Ansøgning dataanalytiker — eksempel & skabelon
En stærk dataanalytiker-ansøgning viser tre ting: at du kan skrive præcis SQL, at du kan kommunikere indsigter til ikke-tekniske interessenter, og at du har leveret analyser, der ændrede en beslutning. Her er et færdigt eksempel skrevet til det danske dataanalyse-miljø — fra Novo Nordisk til Trustpilot.
Ansøgning som dataanalytiker — færdigt eksempel
Brug dette eksempel som udgangspunkt. Tilpas virksomhed, konkrete erfaringer og dine egne resultater.
Til Trustpilot · att. Julie Vinther, Analytics Manager, Growth
Ansøgning: Senior Data Analyst, Growth Team
Jeres opslag om en Senior Data Analyst til Growth-teamet fangede mig, fordi I leder efter præcis det, jeg har arbejdet med i fire år: at forvandle produktevents til beslutninger, der flytter konverteringsraten. Hos Matas Digital har jeg ejet vores conversion funnel-analyse og leveret 14 A/B-test-analyser i 2025 alene.
Min daglige stack: SQL (Snowflake, dbt Core), Python (pandas, statsmodels) og Tableau til produktionsdashboards. Jeg bygger modellerne i dbt med tests og dokumentation — min seneste repo har 124 models og 847 tests, alle grønne i CI. Jeg har erfaring med eksperiment-design (power-beregning, MDE, primære metrics-hierarki) og Bayesian A/B-analyse via PyMC.
Min tungeste analyse i 2025: jeg bidrog til en re-pricing-analyse, der ledte til 2,8 mio. kr. i ekstra månedlig omsætning. Jeg skrev det fulde eksperiment-design, analyserede effekten med difference-in-differences og præsenterede for direktionen. Dokumentet ligger i vores interne wiki og bruges stadig som referencepunkt.
Det, der tiltrækker mig ved Trustpilot, er domænet: ratings-data, forbruger-adfærd og et eksperimenterings-drevet produktteam. Jeg er certificeret i Tableau Desktop Specialist og har gennemført dbt Fundamentals. Jeg står til rådighed for en case-analyse i uge 18 og kan tiltræde efter tre måneders opsigelse.
Med venlig hilsen
Anne-Sofie Bjerregaard
Senior Data Analyst · SQL, Python, Tableau, dbt
Ansøgninger til forskellige situationer
Uopfordret, karriereskifte eller nyuddannet — tilpas din tilgang til konteksten.
Til Pleo · att. Frederik Lund, Data Lead
Ansøgning: Data Analyst — nyuddannet cand.scient.stat.
Jeg blev cand.scient.stat. fra Københavns Universitet i januar 2026 med speciale i kausal inferens — konkret om LATE-estimater i marketingeksperimenter. Jeres opslag om en Data Analyst hos Pleo er det første, jeg ansøger på, fordi domænet (B2B fintech, produktdata) matcher min metodekasse præcist.
Gennem mit studiejob hos Implement Consulting Group (14 måneder, 15 timer om ugen) har jeg leveret dashboards i Power BI for to kunder inden for detailhandel. Jeg har solid SQL-erfaring (PostgreSQL, BigQuery), Python (pandas, scikit-learn, statsmodels) og R. Mit speciale blev bedømt 12 og bruger dbt til ETL — link: github.com/mariekwist/master-thesis-pipeline.
Jeg har Tableau Desktop Specialist og gennemfører dbt Fundamentals om to uger. Jeg ved, at nyuddannet betyder at bygge videre fra bunden, og jeg er nysgerrig og tålmodig. Kan tiltræde per 1. juni.
Med venlig hilsen
Marie Kwist Holm
cand.scient.stat. (KU, 2026) · SQL, Python, Tableau
Til Lunar · att. Thomas Østergaard, Head of Data
Ansøgning: Product Analyst
Efter fem år som BI-udvikler hos Jyske Bank søger jeg skifte til en produkt-drevet analyst-rolle. Jeres opslag om en Product Analyst matcher præcis den type arbejde, jeg vil fordybe mig i: at arbejde tæt med produktejere og designe eksperimenter, ikke kun levere rapporter.
Hos Jyske Bank har jeg ejet regulatorisk rapportering (CRR2, Basel III) og built i Qlik Sense og Power BI. Jeg er flydende i SQL (Oracle og Snowflake) og har de sidste to år arbejdet dybt i dbt for at modernisere vores data-lag. Min dbt-repo har 230 models og 1.100 tests.
Jeg har taget kurser i eksperiment-design gennem CausalML.io og kender det metodiske håndværk omkring A/B-test fra både statistik- og produktside. Jeg er klar på at gå fra BI til produkt-analyse og bidrage med den disciplin, finans har lært mig.
Med venlig hilsen
Peter Riisager
BI Developer → Product Analyst · SQL, dbt, Power BI
Stærke indledninger — byt dem ud
Den første sætning afgør, om din ansøgning bliver læst. Her er 8 indledninger der virker for dataanalytiker-stillinger.
Formuleringer der virker i analyst-ansøgninger
Klippeklare sætninger til SQL, eksperimenter og stakeholder-arbejde.
Gør og undgå i analyst-ansøgningen
Vis konkret analyse-impact
Tal om beslutninger din analyse førte til — ikke rapporter du har lavet. "Analysen ledte til at vi stoppede feature X" er stærkere end "jeg har bygget 30 dashboards".
Nævn metode-kasse
A/B-test, difference-in-differences, cohort-analyse, retention-modellering. Gode analysts er metodebevidste. Nævn konkret hvad du mestrer.
Fremhæv stakeholder-arbejde
Halvdelen af jobbet er at oversætte mellem produkt, forretning og data. Vis at du kan det — med et konkret eksempel.
Undgå "jeg er datadreven"
Alle skriver det. Vis det i stedet med en konkret datadreven beslutning, du har drevet igennem.
Skriv ikke alle værktøjer du har rørt
En liste på 18 værktøjer virker useriøs. Fokuser på 3-5 primære (SQL, Python/R, Tableau/Power BI, dbt) og nævn hvad du mestrer.
Undgå at oversælge ML-erfaring
Analyst-rollen er ikke ML engineer. Hvis du ikke har bygget en model i produktion, så skriv det ikke. "Har brugt scikit-learn eksperimentelt" er fint.
FAQ: Ansøgning som dataanalytiker
Det afhænger af branchen. Microsoft-tunge virksomheder (dansk industri, offentlig sektor) bruger typisk Power BI. Tech-virksomheder og scale-ups (Pleo, Lunar, Trustpilot) bruger oftere Tableau eller Looker. Begge er solide valg — vælg den, din målbranche bruger.
For data-analyst-roller hos tech-virksomheder: ja, tæt på. For klassisk BI i enterprise: nyttig men ikke altid krævet. dbt Fundamentals (gratis) er hurtig at tage og gør dig umiddelbart mere attraktiv.
Meget stærkt. Seniors skal kunne optimere komplekse queries (window functions, CTEs, indexes), debugge performance-problemer og designe et semantic layer. Live SQL-test er standard på interviews hos Pleo, Lunar, Trustpilot.
Python vinder i produkt-analyse og tech. R er stærkt i akademia og biostatistik. Hvis du skal vælge én for 2026: Python. Men R er fortsat stærkt i Novo Nordisk, Lundbeck og life sciences generelt.
På juniorniveau: A/B-test grundlag. På seniorniveau: difference-in-differences, instrumental variables og propensity score matching. Kursusværktøjer: CausalML.io, Scott Cunninghams Mixtape, Brady Neals forelæsninger.
Ja, men det kræver at du viser produkt-sensibilitet og stakeholder-arbejde, ikke kun rapport-bygning. dbt- og eksperiment-erfaring accelererer skiftet markant.
Grundlæggende ja — du skal kunne skrive robuste dbt-models, forstå incremental logic og debugge pipelines. Fuld data engineering (Airflow, Kafka, streaming) er ikke krævet.
Ansøgninger til lignende stillinger
SQL-dybde, churn-model, dashboard-impact — vis dine analyser
Tilpas eksemplet med dine analyse-cases og forretningsresultater. Se også CV-eksempel og løndata for dataanalytikere.