Sollicitatiebrief voorbeeld data-analist
Je SQL-kennis en Python-skills staan al op je cv. Waar je sollicitatiebrief het verschil maakt: laten zien hoe jouw analyses hebben geleid tot betere beslissingen. Welk dashboard veranderde de strategie? Welk churn-model bespaarde tonnen? Welke A/B-test leidde tot een ander prijsbeleid? Recruiters bij data-teams zoeken geen toollijstjes — ze zoeken iemand die data vertaalt naar actie.
Waarom een gerichte brief als data-analist?
Je technische vaardigheden spreken uit je cv. Maar een recruiter die twintig cv's met "SQL, Python, Power BI" op een stapel heeft liggen, zoekt iets anders in je brief: het verhaal achter de cijfers. Hoe identificeerde je het probleem? Welke dataset bleek de sleutel? En wat deed het bedrijf anders dankzij jouw analyse? Dat is data-storytelling — en het begint in je sollicitatiebrief. Hieronder vind je een complete voorbeeldbrief geschreven voor een vacature bij ING, met toelichting per alinea zodat je precies ziet hoe je technische diepgang combineert met business-impact.
Volledige voorbeeldbrief
De brief hieronder is geschreven voor een fictieve vacature bij ING. Klik op een alinea om te lezen waarom deze aanpak werkt.
Klik op een alinea om te zien waarom deze goed werkt
Amsterdam, 27 maart 2026
Geachte heer Van der Berg,
Met drie jaar ervaring in het analyseren van klantgedrag op datasets van 10 miljoen+ transacties reageer ik op uw vacature voor data-analist binnen Retail Banking Analytics bij ING. Bij bol.com heb ik geleerd hoe je ruwe data omzet in dashboards waar productteams dagelijks op sturen — en die vertaalslag van data naar beslissing is precies wat mij drijft.
Bij bol.com bouwde ik een Power BI-dashboard voor het retourteam dat dagelijks door 200 medewerkers werd gebruikt en de retourratio op elektronica met 8% verlaagde. Daarnaast ontwikkelde ik in Python een churn-predictiemodel dat 15% nauwkeuriger scoorde dan het bestaande regelgebaseerde systeem, waardoor het CRM-team gerichter kon campagnes inzetten. Mijn SQL-queries op de BigQuery-datawarehouse draaiden op datasets tot 40 miljoen rijen en vormden de basis voor de wekelijkse KPI-rapportage aan het MT.
ING trekt mij aan vanwege de combinatie van data-schaal en maatschappelijke relevantie. De ambitie om met data-gedreven inzichten het hypotheekadvies te personaliseren spreekt mij aan, omdat ik bij bol.com heb gezien welk verschil goede segmentatie maakt in klantervaring. Met mijn ervaring in A/B-testing en statistische modellering wil ik bijdragen aan de verdere uitbouw van jullie analytics-capabilities binnen Retail Banking.
Ik licht graag in een gesprek toe hoe mijn ervaring met grootschalige klantanalyses en dashboardontwikkeling waarde kan toevoegen aan uw team. U bereikt mij op 06-23456789 of via sanne.koopman@gmail.com.
Met vriendelijke groet,
Sanne Koopman
Vaardigheden die opvallen in je brief
Data-analist-vacatures noemen deze vaardigheden het vaakst. Kies er 2–3 die aansluiten bij de vacature en onderbouw ze met een concreet voorbeeld uit je werkervaring.
SQL & datawarehousing
PostgreSQL, BigQuery, Snowflake — noem niet alleen het systeem maar ook de schaal. "SQL-queries op 40M rijen in BigQuery" zegt meer dan "ervaring met SQL". Beschrijf of je zelf tabellen ontwerpt of alleen bevraagt.
Python of R
pandas, scikit-learn, statsmodels, ggplot2 — specificeer de libraries die je dagelijks gebruikt. Koppel ze aan een resultaat: "churn-model in Python (scikit-learn) dat 15% nauwkeuriger scoorde" is sterker dan "kennis van Python".
Power BI of Tableau
Recruiters willen weten: voor wie bouwde je dashboards en hoeveel mensen gebruikten ze? "Power BI-dashboard voor 200 dagelijkse gebruikers" laat zien dat je niet alleen kunt bouwen, maar ook kunt ontwerpen voor adoptie.
Statistische analyse
A/B-testing, regressieanalyse, cohortanalyse, hypothesetoetsing — noem de methode én de businessvraag. "A/B-test op checkout-flow die conversie met 12% verhoogde" verbindt statistiek aan omzet.
Data-storytelling
Het vermogen om technische inzichten te vertalen naar acties voor niet-technische stakeholders. Beschrijf voor wie je presenteerde (MT, productteam, marketing) en welk besluit eruit volgde.
ETL & data-cleaning
dbt, Airflow, pandas, Power Query — beschrijf hoe je ruwe data transformeert tot analyseklare datasets. "Geautomatiseerde ETL-pipeline die 6 handmatige uren per week bespaarde" toont technische waarde én efficiëntie.
Openingszinnen per situatie
Kopieer de opening die past bij jouw situatie en vul de specifieke gegevens aan. Een sterke eerste zin bepaalt of de recruiter doorleest.
“Met [aantal] jaar ervaring in [type analyse, bijv. klantgedrag / financiële data] en dagelijks gebruik van [tools, bijv. SQL en Python] reageer ik op uw vacature voor data-analist bij [bedrijf].”
“Bij [vorige werkgever] bouwde ik een [type dashboard/model] dat [concreet resultaat, bijv. de retourratio met 8% verlaagde]. Dat type impact wil ik ook bij [bedrijf] realiseren.”
“Uw vacature vraagt om een analist die zich thuisvoelt in grote datasets. Bij [vorige werkgever] schreef ik dagelijks SQL-queries op [omvang, bijv. 10M+ records in BigQuery] — de resultaten vormden de basis voor [type beslissing].”
“Na [aantal] jaar data-analyse in de [huidige sector, bijv. e-commerce] kies ik bewust voor [nieuwe sector, bijv. fintech]. De analytische methoden — cohortanalyse, A/B-testing, predictive modelling — zijn direct overdraagbaar, en de domeinkennis bouw ik snel op.”
“Hoewel ik geen openstaande vacature heb gevonden, wil ik mij graag voorstellen als data-analist. Met [aantal] jaar ervaring in [specialisatie] en een track record in [type resultaat, bijv. dashboardadoptie of modelontwikkeling] denk ik waarde toe te voegen aan uw data-team.”
Zwak vs. sterk: het verschil per alinea
Hieronder zie je per onderdeel van de brief wat het verschil maakt. Links de versie die in de nee-stapel belandt, rechts de versie die uitnodigt tot een gesprek.
Opening
De opening is het moment waarop de recruiter beslist: doorlezen of terzijde leggen. Bij data-analisten wil de recruiter één ding weten: werk je met de juiste tools op de juiste schaal?
Hierbij solliciteer ik op de functie van data-analist bij uw organisatie. Ik ben een analytisch ingestelde professional met passie voor data en ben op zoek naar een uitdagende functie.
"Analytisch ingesteld" en "passie voor data" staan in elke data-analist-brief. Geen tool, geen schaal, geen bedrijfsnaam. De recruiter leert niets wat deze kandidaat onderscheidt van de andere 30 brieven op de stapel.
Met drie jaar ervaring in het analyseren van klantgedrag op datasets van 10 miljoen+ transacties reageer ik op uw vacature voor data-analist binnen Retail Banking Analytics bij ING. Bij bol.com heb ik geleerd hoe je ruwe data omzet in dashboards waar productteams dagelijks op sturen.
Noemt de schaal (10M+ transacties), de vorige werkgever (bol.com), de specifieke afdeling (Retail Banking Analytics) en het type output (dashboards voor productteams). In twee zinnen weet de recruiter: deze kandidaat werkt op het juiste niveau.
Ervaring
Het ervaringsdeel is de kern van je brief. Bij data-analisten draait het om drie dingen: welke data, welke methode en welk business-resultaat.
In mijn huidige functie doe ik veel data-analyses. Ik werk met SQL en Python en maak dashboards voor verschillende afdelingen. Ik ben bekend met A/B-testing en vind het leuk om met data te werken.
"Veel data-analyses" — hoeveel? Welke data? "Verschillende afdelingen" — welke? "Bekend met A/B-testing" — wat was het resultaat? Dit is een taakomschrijving, geen bewijs van impact.
Bij bol.com bouwde ik een Power BI-dashboard voor het retourteam dat dagelijks door 200 medewerkers werd gebruikt en de retourratio op elektronica met 8% verlaagde. Daarnaast ontwikkelde ik in Python een churn-predictiemodel dat 15% nauwkeuriger scoorde dan het bestaande regelgebaseerde systeem.
Twee prestaties met elk drie lagen: de tool (Power BI, Python), de schaal (200 gebruikers, vergelijking met bestaand systeem) en de impact (8% reductie, 15% verbetering). De recruiter kan exact inschatten wat deze kandidaat op het huidige team zou bijdragen.
Motivatie
Veel data-analisten slaan de motivatie over of schrijven "interessant bedrijf". Juist hier laat je zien dat je research hebt gedaan — en dat je snapt welk probleem het data-team probeert op te lossen.
ING is een groot bedrijf met veel data en ik denk dat ik daar goed zou passen. Ik wil graag werken in een omgeving waar data centraal staat en waar ik mezelf kan ontwikkelen.
"Groot bedrijf met veel data" kan over elke bank gaan. "Mezelf ontwikkelen" gaat over de kandidaat, niet over de waarde voor ING. Geen inhoudelijke reden, geen link met eigen ervaring.
ING trekt mij aan vanwege de combinatie van data-schaal en maatschappelijke relevantie. De ambitie om met data-gedreven inzichten het hypotheekadvies te personaliseren spreekt mij aan, omdat ik bij bol.com heb gezien welk verschil goede segmentatie maakt in klantervaring.
Noemt een specifiek ING-initiatief (personalisatie hypotheekadvies) en koppelt dat aan eigen ervaring (segmentatie bij bol.com). De recruiter ziet: deze kandidaat begrijpt onze strategie én kan de vertaling maken vanuit haar achtergrond.
Afsluiting
De afsluiting is kort maar cruciaal. Herhaal je kernkwalificatie, nodig uit tot een gesprek en geef je contactgegevens — geen passief "ik hoop" maar een professionele uitnodiging.
Ik hoop dat mijn brief u aanspreekt en zou graag de kans krijgen om mijn vaardigheden te bewijzen. Ik zie uw reactie met belangstelling tegemoet.
Onderdanig en passief. "De kans krijgen om te bewijzen" klinkt alsof de kandidaat zelf twijfelt. Geen contactgegevens, geen verwijzing naar wat de kandidaat meebrengt.
Ik licht graag in een gesprek toe hoe mijn ervaring met grootschalige klantanalyses en dashboardontwikkeling waarde kan toevoegen aan uw team. U bereikt mij op 06-23456789 of via sanne.koopman@gmail.com.
Herhaalt de twee kernkwalificaties (klantanalyses, dashboards) en geeft direct contactgegevens. Professioneel, zelfverzekerd en praktisch — de recruiter hoeft niets op te zoeken.
Schrijftips voor je data-analist-brief
Koppel elke tool aan een resultaat
"Power BI-dashboard dat door 200 gebruikers dagelijks werd geraadpleegd" is tien keer sterker dan "ervaring met Power BI". Recruiters onthouden impact, niet toolnamen.
Noem de schaal van je data
"SQL-queries op 40 miljoen rijen" of "analyses op 2 jaar transactiedata van 500.000 klanten" geeft de recruiter direct context. Schaal onderscheidt een junior van een medior.
Beschrijf wie je stakeholders waren
"Wekelijkse rapportage aan het MT" of "dashboards voor het productteam van 15 personen" laat zien dat je niet alleen data kunt analyseren, maar ook kunt communiceren.
Lijst geen tools op zonder context
"Ervaring met SQL, Python, R, Power BI, Tableau, Excel, SPSS, SAS" is een cv-bullet, geen briefinhoud. Kies de 2–3 tools die passen bij de vacature en onderbouw ze met voorbeelden.
Overdrijf niet met AI-termen
Als je een logistisch regressiemodel bouwde, noem het dan zo — niet "machine learning pipeline". Eerlijkheid over je technisch niveau wekt meer vertrouwen dan opgeblazen terminologie.
Schrijf niet "ik ben data-gedreven"
Dat staat in élke data-vacature en élke sollicitatie. Bewijs het: "Op basis van mijn cohortanalyse verschoof het marketingteam 30% van het budget naar retentiecampagnes." Dat is data-gedreven.
Meer over solliciteren als data-analist
Verwante beroepen
Veelgestelde vragen over een data-analist-brief
Eén A4, maximaal vier alinea's van 3–5 zinnen. Data-analisten worden gewaardeerd om hun vermogen om informatie te verdichten — laat dat in je brief zien. 250–350 woorden is de sweet spot. Volgens onderzoek van Robert Half besteden recruiters gemiddeld 30 seconden aan een eerste screening.
Beide, maar in balans. Noem de tool en methode (bijv. "churn-model in Python met scikit-learn") maar besteed minstens evenveel woorden aan het business-resultaat ("waardoor het CRM-team 15% gerichter kon campagnes inzetten"). De recruiter is vaak een HR-professional die filtert op herkenbaarheid — de hiring manager leest de technische details.
Bij banken, verzekeraars en de overheid is een formele toon standaard: "Geachte heer/mevrouw" en "Met vriendelijke groet". Bij tech-bedrijven, scale-ups en e-commerce mag het persoonlijker — kijk naar de toon van de vacaturetekst. ING en Rabobank verwachten formeel; Booking.com en Picnic zijn informeler.
Ja, als je projecten hebt die relevant zijn voor de vacature. Een Kaggle-notebook met een vergelijkbare analyse of een GitHub-repo met een dashboard-project laat zien dat je buiten werktijd ook aan je vaardigheden werkt. Noem het kort in je afsluiting of ervaringsparagraaf, niet als los bijvoegsel.
Alleen als de vacature het expliciet vraagt. Het gangbare salaris voor een data-analist ligt tussen €3.000 (starter) en €6.800 (senior), aldus het Indeed Salariskompas en Glassdoor. Bewaar de onderhandeling voor het gesprek — dan kun je eerst laten zien wat je waard bent.
Focus op overdraagbare vaardigheden: als je in finance werkte, heb je ervaring met financiële datasets; als je in marketing werkte, ken je klantdata en A/B-testing. Noem eventuele certificeringen (Google Data Analytics, IBM Data Science) en persoonlijke projecten. Beschrijf niet wat je mist, maar welke analytische skills je al hebt bewezen — en hoe snel je domeinkennis opbouwt.
Brief klaar? Werk aan je cv.
Je sollicitatiebrief is één helft van het verhaal. Bekijk ons cv-voorbeeld voor data-analist met profieltekst, Python/SQL-vaardigheden en dashboard-resultaten.