rivederlo.

Invia il tuo curriculum a una persona reale

Prima di arrivare nelle mani di un recruiter, i curriculum passano spesso per un programma di machine learning chiamato applicant tracking system (ATS), che decide se inoltrarli agli umani o scartarli. Per aggirare questo passaggio, prova a inviare il curriculum direttamente all’hiring manager o anche al responsabile tecnico del reparto interessato.

Come strutturare il tuo curriculum da Data Scientist

Includi sezioni su competenze e progetti

Nell’ordine consigliato dall’alto verso il basso, le sezioni tipiche per un curriculum da data scientist sono:

• Informazioni di contatto
• Summary (o Objective)
• Esperienza lavorativa (o semplicemente Experience)
• Progetti
• Competenze
• Formazione
• Sezioni aggiuntive

L’ordine può essere relativamente flessibile e dovrebbe riflettere l’importanza di ciascuna sezione: le prime dovrebbero occupare più spazio delle ultime. Nel caso di un design a due colonne (consigliato), ricorda che i recruiter di solito leggono dall’alto a sinistra verso il basso a destra. Quindi assicurati di mettere le informazioni più rilevanti in alto a sinistra.

Ottimizza l’ordine delle sezioni

L’ordine migliore di Esperienza, Progetti, Competenze e Formazione dipende da due fattori:

1. La tua esperienza effettiva. Possibili scenari:
   • Se hai una lunga esperienza rilevante, dai priorità alla sezione corrispondente, riduci sensibilmente le informazioni sulla formazione e magari escludi i progetti extra.
   • Se sei neolaureato con esperienza limitata, metti la formazione per prima, aggiungi i voti finali (ovviamente solo se favorevoli) e descrivi più in dettaglio tesina o tesi.
   • Se hai poca esperienza in data science e hai lavorato soprattutto su progetti freelance, inverti Progetti ed Esperienza (o combinateli in una sezione Experience), includi eventuali tirocini data-related e approfondisci le competenze.
   • Se stai cambiando carriera verso la data science, concentrati su Progetti e Competenze e scrivi meno su esperienza e formazione, senza però ometterle del tutto.
2. Il profilo dell’azienda e la job description. Se ti candidi in ambito accademico, amplia su formazione, certificazioni, corsi aggiuntivi e pubblicazioni scientifiche. Altrimenti, metti in evidenza esperienza e risultati più orientati al business. Per startup, in particolare, sono apprezzate autonomia, iniziativa e mentalità innovativa. In questo caso, mostrare più progetti individuali può essere un vantaggio.

Aggiungi sezioni extra quando possibile

Per il tuo curriculum da data scientist, valuta le seguenti sezioni aggiuntive:

• Certificazioni
• Pubblicazioni
• Conferenze
• Hackathon
• Premi
• Competizioni
• Volontariato
• Lingue

Puoi inserirne una separata se hai almeno due punti per sezione. Per esempio, se hai completato tre corsi di data science e presentato a due conferenze data-related, ha senso aggiungere le sezioni Certificazioni e Conferenze. Altrimenti, se hai un solo punto per alcune categorie (es. una conferenza, una pubblicazione e un hackathon), è meglio combinare questi risultati in una sezione chiamata Extras.

Evita sottotitoli prolissi

Quando nomini le sottosezioni, sii il più conciso possibile:

• Relevant Work Experience Work Experience (o solo Experience)
• Professional Experience Work Experience (o Experience)
• Notable Projects Projects
• Skills and Knowledge Skills
• Skills and Tools Skills
• Licenses and Certifications Certifications
• Additional Information Extras

Come compilare correttamente le informazioni di contatto

Il posto più adatto per le informazioni di contatto è in cima al curriculum, anche se alcuni template online le mettono in fondo (in tal caso, trascinale manualmente in alto). Il requisito più importante per questa sezione è l’accuratezza delle informazioni.

Ecco cosa includere:

• Nome e cognome.
• Titolo professionale. Subito sotto il nome, inserisci il titolo del lavoro per cui ti candidi, non quello attuale, qualunque sia. Puoi copiarlo dalla job description, o, se è troppo lungo e specifico (es. Data Scientist for Geoscientific Data Analysis and Webtool Development), ridurlo a una forma più digeribile (es. Data Scientist).
• Numero di telefono. Ovviamente, deve essere il tuo numero personale, non quello dell’attuale luogo di lavoro.
• Email. Inserisci un indirizzo professionale, combinazione di nome e cognome: nome_cognome@gmail.ru. Evita email frivole o inopportune, tipo koala_plus_panda@hotmail.com. Se non hai un’email professionale, creane una.
• Località. Facoltativo e non serve l’indirizzo completo. Città e stato o paese bastano.
• Link cliccabili ai tuoi profili attivi e aggiornati su LinkedIn, GitHub, Medium, Kaggle, ecc. Molti datori di lavoro guardano qui per informazioni extra, come il portfolio progetti, articoli su temi di data science e partecipazione a hackathon. Invece di incollare link lunghi e sgraziati, valuta di inserire l’icona del logo ufficiale del sito e renderla cliccabile verso il tuo profilo. Puoi cercare i loghi ufficiali su Google, ecco i link per LinkedIn, GitHub, Medium e Kaggle. Evidentemente, tutti i profili che decidi di includere devono supportare efficacemente le tue competenze e i tuoi risultati in data science. Non ha senso mostrare il profilo LinkedIn se parla solo della professione precedente, o GitHub se non contiene progetti di data science.

Alcuni suggerimenti in più sulla sezione Contatti:

• Non includere il nome della sezione (a differenza delle altre); inserisci direttamente le informazioni.
• Analogamente, non aggiungere le etichette delle categorie (nome, telefono, ecc.). Per esempio, invece di Email: nome_cognome@gmail.ru scrivi semplicemente nome_cognome@gmail.ru.
• Non aggiungere la foto. Anche se alcuni template lo prevedono, valuta di evitarla per un curriculum da data scientist.

Come scrivere un Summary o un Objective che catturi l’attenzione

Subito dopo i contatti inserisci la sezione Summary o Objective. Non sono la stessa cosa e devi sceglierne una. Il resume summary è una breve descrizione (2-3 frasi, senza punti elenco) della tua storia professionale, risultati e qualifiche. L’objective è un breve statement (sempre 2-3 frasi, senza punti elenco) focalizzato sui tuoi obiettivi futuri e sul valore che puoi portare al datore di lavoro.

Queste sezioni sono vitali se stai passando alla data science da un altro campo, perché spiegano in forma condensata perché sei il candidato perfetto. Scegli Summary se hai già un po’ di esperienza data-related. Se invece sei neolaureato con pochissima o nessuna esperienza, scegli Objective per dimostrare la tua passione per la data science e la volontà di essere utile all’azienda.

Un buon summary o objective dovrebbe:

• Indicare il tuo livello di esperienza (junior, senior, esperto, ecc.) e l’area di specializzazione
• Menzionare gli anni (se presenti) trascorsi nel campo della data science
• Riassumere in modo breve e specifico competenze e risultati
• Includere informazioni su formazione e certificazioni
• Spiegare il passaggio verso la data science, se è il tuo caso
• Descrivere i tuoi obiettivi di carriera a lungo termine
• Mostrare motivazione ed entusiasmo per il ruolo e l’azienda
• Spiegare quale valore puoi portare all’azienda

Seleziona i punti applicabili alla tua situazione e scrivi un’introduzione breve e chiara (summary o objective), personalizzata per la posizione specifica. Il testo risultante dovrebbe raccontare in modo convincente che sei un ottimo fit e catturare l’attenzione del datore di lavoro.

Come mettere in evidenza la tua esperienza

Includi i dettagli essenziali nella sezione Esperienza

Questa è di solito la sezione che interessa di più ai recruiter, quindi dovrebbe essere il focus principale del tuo curriculum. Elenca i lavori (o solo i più recenti, se hai molta esperienza) in ordine cronologico inverso. Se ti manca esperienza reale, valuta di includere stage in data science. Per ogni lavoro, fornisci:

• Date di impiego (mese e anno di inizio e fine, o Present)
• Titolo del ruolo
• Nome dell’azienda
• I tuoi risultati in quel ruolo

Dove possibile, cerca di evitare grandi gap (oltre sei mesi) nel curriculum, soprattutto negli ultimi anni. Anche se i lavori precedenti non sono in data science, è meglio includerli senza entrare troppo nel dettaglio. Se tutta la tua esperienza è in un ambito diverso, prova a individuare quali competenze hai realmente esercitato lì e applicabili alla data science, e quale valore hai portato al business. Se sei neolaureato senza esperienza o stage, salta questa sezione.

Tornando però a un caso “ideale” in cui hai esperienza in data science/data analytics: per i ruoli rilevanti, usa punti elenco per descrivere in modo conciso i risultati data-driven e il valore portato al business in ogni posizione. Il primo punto dovrebbe essere il più d’impatto per convincere il recruiter a proseguire. Evita l’errore comune di elencare mansioni e aspetti tecnici invece di mettere in evidenza i migliori risultati orientati al business.

Usa parole efficaci

È importante essere specifici ma brevi nelle descrizioni dei ruoli. Il formato ideale di ogni punto è:

Verbo d’azione – Attività – Risultato

I verbi d’azione sono verbi significativi e adatti agli ATS (quelli che un software di tracciamento cerca più facilmente). Alcuni esempi diffusi sono:

Accelerate, Activate, Aggregate, Analyze, Assess, Augment, Automate, Build, Calculate, Calibrate, Coach, Code, Collect, Compile, Compute, Conceptualize, Conduct, Consolidate, Construct, Coordinate, Create, Debug, Decrease, Deploy, Derive, Design, Determine, Develop, Enable, Engineer, Enhance, Establish, Estimate, Evaluate, Execute, Extract, Fix, Forecast, Formulate, Identify, Implement, Improve, Incorporate, Increase, Initiate, Integrate, Interpolate, Launch, Lead, Lift, Liquidate, Manage, Mechanize, Mentor, Model, Operate, Optimize, Organize, Perform, Predict, Prepare, Propose, Recommend, Reduce, Refine, Regulate, Rehabilitate, Research, Solve, Streamline, Summarize, Supervise, Synthesize, Systemize, Troubleshoot, Update, Upgrade

Questi verbi, oltre a rendere il curriculum più ATS-friendly, esprimono il risultato della tua attività in modo molto più preciso di verbi generici come fare, collaborare, realizzare o lavorare. Tuttavia, non confondere i verbi d’azione con parole pompose (ad esempio usa aiutare invece di facilitare).

Oltre ai “verbi giusti”, non dimenticare di includere le parole chiave dell’annuncio e del sito dell’azienda a cui ti candidi. Ricorda: ogni curriculum va personalizzato per il ruolo e l’azienda, per aumentare le possibilità di successo.

Usa i numeri

Elenca i risultati data-driven. Fornisci, quando possibile, numeri e metriche concrete del tuo impatto positivo sul business invece di superlativi vaghi o aggettivi generici (massimo, forte, considerevole, significativo, ecc.). I numeri risultano molto più convincenti quando si tratta di dimostrare a un potenziale datore di lavoro che capisci il quadro generale e sai rendere utili le tue competenze tecniche per problemi reali.

Nota che qui non parliamo delle metriche di performance del modello, ma del valore pratico e misurabile che il modello che hai costruito ha portato all’azienda. Per esempio, invece di dire che hai creato un modello di machine learning con il 99% di accuratezza che ha aumentato il tasso di engagement dei clienti del 21%, tralascia l’accuratezza del modello e scrivi:

Creato un modello di machine learning che ha aumentato il tasso di engagement dei clienti del 21%.

I numeri possono riguardare percentuali, importi in dollari, numero di persone gestite o seguite, ore o altri periodi di tempo. Vanno bene anche stime approssimative.

Dimostra la tua capacità di collaborare

La data science non è solo numeri e modelli, ma anche saper comunicare gli insight al team e agli stakeholder per aiutare l’azienda a prendere decisioni strategiche basate sui dati.

Invece di scrivere che sei un ottimo team worker con comprovate capacità comunicative, puoi dimostrarlo descrivendo i lavori in cui hai collaborato in ambienti multidisciplinari e (probabilmente) multinazionali con colleghi, altri reparti anche non tecnici e consumatori di dati. Concentrati sul ruolo che hai avuto in questi progetti e sul contributo misurabile che hai fornito.

Come valorizzare i tuoi progetti

Includi progetti in base alla tua esperienza e specializzazione

Questa sezione è critica per i data scientist junior ed entry-level, che spesso hanno esperienza lavorativa limitata o nulla. Il bilanciamento tra Esperienza e Progetti è chiaro: più esperienza hai, meno spazio dovrebbe occupare la sezione Progetti, fino a escluderla del tutto se sei un professionista senior.

Che tu abbia imparato data science all’università, in un master o in un bootcamp, probabilmente hai già uno o più progetti di data science o data analytics. Puoi includere progetti accademici, guided e capstone del bootcamp, lavori freelance, contributi a progetti open source su GitHub e progetti individuali su temi a tua scelta. Se non hai progetti da includere, valuta di farne uno simulato. In fondo, essere data scientist significa essere curiosi dei dati e degli insight che se ne possono ricavare.

Se hai molti progetti di data science, devi dare priorità e selezionare i più rilevanti e quelli di cui vai più fiero. È sempre meglio mostrare 3-4 buoni progetti che una dozzina mediocri. Per un entry-level, è normale e atteso avere molti progetti di corso o bootcamp su concetti diversi, con una varietà di strumenti e tecniche. Quando ti sentirai pronto a considerare una nicchia di business specifica, inizia a focalizzarti su quella, acquisendo conoscenza del dominio e creando progetti collegati a quell’area.

Includi le informazioni chiave per ogni progetto

Dopo aver selezionato i progetti rilevanti, ordinali in ordine cronologico inverso (o dal più al meno rilevante) e valuta di includere le seguenti informazioni per ciascuno:

• Nome del progetto e link nel tuo portfolio GitHub

• Un obiettivo di progetto chiaro e conciso. Poi, usando punti elenco:

• Una descrizione breve e specifica di fonti dati, tecnologie, linguaggi, librerie, strumenti e competenze usate (evita di abusare del gergo tecnico)

• Il tuo contributo individuale (se è stato un progetto di gruppo)
• I risultati quantitativi del tuo lavoro, a dimostrazione della capacità di applicare competenze tecniche a problemi reali.

Molti dei consigli visti per la sezione Esperienza si applicano anche qui: concentrati su risultati significativi, usa verbi d’azione e parole chiave della job description/sito aziendale, evita parole pompose e generiche, usa numeri e metriche concrete.

Come mettere in risalto le tue competenze di Data Science

Elenca le competenze in base alla tua competenza

Questa sezione è imprescindibile in un curriculum da data scientist, a prescindere dalla seniority. Il modo migliore per creare l’elenco delle competenze per una posizione specifica include quattro passaggi:

1. Annota tutte le competenze tecniche, i linguaggi e gli strumenti menzionati esplicitamente o implicitamente nella job description. Usa la seguente lista come ispirazione: A/B tests, Big data, C, C++, Data analysis, Data cleaning, Data mining, Data modeling, Data visualization, Data wrangling, Debugging, Deep learning, Hadoop, Hypothesis testing, Java, Keras, Machine learning, Mathematics, Matplotlib, NLP, NoSQL, Numpy, Pandas, PowerBI, Predictive modeling, Probability, Python, Quantitative analysis, R, SAS, Scala, Scikit-learn, Seaborn, Spark, SQL, Statistical analysis, Statistics, Tableau, TensorFlow, Unstructured data, Web scraping
2. Nell’elenco creato, marca le competenze che possiedi davvero e che ti senti a tuo agio a dimostrare in colloquio. Il modo migliore è usare il master resume come riferimento. Pur senza inventare competenze che non hai, pensa ad adattare le tue competenze esistenti ai requisiti della posizione. Per esempio, se conosci diverse varianti di SQL incluso MySQL e l’annuncio richiede MySQL, scrivi solo MySQL invece di menzionare SQL in generale o tutte le varianti. D’altra parte, se il ruolo richiede la conoscenza di SQL in generale, scrivi semplicemente SQL senza elencare tutte le varianti che conosci.
3. L’elenco dovrebbe contenere 6-10 voci. Più è alto il tuo livello, meno voci puoi avere perché sarà l’esperienza a parlare per te. Se sei entry-level o junior, è ok se non hai ancora applicato tutto il tuo toolkit a problemi reali, ma vuoi comunque mostrare ai recruiter che possiedi quelle skill. Quindi, se dopo il secondo passaggio hai meno di 10 competenze, valuta di aggiungerne altre che possiedi davvero e che pensi utili al ruolo, anche se non sono menzionate nell’annuncio.
4. Ordina l’elenco finale mettendo per prime le competenze più forti e pertinenti.

Non includere il livello di competenza

Alcuni template permettono di assegnare un livello a ogni competenza, ma è meglio saltare questo passaggio. Valutazioni del genere sono estremamente soggettive e influenzate dall’effetto Dunning–Kruger: il tuo “avanzato” può essere “base” per qualcun altro e viceversa. Per evitare di sminuirti o sovrastimarti, non classificare le competenze e rimuovi l’opzione dal template se presente.

Non includere le soft skill

È naturale che i recruiter cerchino professionisti con soft skill come lavoro di squadra, comunicazione e leadership. Dovresti elencarle direttamente nella sezione Competenze? Probabilmente no. È molto più efficace dimostrarle in azione nelle sezioni Esperienza e Progetti, abbinate alle competenze tecniche per ottenere risultati pratici.

Ti consideri un perfetto team worker? Scrivi del tuo contributo a progetti collaborativi. Sei un buon leader? Descrivi l’esperienza di gestione di un team o di mentoring/coaching di junior. Infine, il modo migliore per evidenziare ottime capacità comunicative è presentare in modo conciso e incisivo esperienze e risultati nel tuo curriculum.

Come presentare la tua formazione

In genere, se hai esperienza, stage o progetti data-related, dovresti mettere la Formazione dopo queste sezioni (e anche dopo Competenze). Infatti, più alta è la tua seniority, più breve dovrebbe essere la sezione Formazione. Tuttavia, se ti candidi a un ruolo altamente accademico o se sei neolaureato senza esperienza, è logico che questa sezione vada per prima, subito dopo l’objective. Per la tua formazione (o per ciascun titolo, se ne hai più di uno), includi:

• Il titolo più alto (B.S., M.S., Ph.D.) e la specializzazione (anche se non pertinente alla data science)
• Nome dell’università
• Periodo di studi (mese e anno di inizio e fine, altrimenti Expected graduation date)

Il resto dei punti va usato solo se vuoi approfondire la formazione, cioè se hai poca o nessuna esperienza/progetti rilevanti o se ti candidi per una posizione accademica:

• GPA (solo per neolaureati e solo se superiore a 3.5)
• Progetti accademici (coursework, tesi, dissertazione, ecc.). Usa punti elenco se hai più di un progetto da mostrare. Aggiungi una breve descrizione o l’elenco degli argomenti trattati.
• Corsi accademici: aggiungi i 2-3 più rilevanti, opzionalmente con voti.
• Riconoscimenti e onori accademici

Non menzionare in Formazione bootcamp, percorsi o corsi di data science: li aggiungerai in Certificazioni.

Altre sezioni

Vediamo quali altre sezioni possono essere utili nel tuo curriculum e aiutarti a mostrare passione e dedizione per la data science. Valuta di aggiungere una di queste sezioni se hai almeno due punti per ciascuna; altrimenti combina più categorie in una sezione chiamata Extras.

Certifications

Qui puoi inserire corsi e bootcamp rilevanti se cerchi una posizione entry-level. Oltre alle certificazioni di data science e data analysis, pensa a includere corsi di programmazione, algebra lineare, probabilità o statistica. Se hai una certificazione in data science ufficiale (Microsoft, IBM, SAS, Google), menzionala qui e valuta di aggiungerla anche nell’intestazione del curriculum, accanto al titolo (es. Data Scientist, IBM Certified).

Publications

Questa sezione è preziosa non solo in ambito accademico ma anche business, perché dimostra curiosità per i dati oltre i doveri lavorativi, capacità di lavorare in autonomia o in team (se pubblicazione di gruppo) e di spiegare chiaramente concetti complessi a un pubblico ampio. Per ogni articolo, includi il titolo, la rivista o testata, il link alla pubblicazione online o al tuo blog (se applicabile) e un breve abstract (o argomenti trattati, o parole chiave).

Conferences

Elenca solo conferenze data-related in cui hai presentato. Includi nome della conferenza, località, date, titolo del tuo lavoro e nomi dei co-autori (se presenti).

Hackathons

Gli hackathon di data science sono un ottimo modo per mostrare lavoro di squadra, competenze tecniche, creatività, mentalità innovativa e capacità di produrre risultati pratici. Delinea brevemente l’ambito del progetto, il prodotto e le sue applicazioni, il tuo contributo individuale e i risultati.

Awards

Inserisci eventuali premi per il tuo lavoro o competizioni vinte in ambito data-related. Possono essere premi per hackathon, competizioni su Kaggle, lavori accademici e pubblicazioni. Aggiungi una breve descrizione per ciascun premio. In alternativa, valuta di includere queste informazioni nelle sezioni corrispondenti.

Competitions

Descrivi brevemente le competizioni di data science a cui hai partecipato e i risultati ottenuti. Possono essere competizioni su Kaggle, DrivenData, DataHack, ecc. 

Volunteering

Se hai esperienza di volontariato/moderazione in una community di data science o un buon track record di problem solving su Stack Overflow, usa questa sezione per dare dettagli ed elencare i risultati. Come sempre, prova a usare numeri a supporto (ad es. numero di problemi tecnici risolti, domande con risposte accettate, rating, reputation, badge, tempo di lettura, ecc.)

Languages

È molto improbabile che ti serva questa sezione in un curriculum da data scientist. Anche se l’inglese non è la tua lingua madre, il tuo livello sarà abbastanza evidente dal curriculum e dalle risorse aggiuntive (GitHub, LinkedIn, ecc.). Valuta di aggiungerla solo se ti candidi all’estero dove parlare una seconda lingua sarebbe un vantaggio e, ovviamente, se la parli effettivamente a livello elevato. Qui è accettabile indicare un livello presunto (es. madrelingua, fluente, avanzato, upper-intermediate, intermedio).

Non includere interessi/hobby

Anche se alcuni template prevedono una sezione interessi/hobby, è meglio saltarla in un curriculum da data scientist. Pur potendo essere interessanti e caratterizzarti positivamente come persona curiosa, non è ciò che i recruiter cercano in questa fase.

Lo stesso vale per altre informazioni come viaggi, partecipazione a meetup, giochi sociali, attività di volontariato fuori dalla data science, conoscenza di altre lingue (a meno che non siano esplicitamente richieste per il ruolo) e la patente. È meglio usare quello spazio per altro. Avrai modo di menzionare hobby e informazioni interessanti su di te in colloquio.

Esempi di curriculum da Data Scientist

Ora vediamo più da vicino alcuni curriculum fittizi di data scientist con livelli di esperienza diversi, per capire come mettere in pratica tutto ciò che abbiamo discusso. E rendiamolo anche più divertente (e più efficace) seguendo l’evoluzione professionale della stessa (immaginaria) persona.

Esempio di curriculum per junior data scientist

L’esempio seguente riguarda la fase in cui il nostro candidato immaginario non aveva altra esperienza oltre a uno stage da data scientist. Questo curriculum, così come i successivi, è stato creato usando la selezione di template gratuiti di Google Docs, con alcune modifiche.

• Il curriculum è di una pagina e contiene molte informazioni senza risultare eccessivo. C’è sufficiente spazio bianco.
• Il template predefinito non è solo in bianco e nero ma ha un colore aggiuntivo, che lo rende più gradevole e facile da seguire senza distrarre.
• Il layout complessivo è a due colonne, una buona scelta per un junior che vuole compensare la poca esperienza con varie attività e risultati data-related, ossia più sezioni.
• Nell’header, vediamo un’email professionale e le icone cliccabili collegate ai profili del candidato su LinkedIn, Github e Medium. (Nota: purtroppo non sono cliccabili nell’immagine PNG sopra, solo nelle versioni Word e PDF originali. A questo proposito, la cliccabilità dei link nella versione finale è un altro punto importante da verificare.)
• Tutte le sottosezioni sono chiare e concise.
• Poiché il candidato ha almeno uno stage da mostrare, è stata una buona idea includere il Summary anziché l’Objective.
• Il summary è composto da 3 frasi, conciso ma molto informativo. Il candidato ha menzionato stage, formazione e training in data science, non avendo ancora un titolo formale in data science. Poi ha descritto brevemente competenze (incluse soft) e, soprattutto, risultati, mostrando entusiasmo per il ruolo e il valore che può portare.
• Nella sezione Experience, il candidato si è concentrato sui risultati di business dello stage, supportati da numeri concreti. Ogni punto inizia con un verbo d’azione. Niente gergo tecnico, parole vaghe o ridondanti.
• Dato che l’esperienza è limitata, ha elencato i progetti più rilevanti del bootcamp, includendo obiettivo, competenze e strumenti usati e il link a ciascun progetto nel portfolio.
• Per la poca esperienza, il candidato ha ampliato un po’ la formazione (aggiungendo l’argomento del coursework, il GPA e i corsi rilevanti), le attività di volontariato in ambito dati (fornendo numeri anche qui) e il training di data science.
• Nella sezione Skills, ha elencato solo le competenze tecniche. La lista è sufficientemente lunga e include sia competenze che strumenti.
• Nella sezione Publications, il candidato ha incluso sia articoli sulla data science sia uno legato al titolo originario – Finanza Matematica.

Esempio di curriculum per data scientist

Ora immaginiamo che il nostro candidato abbia ottenuto un lavoro come data scientist in un’azienda chiamata Silver Dollar (fittizia). Dopo 2 anni, cerca una nuova sfida. Non è più così junior, quindi il curriculum è cambiato di conseguenza:

• Il focus si è spostato chiaramente sull’esperienza lavorativa piuttosto che su vari “extra”.
• Il curriculum è di una pagina, contiene le informazioni più rilevanti in forma concisa e c’è spazio bianco sufficiente.
• Il template ha il verde oltre al bianco e nero, il che lo rende gradevole, facile da seguire e non distrae.
• Il layout è a una colonna. Va bene in questo caso perché il candidato ha incluso meno sezioni aggiuntive e più brevi.
• Nell’header, vediamo le stesse icone cliccabili verso i vari profili (con ogni probabilità aggiornati).
• La sezione Summary ha 3 frasi, ma è più breve rispetto a prima. Il candidato non menziona più il bootcamp, perché ora parla l’esperienza. Anche le soft skill auto-promozionali sono state rimosse. L’esperienza di stage non è più evidenziata a parte ma sommata ai 2 anni più recenti. Inoltre, si vede chiaramente che le competenze elencate sono diverse rispetto al CV precedente (e lo stesso vale per la sezione Skills, ora più corta). Non significa che abbia “dimenticato” le skill precedenti: molto probabilmente ha adattato punti chiave e risultati in Summary e Skills alla job description specifica, approccio sempre ottimo.
• Nella sezione Experience, il candidato ha descritto i principali risultati di business in entrambi i ruoli e aggiunto metriche significative. Di nuovo, ogni punto inizia con un verbo d’azione, senza parole vaghe o ridondanti e con uso moderato di gergo tecnico. Nota anche la varietà di verbi d’azione usati e di metriche misurate ($, %, ore, numero di elementi).
• Le sezioni Progetti e Formazione sono più brevi, mentre Certificazioni e Volontariato sono state eliminate.

Esempio di curriculum per senior data scientist

Dopo l’ultima versione, il nostro data scientist ha cambiato lavoro altre due volte e ha avuto una crescita significativa. In cerca di un nuovo ruolo, aggiorna il curriculum per una posizione interessante. Com’è ora?

Evidenziamo i cambiamenti più importanti:

• A parte l’header, il curriculum include solo Skills, Experience e Education, con Experience che occupa la parte maggiore. Niente summary, niente progetti, niente extra. La vera esperienza parla per lui/lei.
• Il curriculum è quasi in bianco e nero, con uso molto limitato di arancione.
• La sezione Skills è stata ridotta in modo significativo, elencando solo competenze e strumenti più “globali” (e no, molte non erano menzionate nelle versioni precedenti).
• L’esperienza di stage è stata rimossa.
• Il ruolo più recente come senior data scientist è più incentrato su strategia e management che su analisi e modellazione.

Conclusione

Abbiamo esplorato approcci, trucchi, esempi pratici e template per far brillare il tuo curriculum da data scientist.

Per certi versi, il tuo curriculum è simile al trailer di un film. Proprio come il trailer deve catturare subito l’attenzione e convincere a guardare il film, così il tuo curriculum deve ispirare un hiring manager a leggerlo con attenzione e invitarti a colloquio.

Ovviamente, scrivere un curriculum perfetto è solo il primo passo del percorso di candidatura, che non garantisce automaticamente il successo al colloquio. Tuttavia, senza superare i cancelli dell’ATS e poi di un hiring manager/recruiter, non potrai procedere oltre. È quindi fondamentale dedicare il tempo necessario e fare gli sforzi opportuni per costruire un curriculum efficace e convincente, su misura per ogni ruolo a cui ti candidi.

Per far risaltare il tuo curriculum, assicurati di avere le competenze e l’esperienza necessarie, che puoi mettere in evidenza con una certificazione da data scientist di DataCamp. Inizia oggi!