În toamna lui 2026 am revăzut peste 80 de portofolii de data analyst pentru o serie de roluri junior și mid în piața românească. Aproximativ trei sferturi conțineau aceleași două-trei proiecte: predicția supraviețuirii pe Titanic dataset, o analiză pe Iris și un dashboard pe vânzări fictive de la o companie inventată cu „n” magazine.

Niciunul dintre acele portofolii n-a primit ofertă.

Asta nu înseamnă că portofoliile sunt inutile. Dimpotrivă — într-o piață în care orice candidat poate genera SQL prin AI și orice junior poate finaliza un curs Coursera, un portofoliu bine construit e diferențiatorul cel mai puternic pe care un aspirant la rolul de data analyst îl mai are. Dar definiția lui „bine construit” s-a schimbat radical în ultimii doi ani, iar majoritatea sfaturilor circulate prin grupuri și prin Youtube sunt rămase în 2022.

Acest material e despre portofoliul data analyst care chiar conduce la ofertă, nu cel care impresionează doar pe colegi de bootcamp. Vine din perspectiva recruiterului care a făcut screening, a hiring manager-ului care a făcut interviu tehnic și a candidatului care a primit ofertă — pentru că diferențele de optică între aceste trei roluri sunt mai mari decât crede majoritatea aspiranților.

portofoliu Data Analyst: Ce vrea de fapt un recruiter să vadă

Un recruiter de tech trece prin 80-150 de CV-uri pe săptămână. Decizia de a contacta sau nu un candidat se ia în 6-15 secunde de scanare. Portofoliul, dacă e linkat în CV, primește încă 30-60 de secunde în plus.

În acest timp scurt, recruiterul caută trei semnale:

Primul: candidatul a făcut ceva real. Nu un tutorial finalizat, nu o copie după un proiect Kaggle popular. Ceva care arată că a stat și a lucrat pe o problemă concretă, fie pentru o companie, fie pentru un proiect personal cu intenție clară.

Al doilea: candidatul poate comunica. Un README clar, scris în limba țintă (română sau engleză, depinde de rol), care explică ce a făcut, de ce, cu ce date, cum se rulează. Un portofoliu fără README de calitate semnalează lipsă de disciplină de comunicare — care e fix ce caută un manager de echipă într-un analyst.

Al treilea: candidatul cunoaște stack-ul cerut în anunț. Dacă jobul cere Power BI și SQL, vrea să vadă în portofoliu Power BI și SQL — nu trei proiecte Python pure cu Matplotlib.

Tot ce nu confirmă aceste trei semnale e zgomot. Inclusiv proiectele „bonus” pe care candidații le adaugă „să arate că știu mai multe”. Frecvent, adaugă suspiciune în loc de încredere.

Cele patru categorii de proiecte care funcționează

1. Proiect cu date reale dintr-o companie reală

Categoria regină. Dacă lucrezi într-un rol adiacent — operațiuni, customer support, marketing, finance — și ai acces la date interne (chiar anonimizate), un proiect care rezolvă o problemă reală a echipei tale e cel mai puternic argument posibil.

Exemple care funcționează:

• „Am construit un dashboard care urmărește timpul mediu de rezolvare a tichetelor pe categorie și am identificat că 30% din timp se pierde pe re-clasificarea inițială”
• „Am analizat datele de campanii email ale companiei și am descoperit că trimiterile de miercuri dimineața performează cu 18% mai bine decât cele de marți seara — am schimbat schedule-ul”
• „Am redus timpul de refresh al raportului săptămânal de vânzări de la 22 de minute la 90 de secunde prin optimizarea query-urilor SQL”

Important: dacă datele sunt confidențiale, le anonimizezi (înlocuiești nume reale, scalezi valori) și descrii clar în README că ai făcut asta. Niciun hiring manager serios nu se așteaptă să postezi date reale ale fostului angajator.

Pentru cineva care nu lucrează în zonă, varianta apropiată: voluntariat pentru ONG-uri locale care chiar au nevoie de raportare. Există în România organizații care primesc cu brațele deschise un analyst aspirant care le construiește un dashboard de impact.

2. Proiect end-to-end pe date publice — dar pe o întrebare proprie

A doua categorie ca impact. Date publice există abundent: INS, Eurostat, World Bank, ECDC, ANAF Open Data, Open Data Portal al Bucureștiului, datele BNR. Diferența între un proiect bun și unul mediocru pe date publice e întrebarea pe care o pui.

Întrebări proaste (au fost analizate de mii de oameni):

• „Evoluția PIB-ului României în ultimii 20 de ani”
• „Analiza pieței muncii”
• „Trenduri demografice”

Întrebări bune (cer cu adevărat muncă de analist):

• „Câte autovehicule electrice s-au înmatriculat în România pe județe în ultimii 5 ani și ce corelație există cu venitul mediu și cu numărul de stații de încărcare?”
• „Care e diferența reală de durată a tratamentelor în spitalele de stat vs. private pentru aceleași afecțiuni, ajustând pe categorii de vârstă?”
• „Cât de bine prezic salariile medii anunțate în anunțurile de job-uri salariile efective declarate la ANAF în următoarele 12 luni?”

Diferența: o întrebare bună are un unghi, o ipoteză testabilă, un public care ar fi interesat de răspuns. O întrebare proastă e o re-prezentare a datelor deja vizibile pe site-ul oficial.

3. Replicare critică a unei analize publice

O categorie subapreciată. Iei un raport publicat de o instituție sau un articol de jurnalism de date și încerci să-l refaci. Pe parcurs, identifici metodologia, găsești zone unde alegerile autorilor sunt discutabile și produci propria analiză.

Asta arată trei lucruri unui hiring manager: gândire critică, atenție la metodologie, capacitatea de a citi documente tehnice și a le aplica. Exact competențele unui analyst mid-level.

Exemple posibile: replicarea unui raport INS pe inflație folosind datele brute, replicarea unei analize Recorder/Pressone cu propria interpretare, replicarea unui indicator BERD/BCE.

4. Tool sau script care economisește timp cuiva

Cea mai puțin „glamour” categorie, dar de departe cea mai apreciată de hiring managers tehnici. Un script Python care extrage automat date dintr-un sistem și le pune într-un Excel. Un macro VBA care reduce 30 de minute de muncă manuală la 30 de secunde. Un Power Automate flow care notifică pe Teams când un raport scade sub un prag.

De ce funcționează: arată că candidatul rezolvă probleme concrete, nu doar analizează. Și mai ales, arată că înțelege de unde vine valoarea într-un rol de analyst — din eliberarea de timp pentru muncă cu impact mare.

Ce să eviți cu orice preț

Anumite proiecte au devenit semnale negative. Le menționezi în portofoliu, ai dezavantaj.

Titanic dataset. A fost folosit în 70% din portofoliile de junior din 2018 încoace. Hiring managers au văzut atât de multe iterații încât e activ enervant.

Iris dataset. Similar. Plus, e un dataset de clasificare cu 150 de rânduri. Demonstrează zero capacitate de a lucra cu volume reale.

Predicții pe acțiuni / crypto cu rezultate spectaculoase. Toți recruiterii știu că modelele care „prezic” piețele financiare pe date istorice sunt fie supra-antrenate, fie naïve. Includerea unui astfel de proiect semnalează necunoaștere a metodologiei, nu competență.

Tutoriale finalizate fără modificări. Un dashboard făcut după un curs Maven Analytics, identic cu sutele de alte versiuni din același curs. Nu arată nimic nou despre tine ca persoană.

Proiecte cu titluri vagi: „Data Analysis Project”, „Final Project”, „Capstone”. Un titlu vag echivalează cu „nu știu ce am făcut acolo”.

Notebook-uri Jupyter cu 200 de celule, fără narațiune, fără structură, în care evident că ai testat diverse lucruri fără să le cureți după. Lipsa disciplinei de prezentare e un red flag major.

Structura unui portofoliu bun

Trei-cinci proiecte. Nu zece. Nu douăzeci. Calitatea bate cantitatea cu o ordine de mărime.

Fiecare proiect, în structura ideală, are:

• Un titlu descriptiv care comunică ce ai făcut și pentru cine
• Un README cu: contextul problemei, datele folosite, abordarea, principalele descoperiri, limitări și ce ai fi făcut diferit
• Codul (SQL, Python, R, M) curat, comentat, cu fișiere bine organizate
• Output-ul final accesibil: un screenshot al dashboard-ului, un raport PDF, un Looker Studio public, un Power BI publicat pe web
• O secțiune scurtă „Ce am învățat” — care arată reflexie, nu doar execuție

Hostingul recomandat: GitHub pentru cod (publice, cu README în Markdown bine structurat), Power BI Service / Tableau Public / Looker Studio pentru dashboard-uri vizibile. Pentru cineva care vrea un layer suplimentar de profesionalism, un site personal simplu (Notion publicat, Hugo pe Vercel, WordPress simplu) care agregă totul.

Stack-ul reflectat în portofoliu

În ianuarie 2027, stack-ul cerut în piața românească pentru roluri de data analyst arată cam așa:

• SQL — obligatoriu în 95% din anunțuri
• Power BI sau Tableau — obligatoriu în 80%
• Excel avansat (Power Query, PivotTable, formule complexe) — obligatoriu în 70%
• Python pentru data manipulation (pandas) — solicitat în 45%, în creștere
• Cunoștințe de AI tools (Copilot, agents) — solicitat în 30%, în creștere rapidă
• Statistici de bază — așteptat, rar explicit testat

Portofoliul ar trebui să acopere cel puțin SQL, un BI tool (Power BI sau Tableau) și Excel avansat. Python e plus mare. AI tools — un mare diferențiator în 2027.

Recomandare practică: dacă ai 3 proiecte, distribuie-le ca să acoperi 2-3 dintre aceste competențe. Un proiect care folosește SQL + Power BI + un strop de Python e mai impresionant decât trei proiecte separate pe fiecare.

Folosirea AI în portofoliu — sinceritate vs. ascundere

În 2027, toți candidații folosesc AI ca să accelereze munca. Toți recruiterii știu. Întrebarea care contează: ești sincer despre asta sau pretinzi că ai scris tot manual?

Recomandarea explicită: menționează unde și cum ai folosit AI în README. „Am folosit Claude pentru a accelera scrierea query-urilor SQL complexe, după care am verificat manual logica și am testat output-urile pe sample de 100.000 rânduri.” Asta arată maturitate. Cineva care ascunde că a folosit AI și apoi e descoperit la interviu (când nu poate explica o linie din propriul cod) pierde rolul instant.

Un portofoliu impresionant în 2027 nu e cel care evită AI, ci cel care arată că ai învățat să-l folosești cu disciplină — verificare, testare, înțelegere a output-ului.

Diferențe între ce caută companiile mari și startup-urile

Aceeași piață, profile diferite de cumpărător. Un candidat care vrea să maximizeze șansele își adaptează portofoliul în funcție de cine îl primește.

Companiile mari (corporate, multinaționale, bănci)

Ce caută:

• Rigurozitate metodologică — cum ai validat, ce ai documentat, cum ai gestionat versionarea
• Disciplină de stack — folosirea tool-urilor mainstream (Power BI, SQL Server, Tableau, Python) cu best practices
• Capacitatea de a lucra cu date sensibile, anonimizare, conformitate
• Comunicare formală — README-uri scrise impecabil, slide-uri pentru prezentări la stakeholderi
• Skill-uri soft documentate (lucrul în echipă, comunicare cu non-tehnici)

Pentru aceste roluri, un portofoliu cu 3 proiecte foarte îngrijite, fiecare cu README detaliat și prezentare structurată, bate un portofoliu cu 6 proiecte mai puțin curate.

Startup-urile și companiile mid-market

Ce caută:

• Hands-on bias — capacitatea de a livra rapid, fără supraveghere
• Versatilitate — un candidat care poate face SQL + Python + un strop de data viz + un pic de comunicare e mai valoros decât unul specializat strict
• Inițiativă — proiecte personale, contribuții open source, ceva ce arată că nu aștepți să primești task-uri
• Înțelegerea business-ului — proiecte care arată că te gândești la profit, costuri, ROI, nu doar la metrici tehnice

Pentru aceste roluri, un portofoliu cu un proiect end-to-end care arată impact direct (cu cifre concrete) e mai puternic decât trei proiecte tehnice impresionante dar fără context business.

Surse de date pentru proiecte solide

O întrebare repetată constant: „de unde iau date interesante?”. O listă pragmatică, ordonată după potențialul de a produce proiecte distinctive.

Date deschise locale — date.gov.ro pentru România, date.gov.md pentru Moldova, opendata.bucuresti.ro pentru Capitală. Conțin mai puține proiecte deja făcute decât dataset-urile globale. Întrebări de interes local au audiență locală — perfecte pentru un portofoliu adresat unui rol în România.

ANAF Open Data — bilanțuri firme, sancțiuni, contribuabili. Bază uriașă, multe proiecte posibile (cine plătește cele mai mari taxe pe sector, evoluția cifrei de afaceri în industria X, corelație între tip companie și viabilitate).

API-uri publice — date BNR, date Banca Mondială, Eurostat, OECD. Conțin volume mari, dar tot mai puțin „bătute” decât Kaggle-ul.

Web scraping etic — date publice extrase responsabil (anunțuri imobiliare, joburi, prețuri retail). Atenție la termenii de utilizare. Documentează clar metodologia.

Sondaje proprii — un mini-survey de 100-200 răspunsuri pe LinkedIn, analizat profesionist, e un proiect surprinzător de puternic. Arată inițiativă, capacitate de a colecta date, plus analiza propriu-zisă.

Date sportive / esports — multe API-uri publice (transfermarkt, FBref, Liquipedia). Datasetele sunt curate, dar dezavantajul: dacă jobul tău nu e în sport, hiring manager-ul vrea să vadă și un proiect business.

Profesionalismul „dincolo de portofoliu” care contează

Câteva elemente conexe care influențează puternic deciziile de hiring, dar pe care candidații le subestimează.

Profilul LinkedIn — actualizat, cu fotografie profesionistă, cu descriere clară a competențelor, cu linkuri către portofoliu. Recruiterii verifică LinkedIn-ul după ce primesc CV-ul, în 100% din cazuri. Un profil cu „Open to Work” + descrierea de 2 propoziții vagi semnalează lipsă de seriozitate.

Contribuții publice — un articol pe Medium / pe data-analist.com / pe propriul blog, despre ceva ce ai învățat. Nu zeci de articole — unul-două bine scrise. Demonstrează capacitatea de a sintetiza și comunica, care e fix ce vrea un manager într-un analyst senior.

Activitate pe LinkedIn — postări periodice (chiar 1-2 pe lună) despre proiecte sau observații tehnice. Arată că ești prezent în comunitate, nu doar un consumator pasiv.

Certificări selectate cu cap — în 2027, certificările care chiar contează sunt: Microsoft PL-300 (Power BI Data Analyst), Google Data Analytics Professional Certificate (mai mult pentru entry-level), Tableau Desktop Specialist sau Certified Data Analyst (pentru tool specific), Snowflake / Databricks pentru roluri de senior. Certificările random de Udemy în 2027 nu mai contează aproape deloc — au saturated piața.

Cum prezinți portofoliul la interviu

Etapa unde majoritatea candidaților pierd punctele câștigate prin CV bun.

Pregătire obligatorie: alege 1-2 proiecte din portofoliu pe care să le poți discuta 15-20 de minute fiecare. Trebuie să poți răspunde la:

• De ce ai ales acest proiect / această întrebare?
• Cum ai obținut datele și ce probleme de calitate ai întâmpinat?
• De ce ai ales acel tool / acea abordare și nu alta?
• Care a fost cea mai surprinzătoare descoperire?
• Ce ai fi făcut diferit dacă ai mai face o dată proiectul?
• Cum ai validat că rezultatele sunt corecte?

Lipsa unui răspuns convingător la întrebarea „cum ai validat” e probabil cel mai dăunător semnal posibil. Un candidat care nu poate explica cum a verificat propriile rezultate nu poate fi de încredere într-un rol unde greșeala costă bani.

Pregătește și o demo live. Deschide direct un proiect, arată cum se rulează, ce produce, unde sunt punctele dificile. Asta separă instantaneu candidații care chiar au făcut munca de cei care au copiat un proiect și au postat README-ul.

Storytelling cu date — diferențiatorul ascuns

Trei sferturi din portofolii arată cifre. Un sfert arată povești. Hiring managers caută al doilea sfert.

Diferența practică: un dashboard care arată „vânzări pe regiune” e o cifră. Un dashboard care arată „de ce zona de sud-est a crescut cu 32% în Q2, ce a cauzat, ce înseamnă pentru deciziile companiei” e o poveste.

Tehnici concrete care produc storytelling în portofoliu:

• Annotation pe vizualizări — săgeți și etichete care indică explicit ce să remarce cititorul
• Comparație cu așteptarea — nu doar „vânzări 142K”, ci „vânzări 142K vs. obiectiv 120K — depășire de 18%”
• Narațiune scrisă alături de vizuale — un text scurt (2-3 paragrafe) care contextualizează ce vezi în grafic
• Drill-down planificat — un flow vizual care urmărește o întrebare prin 3-4 nivele de detaliu, ducând la o concluzie
• Recomandări concrete — fiecare analiză se termină cu „pe baza acestor date, recomand X” — chiar dacă proiectul e personal

Un portofoliu care arată că poți spune o poveste cu date — nu doar să le procesezi — separă instantaneu candidatul de masa de juniori.

Erori comune chiar și la portofolii bune

Bazat pe interviuri tehnice făcute în 2026 pe poziții junior și mid:

README-uri care nu se actualizează. Codul a fost modificat, dar README-ul descrie versiunea veche. Semnal de neglijență.

Linkuri sparte. Dashboard-ul publicat acum doi ani, contul Power BI Service expirat, linkul către dataset mort. Probabil 1 din 4 portofolii are cel puțin un link spart la momentul interviului. Verifică lunar.

Proiecte abandonate la jumătate. Repository pe GitHub cu „TODO: add visualization” rămas de 6 luni. Semnal de lipsă de finalizare.

Code style inconsistent. Variabile cu nume diferite în convenții diferite, indentare neuniformă, comentarii într-un mix de limbi. Arată lipsă de atenție.

Spuneri pretențioase: „advanced machine learning analysis” pentru o regresie liniară simplă. Hiring managers detectează asta în 30 de secunde, iar candidatul pierde credibilitate.

Recomandare concretă pentru cineva care începe acum

Pentru cineva fără experiență de rol care vrea să se angajeze ca data analyst în următoarele 6-9 luni:

Luna 1-2: construiește un proiect end-to-end pe date publice cu o întrebare clară (categoria 2 de mai sus). SQL + Power BI sau Tableau. README serios. 30-40 de ore investite total.

Luna 3-4: găsește un context real (voluntariat ONG, proiect intern dacă ai un job adiacent, ajutor pentru o afacere de familie). Construiește un dashboard pentru ei. Cere feedback. Iterează. 25-30 de ore.

Luna 5: construiește un tool/script care economisește timp cuiva concret (categoria 4). Python sau Power Automate. Documentează unde și cât economisește. 15-20 de ore.

Luna 6: revizuiește toate cele trei proiecte. Verifică linkurile. Actualizează README-urile. Adaugă pe LinkedIn cu o postare scurtă despre ce ai învățat din fiecare.

În paralel, aplică continuu. Nu aștepta portofoliul „perfect” — un portofoliu bun + perseverență la aplicații depășește un portofoliu excelent + 6 luni de procrastinare.

Tema se leagă natural de discuția despre Data Analyst, unde am intrat în detaliu pe pattern-urile pe care le observăm în piață. Pentru actualizări și detalii suplimentare, LinkedIn Learning rămâne sursa principală pe acest subiect. În fond, portofoliu Data Analyst nu e doar un concept tehnic — este o decizie de business cu impact direct pe productivitatea echipei.

Outlook pentru 2027-2028

Pe 12-24 de luni, două tendințe vor schimba ce înseamnă un portofoliu bun.

Prima: integrarea AI tools va deveni așteptare standard. Un portofoliu în 2028 care nu arată că ai folosit conștient AI agents, prompt engineering, fine-tuning pe context propriu — va fi perceput ca outdated.

A doua: barieră de intrare pentru proiecte „mediocre” va crește. Pentru că AI face proiecte mediocre la viteza fulgerului, candidații care vor un rol decent vor trebui să investească în ceva ce AI încă nu face singur: contextul de business, judecata strategică, comunicarea narativă.

Concluzia pragmatică: un portofoliu data analyst în 2027 e mai puțin despre demonstrarea că „știi tool-uri” și mai mult despre demonstrarea că ai gândire de business susținută de execuție tehnică. Recruiterii buni au învățat să citească asta. Candidații care construiesc cu această intenție găsesc rol în 2-4 luni. Cei care încă mai postează Titanic + Iris în 2027 încă se vor mira, peste un an, de ce nu primesc răspunsuri la aplicații.

În practică, portofoliu Data Analyst a trecut de la subiect de roadmap la prioritate operațională pentru echipele care livrează rezultate de business — exact tipul de tracțiune pe care o vedem reflectată în deciziile reale de buget. Pentru cititorii care lucrează zilnic cu portofoliu Data Analyst, articolul rămâne deschis pentru update-uri pe măsură ce piața evoluează.

Întrebări frecvente

Ce caută de fapt un recruiter într-un portofoliu?

Trei semnale, într-un timp foarte scurt — un recruiter de tech trece prin 80-150 de CV-uri pe săptămână. Primul: candidatul a făcut ceva real. Al doilea: candidatul poate comunica. Al treilea: candidatul cunoaște stack-ul cerut în anunț. Tot ce nu confirmă aceste trei semnale e zgomot.

Ce fel de proiect are cel mai mare impact?

Unul cu date reale dintr-o companie reală, descris prin rezultat, nu prin tehnologie: „am redus timpul de refresh al raportului săptămânal de la 22 de minute la 90 de secunde prin optimizarea query-urilor SQL”. Dacă datele sunt confidențiale, le anonimizezi și scrii clar în README că ai făcut asta. Pentru cine nu lucrează încă în domeniu, varianta apropiată e voluntariatul pentru ONG-uri locale care chiar au nevoie de raportare.

Ce întrebări de proiect să evit?

Cele analizate deja de mii de oameni: evoluția PIB-ului României în ultimii 20 de ani, analiza pieței muncii, trendurile demografice. O întrebare bună cere muncă reală de analist și are un unghi propriu, nu un set de date pe care l-a mai folosit toată lumea.