Overblik: Hvad skal et Data Scientist-CV kunne?
Et stærkt Data Scientist-CV skal på få sekunder vise, hvilke typer problemer du kan løse, hvilke værktøjer og metoder du bruger, og hvilke konkrete resultater du har skabt. Den mest effektive struktur er en kort profiltekst, relevant erfaring, 2 – 6 nøje udvalgte projekter, et fokuseret kompetenceafsnit, uddannelse og evt. portfolio/GitHub – alt sammen i et enkelt, ATS-venligt layout.
Du behøver ikke et perfekt design. Du har brug for et CV, der gør det nemt for både ansættelseschef og Applicant Tracking System (ATS) at se:
- hvad du kan teknisk
- hvordan du arbejder med data i praksis
- hvordan det skaber værdi for forretningen.
Eksempel: Dansk CV-struktur til Data Scientist
Et typisk dansk Data Scientist-CV er 1 – 2 sider (op til 3 ved lang erfaring) og bygget i omvendt kronologi. En effektiv struktur kan se sådan ud:
- Kontaktoplysninger (navn, telefon, mail, LinkedIn, evt. GitHub/portfolio)
- Profiltekst / resumé (3 – 5 linjer)
- Erhvervserfaring (jobs + 3 – 5 resultat-bullets per stilling)
- Udvalgte projekter (særligt vigtigt, hvis du er ny i faget eller har projektbaseret erfaring)
- Kompetencer og værktøjer (grupperet, ikke bare en lang liste)
- Uddannelse (inkl. relevante kurser og certificeringer)
- Sprog (og evt. andre relevante forhold som frivilligt arbejde)
- Portfolio (GitHub, Kaggle eller egen side, hvis det faktisk viser noget brugbart)
Har du brug for hjælp til selve layoutet, kan du kombinere denne struktur med en af vores gratis CV-skabeloner på dansk.
Rolleafgrænsning: Data Scientist vs. Data Analyst vs. ML Engineer
Dit CV bliver stærkere, når titlen matcher din faktiske profil. Mange skriver “Data Scientist”, selv om rollen – og jobopslagene – reelt er mere analytiske eller mere engineering-tunge. Det gør CV’et uklart og svækker jobmatch.
Som tommelfingerregel:
| Rolle | Primært fokus | Typiske projekter | Værktøjer / signaler |
|---|---|---|---|
| Data Scientist | Modellering, eksperimenter og forudsigelser | Churn-/risikomodeller, forecasting, anbefalingsmodeller, eksperimenter/A/B-test | Python, SQL, pandas, scikit-learn, statistik, ML, eksperimentdesign |
| Data Analyst | Indsigter og beslutningsstøtte | Dashboards, ad hoc-analyser, performance-rapportering | SQL, Power BI/Tableau, forretningsforståelse, visualisering |
| Machine Learning Engineer | Drift, skalerbarhed og pipelines | ML i produktion, pipelines, modeldeploy, monitoring | Python, ML-frameworks (TensorFlow/PyTorch), API’er, Airflow, cloud |
Matcher din erfaring mere det analytiske arbejde, kan det være klogt også at se på et CV-eksempel til dataanalytiker og justere, om du skal sigte mere mod Data Analyst eller en hybrid-titel.
Profiltekst: Sådan skriver du et skarpt Data Scientist-resumé
En stærk Data Scientist-profiltekst skal på 3 – 5 linjer svare på: hvilken type data-problemer du løser, hvilke metoder og værktøjer du arbejder med, og hvilken effekt du typisk skaber. Drop fyldord som “engageret” og “teamplayer”, og brug pladsen på det, der faktisk differentierer dig.
En enkel formel til profiltekst
Du kan bruge denne 4-ledede skabelon:
- Rolle + erfaring: “Data Scientist med X års erfaring / nyuddannet med erfaring fra …”
- Metoder + værktøjer: “arbejder især med Python, SQL, statistisk modellering og …”
- Forretningsværdi: “hjælper [type virksomhed] med at [relevant effekt: reducere churn, optimere kampagner, forbedre forecast osv.]”
- Retning / mål: “søger en rolle, hvor jeg kan [f.eks. bygge modeller tæt på forretningen / tage ansvar for hele ML-livscyklussen].”
Eksempel – nyuddannet Data Scientist
“Nyuddannet Data Scientist med stærk baggrund i statistik og machine learning fra [uddannelse]. Har arbejdet med Python, SQL, pandas og scikit-learn på projekter om churn-prediktion og salgsforecasting i samarbejde med virksomheder. Motiveres af at omsætte komplekse data til løsninger, der kan ses på bundlinjen. Søger en juniorrolle, hvor jeg kan udvikle modeller og dashboards i tæt dialog med forretningen.”
Eksempel – erfaren Data Scientist
“Data Scientist med 4+ års erfaring fra finans og subscription-forretninger, hvor jeg har udviklet og implementeret churn- og risikomodeller i Python og SQL. Vant til at arbejde med stakeholder management, A/B-tests og dashboards til ledelsen, så modellerne omsættes til konkrete beslutninger. Søger en rolle, hvor jeg kan kombinere modellering med ansvar for data roadmap og eksperimentdesign.”
Eksempel – senior / lead
“Senior Data Scientist med 7+ års erfaring i at bygge og skalere data science-løsninger i større organisationer. Har ledet mindre teams, sat standarder for feature engineering og modelmonitorering og samarbejdet tæt med produkt og forretning om at prioritere use cases. Stærk i Python, SQL, cloud data warehouses og ML-frameworks. Søger en rolle som lead eller specialist, hvor jeg både kan drive teknisk retning og udvikle andre.”
Hvilke projekter skal med i et Data Scientist-CV?
De bedste projekter til et Data Scientist-CV er dem, der viser et konkret problem, en tydelig metode og et dokumenteret resultat. Vælg projekter, hvor du kan forklare data, model, validering og effekt på en enkel måde – uden at afsløre fortrolige detaljer.
Beslutningsmodel: Sådan vælger du projekter
Brug disse kriterier, når du udvælger projekter:
- Relevans for jobtypen: Ligner projektet de opgaver, der står i jobopslaget?
- Problemtydelighed: Kan du beskrive problemet på én sætning, som en ikke-tekniker forstår?
- Metode: Er der brugt en metode, der siger noget om dit niveau (f.eks. ML, forecasting, A/B-test, NLP)?
- Data og kompleksitet: Viser projektet, at du kan arbejde med “rigtige” data (størrelse, støj, flere kilder)?
- Validering: Har du målt modelperformance eller effekt på en troværdig måde?
- Din rolle: Kan du tydeligt forklare, hvad du selv stod for?
Gode projekttyper til Data Scientist-CV
| Projekttype | Hvad det viser | Eksempler |
|---|---|---|
| Churn-/risikomodeller | ML, klassifikation, forretningsværdi | Model, der forudsiger kundeafgang eller kreditrisiko |
| Forecasting | Tidsrækker, planlægning | Forecast af salg, efterspørgsel eller belægning |
| A/B-tests / eksperimenter | Eksperimentdesign, statistisk signifikans | Test af ny feature, prisstruktur eller kampagne |
| NLP / tekst | Avancerede metoder, unstructured data | Sentimentanalyse, klassifikation af supporttickets |
| Dashboards + rapportering | Visualisering, stakeholder-fokus | Power BI/Tableau-dashboards til ledelse eller drift |
| Data pipelines | Robusthed, performance, samarbejde med data engineers | ETL/ELT-pipelines, der samler data fra flere kilder |
Studie- og hobbyprojekter
Er du ny i faget, kan du roligt bruge studieprojekter, speciale, praktik og seriøse Kaggle/GitHub-projekter – så længe du beskriver dem som erfaring og ikke som skoleopgaver:
- Brug samme struktur som for jobprojekter (problem → metode → resultat).
- Skriv virksomhedens navn, hvis det var et samarbejde, ellers “case-projekt” og kort kontekst.
- Link til GitHub eller notebook, hvis de er gennemarbejdede og dokumenterede.
Fra model til CV-bullet: Den enkle formel
En stærk CV-bullet skal fortælle, hvad du gjorde, hvordan du gjorde det, og hvilken effekt det havde. En praktisk formel er:
Handling + metode + data + resultat
Evt. med ansvar/rolle flettet ind, hvis det er vigtigt.
Skabelon
“[Udviklede/byggede/optimerede] [model/pipeline/dashboard] i [værktøj/metode] på [datatyper/kilder], hvilket [konkret effekt/resultat] (målt ved [relevant metric]).”
Eksempler – før og efter
Svag bullet: “Arbejdede med churn-modeller i Python.”
Stærk bullet: “Udviklede en churn-prædiktionsmodel i Python (scikit-learn) på kundedata fra CRM og fakturering, der identificerede de 20 % mest churn-udsatte kunder med høj precision og blev brugt i retention-kampagner.”
Svag bullet: “Lavede dashboards til ledelsen.”
Stærk bullet: “Designede og implementerede Power BI-dashboards til 60+ brugere i salg og ledelse, som samlede pipeline-, kampagne- og churn-nøgletal og reducerede behovet for ad hoc-rapportbestillinger.”
Svag bullet: “Optimerede SQL-forespørgsler.”
Stærk bullet: “Optimerede tunge SQL-forespørgsler i en central ETL-proces, så køretiden faldt fra ca. 40 til 8 minutter, og daglige rapporter kunne leveres før kl. 9.”
Hvilke metrics giver mening?
Brug metrics, der matcher problemet i stedet for altid bare accuracy:
| Projektmål | Relevante metrics |
|---|---|
| Klassifikation (f.eks. churn, fraud) | Precision, recall, F1-score, ROC-AUC |
| Regression / forecasting | MAE, RMSE, MAPE |
| A/B-test | Lift, konverteringsrate, statistisk signifikans (p-værdi, konfidensinterval) |
| Performance / pipelines | Køretid, fejlrater, oppetid, antal brugere |
Hvis du ikke har præcise tal, kan du bruge kvalificerede formuleringer som “ca.” eller “omkring” og fokusere mere på retning (“reducerede behandlingstiden væsentligt”) end på kunstigt præcise tal.
Hvilke værktøjer og kompetencer skal du nævne?
En Data Scientist skal ikke nævne alle værktøjer, man nogensinde har set. Vælg dem, du faktisk kan demonstrere ved en samtale, og som er relevante for den type jobs, du søger. Det er bedre at nævne færre ting stærkt end en endeløs liste.
Gruppér i kompetenceområder
En klar opdeling kan se sådan ud:
- Sprog og core tools: Python, SQL, evt. R
- Data manipulation: pandas, NumPy
- Modellering og ML: scikit-learn, evt. TensorFlow/PyTorch, grundlæggende statistik
- Visualisering og BI: Power BI, Tableau, Looker
- Data engineering / pipelines: dbt, Airflow, ETL/ELT, BigQuery, Snowflake, Redshift
- Arbejdsmåde: eksperimentdesign, stakeholder management, præsentation af resultater
Prioritér efter niveau
- Junior / nyuddannet: fokus på Python, SQL, pandas, scikit-learn, statistik, 2 – 3 konkrete projekter og evne til at forklare løsninger for ikke-teknikere.
- Erfaren: ovenstående plus konkrete ML-use cases, eksperimenter, dashboards, samarbejde med produkt/forretning, måske lidt data engineering.
- Senior / lead: teknisk dybde og ansvar: teknisk retning, mentoring, prioritering af use cases, måske team- eller projektledelse. Hvis du har meget ledelse, kan du også hente inspiration i måden, resultater formuleres på i f.eks. CV-eksempel til økonomichef.
Kompetencestyret eller kronologisk CV – hvad passer til dig?
De fleste Data Scientist-profiler fungerer bedst i et klassisk kronologisk CV, hvor erfaring og projekter står under de relevante jobs. Men er du nyuddannet, karriereskifter eller har korte/fragmenterede forløb, kan et kompetencestyret CV være et stærkt valg, fordi det starter med, hvad du kan – ikke hvor du har været ansat.
Enkel beslutningsguide
- Nyuddannet uden meget joberfaring: Overvej kompetencestyret CV. Start med profiltekst, derefter “Udvalgte data science-projekter” og et kompetenceafsnit. Placér studiejob og praktik længere nede.
- Karriereskifte til data science: Brug en blanding. Start med profil + relevante projekter og kompetencer, og omsæt tidligere erfaring til det, der er transfererbart (f.eks. projektledelse, domæneviden). Her kan guides om karriereskift, f.eks. sådan oversætter du erfaring til nye kompetencer, give god inspiration.
- Erfaren Data Scientist med tydelig historik: Brug kronologisk CV. Det giver overblik og gør det let at se karriereprogression.
- Senior med meget projektarbejde og konsulentopgaver: Kombinér: Start med 4 – 6 centrale projekter eller nøglekompetencer, og læg kronologisk liste nedenunder.
ATS-venligt Data Scientist-CV: layout og keywords
Et ATS-venligt Data Scientist-CV er enkelt, tekstbaseret og struktureret, så både mennesker og systemer kan læse det. Du bliver ikke valgt fra, fordi du ikke har farvede bokse – men du kan blive valgt fra, hvis systemet ikke kan læse din tekst.
Layout-tjekliste
- Brug én kolonne, ikke avancerede multi-kolonnelayouts.
- Vælg en standard font (f.eks. Calibri, Arial, Times New Roman).
- Gem som PDF med tekstlag (ikke et billede eller scannet dokument).
- Brug standardoverskrifter som “Erhvervserfaring”, “Uddannelse”, “Kompetencer”.
- Undgå tekstbokse, grafik, ikoner og tunge tabeller i selve CV’et.
- Hold længden på 1 – 2 sider (3 sider kan gå, hvis alt er relevant og skarpt).
Keywords uden keyword stuffing
ATS søger efter ord fra jobopslaget. Sørg for at nævne relevante ord naturligt i profiltekst, erfaring og kompetenceafsnit, f.eks.:
- Rolleord: Data Scientist, machine learning, modellering, eksperimenter
- Værktøjer: Python, SQL, pandas, NumPy, scikit-learn, Power BI, Tableau, Airflow, dbt
- Domæner: marketing, finans, sundhed, e-commerce – afhængigt af din erfaring
Skal du optimere tekst eller formuleringer, kan du også bruge AI som sparringspartner. Denne guide til bedre AI-prompts kan hjælpe dig med at få mere præcise forslag, du så selv redigerer.
Løn og jobmarked: Hvad tjener en Data Scientist i Danmark?
Data Scientist-løn i Danmark afhænger markant af erfaring, sektor (offentlig/privat), branche (f.eks. finans, tech, konsulenthuse) og hvor bredt ansvar du har. Ét tal vil næsten altid være misvisende, så brug intervaller og vær åben om usikkerheden.
Typisk ligger lønnen for fuldtidsansatte Data Scientists i Danmark i et niveau, der er konkurrencedygtigt med andre højtuddannede specialistroller, og ofte højere i finans og konsulentbranchen end i mindre organisationer og dele af det offentlige. Dertil kommer bonus, pension og andre personalegoder, som kan løfte den samlede pakke betydeligt.
Det mest robuste er at:
- sammenligne jobopslag på relevante jobportaler over en periode
- spørge i dit netværk eller faglige communities
- bruge lønstatistik fra fagforeninger og brancheorganisationer (og tjekke dato og metode).
Når du bruger løntal i lønforhandling, så forklar altid, om du taler om grundløn eller samlet pakke, og brug interval frem for ét punkt. På den måde fremstår du både ambitiøs og realistisk.
Korte ansættelser, studieprojekter og blandet erfaring
Korte ansættelser, studieprojekter og brancheskift er helt normale i data science. De kan sagtens styrke dit CV, hvis du formulerer dem som dokumenteret erfaring – ikke som noget, du undskylder for.
Sådan håndterer du korte ansættelser
- Saml flere kortvarige freelance- eller projektforløb under én overskrift, f.eks. “Freelance Data Scientist (2023 – 2024)”.
- Fokuser på projekter og resultater, ikke på hvorfor du stoppede.
- Brug samme bullet-formel: handling + metode + data + resultat.
Studieprojekter og speciale som erfaring
Beskriv relevante studieprojekter og speciale på samme måde som jobprojekter:
- Navn: “Speciale: Forecasting af [X] i [branche]”
- Kontekst: “Samarbejde med [virksomhed]” eller “case baseret på offentlige data”
- Indhold: 2 – 3 bullets med problem, metode, værktøjer og vigtigste resultater
Har du skiftet spor ind i data science, handler det om at oversætte din tidligere erfaring til noget, arbejdsgiveren kan bruge: domæneviden, projektstyring, kommunikation med ledelse osv. Flere af vores karriereskift-guides, f.eks. karriereskift uden at starte forfra, kan give inspiration til, hvordan du oversætter erfaring uden at nedgøre det, du kommer fra.
Portfolio, GitHub og Kaggle – hvornår hjælper det?
En portfolio kan være et stort plus, især hvis du er ny i faget. Men kun hvis den faktisk gør det nemmere at se din kvalitet.
- Link til 1 – 3 gennemarbejdede projekter, ikke 15 halvfærdige notebooks.
- Brug README-filer til kort at forklare data, metode, struktur og vigtigste læringer.
- Undgå at lægge proprietære eller fortrolige data ud – anonymisér eller brug åbne datasæt.
Du kan også bruge skriftlig formidling som en del af din “portfolio”: blogindlæg, tekniske artikler eller case-beskrivelser, der viser, at du kan forklare komplekse ting klart. Hvis du er nysgerrig på at bruge skrift som en del af din faglige profil, kan denne guide om at tjene penge på at skrive give inspiration til, hvordan du træner netop den muskel.
Hvad kan du gøre nu?
Hvis du vil bruge alt det her konkret, så gør det i små, overskuelige skridt:
- Vælg titel: Beslut, om dit CV skal målrettes Data Scientist, Data Analyst eller en hybrid – og juster profiltekst og projekter derefter.
- Opdatér profilteksten: Brug 4-trins-formlen og ét af eksemplerne som skabelon, og skriv din egen version.
- Udvælg 3 – 6 projekter: Brug projektmodellen (problem, data, metode, validering, resultat, din rolle) til at beskrive dem.
- Omskriv bullets: Gå dine nuværende bullets igennem og oversæt dem til handling + metode + data + resultat.
- Ryd op i værktøjslisten: Gruppér din stack, fjern det du ikke kan demonstrere, og fremhæv det, der matcher de job, du søger.
- Gør layoutet enkelt: Brug én kolonne, standardoverskrifter og gem som PDF – eller tag udgangspunkt i en af vores gratis skabeloner.
Når det er gjort, har du et Data Scientist-CV, der ikke bare nævner Python og ML, men viser, at du kan bruge dem til noget, der faktisk betyder noget for en virksomhed.
About the Author
Relaterede indlæg
Tilkoblet Job & karriereskift, Kompetencer & efteruddannelse