Sollicitatiebrief voorbeeld data scientist
Een overtuigende sollicitatiebrief als data scientist draait niet om een waslijst van tools. Laat zien hoe jij met machine learning, Python en statistiek echte businessvragen beantwoordt — van A/B testing tot productie-modellen die dagelijks miljoenen voorspellingen doen. Recruiters willen impact zien, geen buzzwords.
Waarom maakt je sollicitatiebrief als data scientist het verschil?
De markt voor data scientists is competitief: werkgevers ontvangen tientallen sollicitaties van kandidaten met vergelijkbare technische profielen. Je brief is het moment om jezelf te onderscheiden. Niet door alle frameworks op te sommen, maar door te bewijzen dat je data vertaalt naar beslissingen. In deze gids vind je een complete voorbeeldbrief gericht op een vacature bij ING, uitleg per alinea, vijf openingszinnen en een directe zwak-vs-sterk vergelijking.
Volledige voorbeeldbrief
Klik op een alinea om te lezen waarom deze werkt. De brief is geschreven voor een fictieve vacature bij ING.
Klik op een alinea om te zien waarom deze goed werkt
Amsterdam, 26 maart 2026
Beste meneer Hendriks,
Via de vacaturepagina van ING las ik over de positie Data Scientist in het Advanced Analytics-team. De combinatie van grootschalige transactiedata en de ambitie om klantbeslissingen real-time te ondersteunen spreekt me aan — precies het snijvlak waar ik de afgelopen vier jaar aan werkte bij ASML.
Bij ASML bouwde ik een voorspellend onderhoudsmodel in Python (scikit-learn, XGBoost) dat ongeplande stilstand van lithografiemachines met 31% verminderde — een besparing van circa €6M per jaar. Daarnaast ontwierp ik het A/B-testingframework waarmee het productteam wekelijks drie experimenten kon draaien in plaats van één per maand. Beide modellen draaien inmiddels in productie op Azure ML en worden bewaakt via geautomatiseerde drift-detectie.
Wat mij trekt aan ING is de schaal: 38 miljoen klanten en een datastrategie die data science centraal stelt in productbeslissingen. Ik wil mijn ervaring met statistiek en productie-modellen inzetten om jullie fraudedetectie en creditscoring verder te versterken — met modellen die niet alleen accuraat zijn, maar ook uitlegbaar en compliant.
Graag licht ik in een gesprek toe hoe ik deze aanpak bij ING kan toepassen. U bereikt me op 06-24819053 of via jasper.vandijk@email.nl.
Met vriendelijke groet,
Jasper van Dijk
Competenties die recruiters zoeken
Deze zes vaardigheden komen het vaakst terug in data scientist-vacatures. Verwerk ze niet als opsomming, maar verweven in je voorbeelden.
Statistiek & Experimentatie
Hypothesetoetsing, Bayesiaanse methoden, A/B testing — laat zien dat je weet wanneer een resultaat significant is en wanneer niet. Koppel de methode aan een business-beslissing die eruit voortkwam.
Python & Data-ecosysteem
pandas, NumPy, scikit-learn, PyTorch of TensorFlow — noem de libraries die je dagelijks gebruikt en beschrijf de schaal van de datasets waarmee je werkte. Wees specifiek, niet generiek.
Machine Learning
Supervised, unsupervised en reinforcement learning — benoem welke algoritmen je in productie hebt gebracht en welk probleem ze oplosten. Een model dat in een notebook draait is nog geen impact.
Productie-modellen & MLOps
MLflow, Docker, Airflow, Azure ML of SageMaker — toon aan dat je modellen niet alleen traint maar ook deployt, monitort en onderhoud. Drift-detectie en retraining-pipelines zijn onderscheidend.
Datavisualisatie & Storytelling
Matplotlib, Plotly, Tableau of Power BI — het vermogen om complexe inzichten begrijpelijk te maken voor stakeholders is minstens zo belangrijk als het model zelf. Beschrijf hoe je een niet-technisch publiek overtuigde.
SQL & Data-engineering basics
SQL, Spark, dbt — data scientists die hun eigen data kunnen ophalen en transformeren zijn zelfstandiger en sneller. Benoem de omvang van de datasets en de complexiteit van de queries.
Openingszinnen om te gebruiken
Kopieer en pas aan. Elke opening is geschreven voor een andere situatie.
“Met vier jaar ervaring in predictive modelling solliciteer ik op de functie Data Scientist bij [bedrijf]. Uw focus op [specifiek thema, bijv. fraudedetectie] sluit direct aan bij mijn achtergrond bij [vorige werkgever].”
“Bij [vorige werkgever] bouwde ik een voorspellend model dat [specifiek resultaat, bijv. ongeplande stilstand met 31% verminderde] — het soort impact dat ik ook bij [bedrijf] wil realiseren.”
“Jullie publicatie over [specifiek onderzoek of project] trok mijn aandacht. Als data scientist met ervaring in [specialisatie] wil ik bijdragen aan dit soort werk op schaal.”
“Na vier jaar als data scientist in de [huidige sector, bijv. hightech-industrie] maak ik bewust de stap naar [nieuwe sector]. De kernvaardigheden — statistiek, Python, productie-modellen — zijn direct toepasbaar, en de nieuwe domeincomplexiteit motiveert me.”
“De datastrategie van [bedrijf] volg ik al langer met interesse. Als data scientist met een bewezen track record in A/B testing en machine learning draag ik graag bij aan de volgende stap.”
Zwak vs. sterk per alinea
Vergelijk per onderdeel wat het verschil maakt tussen een zwakke en sterke brief.
Opening
De opening bepaalt of een recruiter doorleest. Noem de functie, het bedrijf en je belangrijkste troef — in maximaal twee zinnen.
Hierbij solliciteer ik op de functie data scientist. Ik ben een enthousiaste professional met passie voor data en ik zoek een nieuwe uitdaging waar ik mijn vaardigheden kan inzetten.
Te generiek: "enthousiast", "passie voor data" en "nieuwe uitdaging" zijn lege frasen. Geen verwijzing naar het bedrijf, geen bewijs van ervaring.
Via de vacaturepagina van ING las ik over de positie Data Scientist in het Advanced Analytics-team. De combinatie van grootschalige transactiedata en de ambitie om klantbeslissingen real-time te ondersteunen spreekt me aan — precies het snijvlak waar ik de afgelopen vier jaar aan werkte bij ASML.
Noemt het bedrijf en het team bij naam, verwijst naar vier jaar relevante ervaring en toont kennis van ING's datastrategie. Direct concreet.
Ervaring
Dit is de kern van je brief. Kies 2-3 prestaties die aansluiten bij de vacature en onderbouw ze met cijfers.
Ik heb ruime ervaring met machine learning en Python. In mijn huidige functie werk ik aan diverse dataprojecten in een multidisciplinair team. Ik vind het leuk om met data te werken en problemen op te lossen.
"Ruime ervaring" en "diverse projecten" zijn nietszeggend. Geen concrete resultaten, geen cijfers, geen specifieke technologieën. Dit kan iedere kandidaat schrijven.
Bij ASML bouwde ik een voorspellend onderhoudsmodel in Python (scikit-learn, XGBoost) dat ongeplande stilstand van lithografiemachines met 31% verminderde — een besparing van circa €6M per jaar. Daarnaast ontwierp ik het A/B-testingframework waarmee het productteam wekelijks drie experimenten kon draaien in plaats van één per maand.
Twee scherpe voorbeelden met specifieke tools, percentages en euro's. Toont zowel technische diepgang als businessimpact.
Motivatie
Hier toon je dat je het bedrijf kent. Noem een specifiek project, waarde of ambitie en leg uit waarom dat je aantrekt.
ING lijkt me een mooi bedrijf om voor te werken. Ik denk dat ik goed in het team zou passen en ik wil mezelf graag verder ontwikkelen op het gebied van data science.
"Mooi bedrijf" en "mezelf ontwikkelen" draaien om de kandidaat, niet om het bedrijf. Geen enkel specifiek gegeven over ING.
Wat mij trekt aan ING is de schaal: 38 miljoen klanten en een datastrategie die data science centraal stelt in productbeslissingen. Ik wil mijn ervaring met statistiek en productie-modellen inzetten om jullie fraudedetectie en creditscoring verder te versterken — met modellen die niet alleen accuraat zijn, maar ook uitlegbaar en compliant.
Noemt een concreet feit (38 miljoen klanten), koppelt het aan eigen expertise en toont sectorkennis door uitlegbaarheid en compliance aan te halen.
Afsluiting
Sluit actief af. Nodig uit tot een gesprek en vermeld je contactgegevens — maak het de recruiter zo makkelijk mogelijk.
Ik hoop dat u mijn sollicitatie in overweging wilt nemen en zie uw reactie met belangstelling tegemoet. Ik sta open voor een gesprek.
Passief en afstandelijk. "In overweging nemen" en "tegemoet" creëren afstand. Geen contactgegevens, geen duidelijke call-to-action.
Graag licht ik in een gesprek toe hoe ik deze aanpak bij ING kan toepassen. U bereikt me op 06-24819053 of via jasper.vandijk@email.nl.
Actief, concreet en professioneel. Verwijst terug naar de inhoud van de brief ("deze aanpak") en geeft direct twee contactopties.
Tips voor je data scientist-brief
Toon dat je modellen in productie brengt
Veel data scientists blijven in de notebook-fase. Beschrijf hoe je model via CI/CD in productie draait, hoe je drift monitort en wanneer je retrained. Dat onderscheidt je direct van de meeste kandidaten.
Som geen tools op zonder context
"Ervaring met Python, R, SQL, TensorFlow, PyTorch, Spark, AWS, Docker" zegt weinig. Koppel elke tool aan een project en een resultaat — dát maakt het geloofwaardig.
Koppel statistiek aan beslissingen
A/B testing en hypothesetoetsing zijn pas waardevol als ze tot actie leiden. Beschrijf welke business-beslissing jouw analyse mogelijk maakte en wat het effect was.
Schrijf niet alleen over techniek
Hiring managers zoeken iemand die kan communiceren met stakeholders. Noem een situatie waarin je een complex model uitlegde aan een niet-technisch publiek en hen overtuigde.
Stem je brief af op de sector
Een data scientist bij een bank werkt met andere data, regelgeving en uitdagingen dan bij een tech-startup. Benoem sectorspecifieke kennis — denk aan compliance, GDPR of domeinexpertise.
Vermijd Kaggle als enige bewijs
Competities zijn een goede leerschool, maar recruiters willen weten wat je in een professionele omgeving hebt gebouwd. Verwijs naar projecten met echte gebruikers, echte data en echte beperkingen.
Meer over solliciteren als data scientist
Verwante beroepen
Veelgestelde vragen over een data scientist-brief
Maximaal één A4. Vier alinea's van elk 3-5 zinnen volstaan. Recruiters besteden gemiddeld 30 seconden aan een eerste scan — wees dus bondig en zorg dat je sterkste punt in de eerste twee alinea's staat.
Noem alleen de vaardigheden die in de vacaturetekst staan en onderbouw ze met een voorbeeld. Denk aan Python, machine learning, statistiek, A/B testing of MLOps. Vermijd een losse opsomming — verwerk elke vaardigheid in een concrete prestatie.
Ja, als je relevante projecten hebt die je kunt laten zien. Een link naar een goed gedocumenteerde repository of een technische blogpost kan sterker zijn dan een extra alinea tekst. Zorg wel dat de code representatief is voor je huidige niveau.
Benadruk overdraagbare vaardigheden: statistiek, programmeren en analytisch denken zijn universeel. Leg uit waaróm je de overstap wilt maken en koppel je eerdere ervaring aan de nieuwe sector. Een wiskundige die naar fintech gaat, heeft bijvoorbeeld al domeinkennis van kansberekening en risico.
Een medior data scientist verdient gemiddeld tussen €4.200 en €5.800 bruto per maand, afhankelijk van sector en regio. In de financiële sector en bij grote tech-bedrijven liggen de salarissen hoger. Bekijk actuele cijfers op onze salarispagina.
Alleen als de vacature hier expliciet om vraagt. In de meeste gevallen bespreek je salaris in het eerste gesprek. Bereid je wel voor door marktconforme cijfers op te zoeken — zo voorkom je dat je te laag of te hoog inzet.
Ook je data scientist-cv versterken?
Combineer je sollicitatiebrief met een sterk cv. Bekijk ons cv-voorbeeld met profieltekst, vaardigheden en werkervaring.