Întrebarea „cum devii data analyst” primește în 2026 răspunsuri foarte diferite. Una de la cineva care vinde un curs online de 1.500 EUR. Alta de la un recruiter care îți face screening la 200 de CV-uri pe lună. A treia de la un data analyst cu 7 ani de experiență care își amintește cum a început. Toate trei sunt parțial corecte. Niciuna singură nu spune adevărul complet.

Acest ghid e versiunea sinceră — cea din care nu se face profit imediat dar care economisește 18 luni de timp pierdut pe drumul greșit.

Ce face efectiv un data analyst în 2026

Înainte să discutăm cum devii unul, e util să fii sigur că vrei. Pentru că realitatea jobului diferă semnificativ de cum e prezentat în reclamele de cursuri.

Un data analyst într-o companie medie petrece aproximativ 30% din zi scriind SQL sau folosind un BI tool să răspundă la întrebări concrete de business. Aproximativ 20% în meeting-uri cu echipele cărora le servește (marketing, vânzări, operațiuni, finance), încercând să înțeleagă ce vor să afle. 15% pe documentație, validare, debugging — adică verificare că ce ai livrat nu e greșit. 15% pe construirea de dashboard-uri și rapoarte. Iar restul, fragmentat, pe învățare, pe ședințe interne, pe administrativ.

Munca creativă spectaculoasă — predicție, machine learning, modele complexe — ocupă în general sub 10% din timp. Pentru analize avansate de tip ML, există rolul de data scientist, care e adiacent dar diferit.

Important: în 2026, AI-ul a transformat semnificativ partea de execuție. Scrierea unui SQL complex se face acum prin prompt + verificare, nu de la zero. Generarea de vizualizări inițiale prin Copilot. Documentarea automată. Asta a mutat valoarea analyst-ului spre judecata de business și spre comunicarea narativă a rezultatelor, nu spre execuția tehnică în sine.

Dacă te-ai aștepta să stai 8 ore pe zi în VS Code rezolvând probleme algoritmice, vei fi dezamăgit. Dacă te-ai aștepta să nu interacționezi cu oameni, idem.

Skill-urile reale cerute în piață

Lista de mai jos vine din analiza a sute de joburi postate în România, Moldova și piețele apropiate în ultimele 12 luni. Sortată după frecvența cu care apare în descriere.

SQL — încă numărul unu

Dacă există un singur skill pe care îl înveți pentru job-ul de data analyst, e SQL. Apare în peste 90% din anunțuri. Nu doar SELECT-uri simple. Joins (toate tipurile), funcții de agregare, window functions (ROW_NUMBER, LAG, LEAD, RANK), CTEs, subqueries, lucru cu date temporale.

Pentru un junior, capacitatea de a scrie un query cu 3-4 joins, filtre complexe, agregare și window function — fără să se uite la documentație — e diferența între a primi sau nu un interviu.

Power BI sau Tableau

Power BI domină piața din Europa Centrală și de Est, inclusiv România și Moldova. Tableau e mai prezent în multinationale americane sau în companii financiare. Looker e mai puțin frecvent dar prezent la unele companii tech. Practic: dacă ești în România, începi cu Power BI. Cunoașterea unuia te face transferabil la celălalt în câteva săptămâni.

Nu e suficient să știi „să faci un grafic”. Trebuie să înțelegi modelarea (schemă în stea, dimensiuni vs fact tables, relații), DAX (pentru Power BI) sau LOD expressions (pentru Tableau), bune practici de design (color, layout, hierarchy).

Excel avansat

Excel rămâne lingua franca. Funcții avansate (XLOOKUP, INDEX/MATCH, LET, LAMBDA, SUMIFS), pivotare, Power Query (vezi articol separat), Power Pivot, formatare condițională. Multe interviuri tehnice încă includ un test în Excel.

Cei care îți spun „Excel-ul e mort în 2026″ nu lucrează în piață. E mai viu ca niciodată, doar că se folosește în combinație cu alte unelte.

Python sau R

Pentru a treia parte din joburi, Python e cerut explicit. Nivelul așteptat pentru junior nu e ridicat: lucrul cu pandas, numpy, vizualizare cu matplotlib sau seaborn, capacitatea de a citi și scrie scripturi simple. Nu trebuie să construiești modele ML. Trebuie să poți manipula un dataframe.

R apare mai rar în piață, mai ales în statistică, marketing analytics și cercetare. Pentru un junior care alege între Python și R, Python e mai versatil — se folosește atât în analytics cât și în engineering, automatizare, ML.

Statistică de bază

Nu trebuie să fii statistician. Trebuie să înțelegi: medii, mediane, distribuții, deviație standard, corelație, semnificație statistică, A/B testing. Concepte, nu derivări matematice. Capacitatea de a recunoaște când un rezultat e probabil zgomot vs. semnal real.

Comunicare

Capacitatea de a explica o concluzie unui non-tehnic într-o frază. De a construi o prezentare scurtă cu insight, nu un raport de 30 de pagini. De a întreba bine în loc să prezumi.

Asta separă junior-ii buni de cei mediocri mai mult decât orice skill tehnic. Iar în 2026, cu AI-ul care preia execuția tehnică, comunicarea contează și mai mult.

AI tooling

Skill nou, dar deja așteptat. Cum folosești ChatGPT, Claude, Copilot pentru a accelera SQL-ul, pentru documentație, pentru explorare inițială. Nu pentru a evita munca, ci pentru a o face mai eficient. Recruiter-ii întreabă tot mai des „cum folosești AI în munca ta?”. Răspunsurile slabe (nu îl folosesc, sau îl folosesc pentru tot fără verificare) sunt red flag-uri.

Plan de învățare pe 9 luni

Asumpția: pornești de la zero sau aproape zero. Studiezi 10-15 ore pe săptămână. Vrei să fii capabil să aplici la joburi de junior data analyst la finalul perioadei.

Lunile 1-2: Fundamentele datelor. SQL de bază prin SQLBolt, Mode Analytics SQL Tutorial sau cursul de SQL pe DataCamp. Statistici de bază prin Khan Academy (Statistics and Probability). Excel intermediar — funcții, pivoting. Obiectiv la finalul lunii 2: poți să scrii SELECT cu join-uri simple și să faci un pivot table.

Lunile 3-4: SQL avansat și Power BI. Window functions, CTEs, optimizare query-uri. În paralel, Power BI prin Microsoft Learn (gratuit) — încărcare date, modelare, vizualizări, DAX de bază. Construiește 2-3 mini-proiecte folosind dataset-uri publice (Kaggle, data.gov.ro).

Lunile 5-6: Python și statistică aplicată. Cursul Python for Data Analysis al lui Wes McKinney (autorul pandas) sau echivalent. pandas, numpy, matplotlib. Apoi statistică aplicată — A/B testing, intervale de încredere, regresie liniară. La finalul lunii 6, construiește un proiect end-to-end: pornește de la un dataset, curăță-l în Python, analizează-l, prezintă rezultatele într-un raport sau dashboard.

Lunile 7-8: Portofoliu și aprofundare. Construiește 3-4 proiecte solide pe GitHub. Nu „titanic dataset”. Ceva care arată că poți rezolva o problemă reală: analiză de retenție pe un dataset e-commerce, dashboard de monitorizare a unui KPI inventat dar realist, A/B test analizat de la prelucrare la concluzie. Documentează totul ca într-un context profesional.

Luna 9: Pregătire pentru piață. CV, LinkedIn, exercițiu de interviuri tehnice (SQL whiteboard, case study analytics), networking. Aplici la 30-50 de joburi.

Asta e ritmul realist. Există cursuri care promit „junior data analyst în 3 luni”. Sunt minciuni. În 3 luni înveți să scrii un SELECT și să faci un pivot. Pentru a ajunge angajabil, drumul e mai lung — sau ai noroc cu un employer dispus să te formeze internal.

Certificări: care contează, care nu

Întrebarea apare des. Răspunsul scurt: certificările contează ca semnal de minim necesar, nu ca diferențiator. Un CV cu certificare Microsoft PL-300 e luat mai în serios decât unul fără. Dar certificarea singură nu îți aduce job-ul.

Cele care merită:

• Microsoft PL-300 (Power BI Data Analyst Associate) — standard pentru roluri Power BI. Cost ~$165. Pregătire 4-8 săptămâni. Recunoscută în toată Europa.
• Microsoft DP-203 (Azure Data Engineer Associate) — pentru cei care vor să meargă spre engineering. Mai grea, dar mai valoroasă pe termen lung.
• Google Data Analytics Professional Certificate (Coursera) — bun ca punct de plecare, recunoscut în firme americane. Mai puțin relevant în Europa Centrală.
• Tableau Desktop Specialist — dacă vrei o firmă care folosește Tableau.

Cele care nu contează:

• „Certificări” de la academii online private care nu sunt recunoscute industrial.
• Multiple cursuri scurte fără proiect concret de prezentat.
• MBA-uri sau master-uri scumpe pentru roluri junior — costul nu se justifică.

O regulă bună: 1-2 certificări solide + portofoliu de proiecte > 8 cursuri scurte + niciun proiect.

Portofoliul — ce și cum

Portofoliul e factorul decisiv în 2026. Recruiter-ii și hiring manager-ii se uită în primul rând la el. Un CV bun fără portofoliu duce la întrebări. Un CV cu portofoliu bun duce la interviu.

Câteva proiecte care funcționează ca exemplu de portofoliu:

Analiza unui dataset e-commerce. Iei un dataset public (Brazilian Olist, Online Retail UCI), faci o analiză end-to-end: pregătire date, EDA, identificarea pattern-urilor (segmente de clienți, sezonalitate, retenție), construire dashboard în Power BI sau Tableau, raport scurt cu insights și recomandări de business. Pune codul pe GitHub, dashboard-ul publicat pe Power BI Service sau Tableau Public, raportul ca PDF sau articol Medium.

Un A/B test analizat corect. Iei un dataset cu rezultate de experiment (sau simulezi unul), analizezi-l corect: calculezi metrici, intervale de încredere, semnificație, decizie. Documentează raționamentul. Asta arată că înțelegi statistică, nu doar SQL.

Un raport săptămânal automatizat. Construiește un mini-pipeline: dataset care se actualizează, transformare în Python sau Power Query, raport automat în Power BI cu refresh scheduled. Arată capacitatea de gândire operațională.

Un dashboard care răspunde la o întrebare reală. Nu „dashboard de vânzări general”. „Dashboard pentru directorul de marketing care răspunde la întrebarea: care campanii produc retenție pe 90 de zile?”. Mai specific = mai bun.

Câteva reguli pentru portofoliu: scris în engleză, dataset-uri reale (chiar și publice), prezentare îngrijită, README clar cu context business, nu doar tehnic. Codul pe GitHub. Dashboard-urile publicate online, nu doar screenshot-uri.

Salarii reale în piață

Cifrele de mai jos sunt brute lunare, în EUR, pentru piața din România și Moldova, valid pentru a doua jumătate a anului 2026. Sursele: anunțuri publicate, rapoarte salariale Hays, Brainspotting, conversații cu recruteri.

• Junior Data Analyst (0-2 ani): 800-1.500 EUR brut/lună în România, 600-1.200 EUR în Moldova. Variații mari în funcție de oraș, sector, mărimea companiei.
• Mid Data Analyst (2-5 ani): 1.500-3.000 EUR brut/lună. La companii multinaționale sau în domenii precum fintech, sume mai mari.
• Senior Data Analyst (5+ ani): 2.500-5.000 EUR brut/lună. Pentru roluri specializate (analytics engineer, BI lead), poate ajunge la 6.000-7.000 EUR.
• Lead / Manager BI: 4.000-8.000+ EUR brut/lună.

Remote pentru companii din alte țări (Germania, UK, US) adaugă 30-100% la aceste cifre. Dar competiția pentru aceste roluri e dură — concurezi cu candidați din toată Europa și din Asia.

O observație onestă: pentru a ajunge la salariile remote de top, ai nevoie de 3-5 ani de experiență solidă într-o companie locală bună. Drumul direct „învăț 6 luni și prind un job remote la 4.000 EUR” este, în 99% din cazuri, ficțiune.

CV și interviu: ce funcționează

Pentru CV: o pagină, dacă ai sub 5 ani de experiență. Două maxim. Structura clasică — experiență, educație, skills, proiecte. Cu mențiunea că secțiunea Proiecte (cu link la portofoliu) ar trebui să fie cât experiența, pentru juniori.

Pentru interviu, structura tipică în 2026:

1. Screening HR — 30 min, despre motivație, salariu așteptat, disponibilitate.
2. Interviu tehnic 1 — SQL whiteboard sau exercițiu pe laptop. Câteva query-uri cu joins, agregare, eventual o window function.
3. Interviu tehnic 2 — Case study sau exercițiu de analiză. Primești un dataset sau o descriere de problemă, ai 24-72 de ore să livrezi o analiză + recomandări.
4. Interviu final — Cu hiring manager-ul și echipa. Cultură, fit, întrebări de comportament.

La interviul tehnic, regula de aur: gândește cu voce tare. Recruiter-ul vrea să vadă cum gândești, nu doar răspunsul final. Dacă nu știi sintaxa exactă, spune cum ai rezolva conceptual. Asta valorează mai mult decât un răspuns memorizat.

Greșelile care costă cariere

Câteva pattern-uri pe care le văd repetitiv la candidați care nu reușesc. Toate evitabile.

Învățarea în paralel a prea multor tehnologii. Cineva care „a făcut introducere” în SQL, Python, R, Tableau, Power BI, Spark, dbt — dar nu e bun la nimic — e mai puțin angajabil decât cineva care e solid în SQL și Power BI și știe că restul vor veni la job.

Aplicarea în masă fără portofoliu. 200 de aplicații fără proiecte de arătat = 200 de respingeri. Mai bine 20 de aplicații țintite, cu portofoliu solid.

Concentrarea pe tehnologie în defavoarea business-ului. Un analyst care știe DAX dar nu înțelege ce înseamnă LTV, churn rate, marjă, conversion funnel — nu va trece la mid niciodată. Citește despre business. Înțelege ce produce compania unde aplici.

Așteptări nerealiste despre primul job. Junior data analyst la o companie medie nu va lucra cu deep learning pe day one. Va face SQL pentru rapoarte, va curăța date, va construi dashboard-uri. Asta e formarea. Cine refuză roluri „neinteresante” la început rămâne fără opțiuni.

Refuzul de a învăța continuu. Piața se mișcă rapid. Cineva care în 2024 era foarte bun pe Power BI dar nu a învățat Fabric, Copilot, semantic models avansate, în 2026 e deja desincronizat. Continuous learning nu e opțional.

Întrebarea cea mai importantă — vrei asta cu adevărat?

Înainte de plan, înainte de cursuri, înainte de certificări — întrebarea care contează: îți face plăcere să te uiți la date și să tragi concluzii? Petreci 30 de minute cu un Excel și un dataset pentru o problemă care nu îți cere nimeni, doar din curiozitate?

Pentru că data analytics ca job presupune fix asta, 8 ore pe zi, plus pe partea de meeting-uri, plus de a-i convinge pe alții că ai dreptate când datele tale spun altceva decât intuiția lor. Dacă răspunsul e da, ești într-un teritoriu unde te vei dezvolta natural și vei deveni bun.

Dacă alegi data analytics pentru salariu, pentru remote, pentru că „pare cool” — vei detesta jobul în 18 luni. Și se vede. Recruiter-ii experimentați identifică candidații care nu sunt acolo din motive intrinsece. Iar la interviu nu poți simula 4 ore de pasiune autentică.

Răspunsul onest la întrebarea asta îți economisește ani.

Următorii pași concreți, pentru această săptămână

Dacă ai citit până aici și te-ai hotărât că vrei să mergi pe acest drum, trei acțiuni pentru următoarele 7 zile:

Deschide SQLBolt sau Mode Analytics SQL Tutorial. Fă primele 5 lecții. Vezi dacă îți face plăcere ritmul. Asta e testul cel mai onest.

Caută pe LinkedIn 10 anunțuri reale de junior data analyst în România sau Moldova. Citește descrierile cu atenție. Notează skill-urile repetate. Asta e harta ta de învățare.

Setează-ți un calendar de 9 luni. Marchează checkpoint-uri lunare. Spune cuiva apropiat planul. Statistic, oamenii care își fac plan scris și îl comunică au de 3 ori mai multe șanse să termine.

Pentru context suplimentar despre traseul profesional, materialele despre formare în analytics de pe daniel-pisau.ro tratează aceeași temă din unghiuri complementare, cu accente pe Excel și pe Power BI ca puncte de plecare practice.

Drumul nu e scurt. Nu e ușor. Dar e parcursabil de oricine cu disciplină, curiozitate și capacitatea de a continua când lucrurile nu funcționează din prima. Iar în 2026, cu AI-ul care face execuția mai rapidă, valoarea unui analyst bun a crescut, nu a scăzut. Locul tău în piață e disponibil. Trebuie doar să-l ocupi.

Întrebări frecvente

Ce face efectiv un data analyst?

Aproximativ 30% din zi înseamnă scris SQL sau lucru într-un tool de BI, ca să răspundă la întrebări concrete de business. Munca spectaculoasă — predicție, machine learning, modele complexe — ocupă în general sub 10% din timp. Dacă te aștepți să stai 8 ore pe zi rezolvând probleme algoritmice, vei fi dezamăgit.

Ce skill contează cel mai mult?

SQL. Dacă înveți un singur lucru pentru jobul de data analyst, acesta e. Pentru un junior, capacitatea de a scrie fără documentație un query cu 3-4 joins, filtre complexe, agregare și o window function e diferența între a primi și a nu primi oferta.

Ce mai e cerut în piață?

Power BI, care domină Europa Centrală și de Est, inclusiv România și Moldova — și nu e suficient „să faci un grafic”. Excel avansat, care rămâne lingua franca. Python, cerut explicit la circa o treime din joburi. Statistică de bază, fără să fii statistician. Și comunicarea: capacitatea de a explica o concluzie unui non-tehnic într-o frază separă juniorii buni de cei mediocri mai mult decât orice skill tehnic.