Acum cinci ani, roadmap-ul unui data analyst era previzibil. Excel, SQL, Power BI sau Tableau, eventual Python la nivel de bază, niște cursuri de business analytics, un Power BI Certification, după trei ani aplici pentru senior. Astăzi, la finalul lui martie 2027, schemele acelea sună naive. Nu pentru că ar fi greșite, ci pentru că definiția rolului s-a schimbat.

Roadmap data analyst 2027 nu mai înseamnă o listă de cursuri și certificări de bifat. Înseamnă o decizie strategică despre tipul de analist pe care vrei să-l devii într-o piață în care AI-ul a redus drastic valoarea sarcinilor mecanice și a crescut, paradoxal, valoarea celor umane.

Articolul de față pornește de la ce s-a întâmplat realmente în piață între 2025 și 2027, nu de la ce promiteau articolele de hype în 2023.

Roadmap data analyst: ce s-a schimbat între 2025 și 2027

Adevărul, observat pe sute de echipe de analytics din regiune în ultimii doi ani, e mai nuanțat decât narațiunea de pe LinkedIn.

Sarcinile mecanice de extragere a datelor și formatare au scăzut între 30 și 50% din timpul săptămânal al unui analist mediu. Generarea inițială de query-uri SQL, scrierea de formule Excel non-triviale, construirea unei prime versiuni de dashboard – toate sunt accelerate dramatic de Copilot in Power BI, ChatGPT, Claude și alte tool-uri AI.

Sarcinile interpretative și de comunicare au crescut proporțional. Analiștii petrec mai mult timp validând rezultatele generate de AI, explicând context business stakeholderilor și luând decizii despre ce nu să raporteze. Asta e o veste bună pentru cei care vor să rămână relevanți. E o veste mai puțin bună pentru cei care preferau să stea ascunși în spatele cifrelor.

Apoi, ceea ce poate că e cea mai puțin discutată schimbare: roluri junior pure de data analyst au devenit mai rare. Companiile angajează fie absolvenți cu skill-uri foarte puternice (SQL avansat, Python, BI), fie deloc – lăsând task-urile simple pe seama analiștilor mid-level care folosesc AI ca multiplicator. Piața s-a polarizat.

Trei profiluri de analist în 2027

Roadmap-ul corect depinde de unde vrei să ajungi. La nivelul anului 2027, trei profiluri distincte se conturează clar.

Business analyst tradițional, augmentat AI. Lucrează cu echipele de business, traduce întrebări în analize, livrează rapoarte și recomandări. Folosește AI ca accelerator, dar valoarea principală e înțelegerea businessului. Salariu mediu în România la senior level: 18.000-30.000 lei net per lună. Saturat ca piață, dar stabil.

Pe de altă parte, analytics engineer. Profilul a explodat ca relevanță între 2023 și 2027. Construiește pipeline-uri, gestionează modele de date, scrie cod în SQL și Python, lucrează cu dbt, Airflow, Snowflake sau Databricks. E hibrid între data engineer și analist. Salariu mediu senior: 25.000-45.000 lei net. Cerere puternică, deficit cronic de candidați competenți.

Apoi AI-augmented data scientist sau decision scientist. Profilul care folosește AI generativ ca tool central, lucrează cu modele atât statistice cât și LLM, livrează produse data (nu doar rapoarte). Salariu senior: 30.000-55.000 lei net. Piața e mică, dar premium.

Fiecare profil are roadmap diferit. A le confunda e cea mai frecventă greșeală de carieră pe care o vedem.

Skill-uri care au câștigat relevanță între 2025 și 2027

Cinci competențe s-au mutat ferm de la „nice to have” la „obligatoriu” pentru orice analist senior.

SQL avansat – nu cel de tutorial. Window functions, recursive CTEs, optimizare pe baza planului de execuție, query patterns pentru data warehouse-uri columnar. Un analist senior care nu poate scrie un query de 80 de linii cu trei CTE-uri și logică temporală complexă e dezavantajat structural în 2027.

Python la nivel de productivitate reală. Nu „am făcut un curs de pandas”. Capacitatea de a scrie un script de 200 de linii care procesează un set de date, generează un raport, îl trimite pe email și se rulează programat – asta e nivelul de bază pentru un mid-level în 2027. Polars a înlocuit pandas în multe echipe moderne, dar fluența cu unul sau altul rămâne diferențiatorul.

Înțelegerea arhitecturilor de date moderne. Un analist senior trebuie să poată discuta diferențele între Snowflake și Databricks, să înțeleagă conceptul de lakehouse, să știe ce e dbt și de ce contează, să poată proiecta un star schema decent. Fără asta, nu poți avea conversații cu echipa de data engineering.

Prompt engineering aplicat în analytics. Nu cursurile de „cum vorbești cu ChatGPT”, ci capacitatea de a structura un prompt astfel încât să obții cod SQL corect, sumarizări utile, sau analize care nu halucinează. E un skill subtil care diferențiază pe cei care folosesc AI eficient de cei care îl folosesc anxios.

Comunicare către non-tehnici. Sarcina cea mai abandonată de tool-uri AI. Capacitatea de a sta într-o ședință cu directori, de a explica de ce o cifră contează și ce înseamnă pentru deciziile lor – asta a devenit cel mai important diferențiator senior versus mid.

Skill-uri care și-au pierdut din relevanță

Tot atât de important e ce nu mai merită investiție majoră.

Memorizarea funcțiilor avansate Excel. Cine știe să le caute și să le compună cu ajutorul AI rezolvă același lucru în 30 de secunde. Skill rămâne util, dar nu mai e diferențiator.

Tableau pentru cariere noi. Pe segmentul mid-market din Europa Centrală și de Est, Tableau a pierdut momentum semnificativ după 2023. Pentru un analist tânăr, investiția într-o certificare Tableau e mai puțin rentabilă decât una în Power BI sau în Looker.

SAS, SPSS, statistical packages clasice. Cu excepția industriilor reglementate (farma, asigurări mari), aceste tool-uri sunt în declin profesional. Python plus librării statistice acoperă același teritoriu cu deschidere mai mare.

Vizualizare avansată ca scop în sine. D3.js, vizualizări custom complicate – rămân relevante pentru roluri de data journalism sau pentru produse data-driven externe. Pentru analytics intern, simplicitatea Power BI sau Looker bate eleganța tehnică.

Roadmap concret: anul 1 (junior, 0-18 luni experiență)

Pentru cineva care intră în piață sau care abia a terminat o tranziție către data analytics, prioritățile primelor 18 luni sunt clare.

Stăpânirea SQL la nivel solid mid-level. Asta include JOIN-uri complexe, agregări cu window functions, CTE-uri, subqueries, optimizare de bază. Resurse: documentația PostgreSQL și SQL Server, problemele de pe site-uri ca DataLemur sau LeetCode pentru SQL practic.

Excel + Power Query până la nivel avansat. Pivot Tables, formule moderne (XLOOKUP, FILTER, LET), Power Query pentru transformări. La sfârșitul primului an, ar trebui să poți construi un raport Excel complex (cu dashboard interactiv) într-o oră.

Power BI de la zero la PL-300 (Microsoft Certified: Power BI Data Analyst Associate). Certificarea în sine valorează mai puțin decât procesul de pregătire. Cunoștințele DAX intermediar, design de model semantic, publicare în serviciu.

Python introductiv. Manipularea cu pandas sau Polars, citirea de fișiere, automatizarea de task-uri simple. Nu data science avansat, ci utilitate zilnică.

Două proiecte personale postate public pe GitHub. Unul în Power BI (cu datele publice), unul în Python. Recruiterii din 2027 verifică explicit existența unui portofoliu public pentru juniori.

Roadmap concret: anii 2-3 (mid-level)

Tranziția de la junior la mid este momentul în care alegi profilul de specializare. Dar înainte de specializare, există un strat comun.

SQL avansat real – capacitatea de a optimiza un query lent, de a citi un plan de execuție, de a înțelege diferența între un index B-tree și unul hash. Fără asta, nu poți fi senior.

DAX la nivel intermediar-avansat pentru profilul BI. Înțelegerea contextelor de filtrare, time intelligence, calculation groups, optimizarea modelelor pentru performanță. Pe Power BI, DAX-ul e diferențiatorul senior.

Sau Python aplicat pentru profilul analytics engineer. Scrierea de pipeline-uri ETL, integrarea cu API-uri, gestionarea programatică a transformărilor. Bibliotecile cheie: Polars, requests, sqlalchemy, plus suite-ul de orchestrare (Airflow sau Prefect).

Înțelegerea unui data warehouse modern. Snowflake sau BigQuery sau Databricks – una dintre cele trei în detaliu. Inclusiv cost optimization, security model, advanced features. Asta e diferența între analist care folosește warehouse-ul și analist care îl înțelege.

Începutul lucrului cu Git și cu code review. Chiar dacă scrii doar SQL și Power BI, lucrul în versiune și colaborarea pe cod e ce te scoate din zona „individual contributor pe rapoarte” în zona „membru al unei echipe profesionale”.

Roadmap concret: anii 4-7 (senior și principal)

După patru ani de experiență reală, diferențiatorul nu mai e tehnic. Toți senior data analyst-ii buni știu SQL, Python, un tool BI și un warehouse. Ce diferențiază e altceva.

Capacitatea de a defini o problemă de business înainte de a o rezolva. Mulți seniori sar la implementare. Cei care iau salariile mari întreabă întâi „de ce ne uităm la asta?” și „ce decizie va schimba răspunsul?”.

Mentorat asupra junior-ilor. Nu doar tehnic – mai ales asupra cum se gândește o problemă. Multe echipe au descoperit că senior-ul cu cel mai mare ROI e nu cel mai rapid în SQL, ci cel care construiește o echipă unde junior-ii devin mid-level în 2 ani în loc de 4.

Influențarea unei strategii de date la nivel de companie. Participarea la deciziile despre arhitectură, guvernanță, alegerea tool-urilor. Senior care nu participă la astfel de decizii rămâne tehnic, dar își limitează creșterea de salariu.

Pentru analytics engineer-i seniori, design de sisteme. Capacitatea de a proiecta un data model de la zero pentru o organizație, de a planifica o migrare între platforme, de a anticipa scaling issues. Asta e zona unde rolurile încep să se confunde cu data architecture.

Certificări – care valorează ceva în 2027

Inflația de certificări din 2023-2025 a redus valoarea cuvântului „certificat”. Câteva rămân utile.

Microsoft PL-300 (Power BI Data Analyst) – pentru juniori, încă util ca semnal de competență de bază. Pentru mid sau senior, nu mai impresionează pe nimeni.

Microsoft DP-600 (Fabric Analytics Engineer) – certificarea introdusă în 2024 pentru ecosistemul Fabric. La 2027, e cea mai relevantă din portofoliul Microsoft pentru analytics engineer-i.

Snowflake SnowPro Core și SnowPro Advanced – utile pentru cariere ancorate în Snowflake. Avansat-ul e respectat în piață.

Databricks Lakehouse Fundamentals și Data Engineer Associate – utile pentru tranziția spre lakehouse architecture.

dbt Analytics Engineering Certificate – relativ nou, valoros pentru cine vrea să se poziționeze ca analytics engineer.

Restul (Tableau Certified, Google Data Analytics Certificate, IBM Data Science, etc.) – utile pentru entry level, ignorabile mai sus.

Trei căi de carieră, trei outcome-uri salariale

Pentru claritate, iată cum se mapează cele trei profiluri pe traiectorii reale observate în piața românească la 2027.

Business analyst senior într-o multinațională sau companie mare locală: 18.000-28.000 lei net per lună la 5-7 ani experiență. Plafon natural undeva la 35.000 lei pentru rol senior sau lead. Stabilitate ridicată, presiune moderată.

Analytics engineer senior într-o companie tech sau consultanță: 25.000-40.000 lei net la 5-7 ani experiență. Plafon mai înalt, până la 50.000+ pentru roluri staff sau principal. Presiune tehnică ridicată.

AI-augmented data professional sau decision scientist: piața e mică în România, dar pentru cei care lucrează remote pentru companii din Vestul Europei sau US, salarii echivalent 4.000-8.000 euro per lună la senior. Cerere internațională puternică.

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, Anthropic rămâne sursa principală pe acest subiect. În fond, roadmap Data Analyst nu e doar un concept tehnic — este o decizie de business cu impact direct pe productivitatea echipei.

Direcția pentru următoarele 18 luni

Privind înainte spre sfârșitul lui 2027 și 2028, două schimbări sunt deja vizibile.

Prima: agenții AI specializați pentru analytics se vor maturiza. Capacitatea de a delega task-uri întregi (nu doar bucăți de cod) unui agent care înțelege contextul business va schimba din nou ce înseamnă productivitatea unui analist. Profilurile care vor câștiga sunt cele care orchestrează agenți, nu cele care concurează cu ei pe scrierea de query-uri.

A doua: presiunea pe rolurile junior va continua. Companiile vor angaja mai puțini juniori, dar îi vor plăti mai bine pe cei calificați. Pentru cineva care intră în piață în 2027, investiția într-un portofoliu solid public și în skill-uri verificabile e mai importantă ca niciodată.

Roadmap-ul tău depinde de unde ești acum și de unde vrei să fii peste trei ani. Dar oricare ar fi punctul de plecare, două principii rămân valabile: alege un profil clar și nu te răspândi pe toate, și investește în skill-uri care rezistă inflației AI – SQL solid, înțelegerea businessului, comunicare către non-tehnici. Acestea trei sunt evergreen.

Restul vine peste.

În practică, roadmap 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 roadmap Data Analyst, articolul rămâne deschis pentru update-uri pe măsură ce piața evoluează.

Întrebări frecvente

Cât din munca unui analist s-a schimbat între 2025 și 2027?

Sarcinile mecanice de extragere și formatare a datelor au scăzut cu 30-50% din timpul săptămânal al unui analist mediu, iar sarcinile interpretative și de comunicare au crescut proporțional. Cea mai puțin discutată schimbare: rolurile junior pure de data analyst au devenit mai rare.

Ce skill-uri au devenit obligatorii?

Cinci s-au mutat ferm de la „nice to have” la obligatoriu pentru orice analist senior: SQL avansat — nu cel de tutorial, Python la nivel de productivitate reală, înțelegerea arhitecturilor de date moderne, prompt engineering aplicat în analytics și comunicarea către non-tehnici.

În ce nu mai merită să investesc?

În memorarea funcțiilor avansate din Excel, în Tableau pentru cariere noi, în pachetele statistice clasice precum SAS și SPSS, și în vizualizarea avansată ca scop în sine.