Data Analyst : Fiche de poste, diplômes, salaire

Le Data Analyst est devenu l’un des profils les plus recherchés du marché du travail tech. En France, les offres d’emploi pour ce métier ont progressé de +35 % en 2024, et 67 % des entreprises prévoient d’augmenter leur budget Data dans les prochaines années. Mais que fait concrètement un Data Analyst ? Quelles compétences faut-il maîtriser, combien peut-on espérer gagner, et comment se former ? Ce guide complet répond à toutes vos questions.

Critère	Information
Niveau d’études	Bac +3 minimum, Bac +5 recommandé
Bac conseillé	Scientifique
Employabilité	Très bonne, +35 % d’offres en 2024
Salaire débutant	2 750, 3 500 € brut/mois
Salaire confirmé	3 500, 5 000 € brut/mois
Mobilité	Bonne (hybride / télétravail fréquent)
Compétences clés	SQL, Python, Power BI, statistiques, data visualisation
Qualités requises	Curiosité, esprit analytique, rigueur, communication
Secteurs d’activité	Finance, marketing, santé, tech, industrie, secteur public
Évolutions possibles	Data Scientist, Lead Data Analyst, CDO, Freelance
Certifications recommandées	Microsoft Certified: Data Analyst Associate, Google Data Analytics, IBM Data Science Professional

Qu’est-ce qu’un Data Analyst ?

Un Data Analyst (analyste de données) valorise les données d’une organisation pour en faire un levier de création de valeur. Il collecte, nettoie et structure des jeux de données issus des outils métiers et du système d’information, puis les interprète pour transformer des données brutes en informations exploitables au service des décisions. Ses analyses se matérialisent par des KPIs, rapports et tableaux de bord partagés avec les équipes opérationnelles et la direction. Véritable trait d’union entre technique et business, il travaille en étroite collaboration avec les Data Scientists, les Data Engineers et les Business Analysts. Pour en savoir plus, consultez notre formation Data Analyst.

Cas concret : dans un site e-commerce confronté à une baisse du taux de conversion, le Data Analyst agrège les données du CRM, de l’outil d’analytics et des commandes. Il prépare les données, définit des segments clients, construit un tableau de bord Power BI pour suivre trafic qualifié, panier moyen, abandon de panier et réachat. Sur cette base, il formule des hypothèses, propose un test A/B sur le tunnel de paiement et une campagne de relance, mesure l’impact sur les revenus et recommande les actions à déployer à l’échelle.

Contraste avec les rôles proches : le Data Analyst se concentre principalement sur l’analyse descriptive et diagnostique, le passé et le présent (que s’est-il passé, pourquoi), avec SQL, outils de Business Intelligence et statistiques. Le Data Scientist conçoit des modèles prédictifs et d’apprentissage automatique. Le Data Engineer bâtit et fiabilise les pipelines et l’infrastructure de données. Le Business Analyst formalise les besoins et les processus métier. Selon le contexte, le Data Analyst est rattaché à la DSI, au marketing, à la finance ou à une équipe data pilotée par un CDO.

Quelles sont les missions d’un Data Analyst ?

Un Data Analyst pilote tout le cycle de vie de la donnée pour éclairer les décisions. Concrètement, il collecte et prépare la donnée, l’analyse avec des méthodes statistiques, la met en récit via des visualisations claires, puis accompagne les équipes métier dans l’action. Voici les grands blocs de missions, avec attentes et livrables associés.

• Collecte et gestion des données : rassembler des données internes et externes (CRM, ERP, APIs, données publiques, IoT), organiser le stockage (data warehouses, data lakes), définir et appliquer des règles de qualité (déduplication, normalisation, contrôles). Livrables : jeux de données prêts à l’analyse, vues SQL, spécifications d’intégration.
• Analyse et interprétation : appliquer des techniques statistiques pour identifier tendances, corrélations et anomalies, réaliser des tests, construire des modèles descriptifs ou prédictifs lorsque pertinent. Livrables : notebooks d’analyse, modèles validés, notes de synthèse.
• Communication et support décisionnel : développer des tableaux de bord et rapports pour suivre les KPIs, produire des visualisations compréhensibles et des recommandations actionnables pour les équipes. Livrables : dashboards, rapports périodiques, plans d’actions priorisés.
• Veille et amélioration continue : tester de nouveaux outils et méthodes, automatiser les tâches récurrentes (ETL, reporting), monitorer la qualité des données dans le temps. Livrables : scripts d’automatisation, alertes, feuille de route d’optimisation.
• Collaboration et acculturation : travailler avec le marketing, la finance, les opérations, la DSI et les équipes data (Data Engineers, Data Scientists), former les utilisateurs clés et diffuser la culture de la donnée. Livrables : ateliers, supports de formation, guides d’usage des KPI.

À quoi ressemble une journée type ?

1. Stand-up d’équipe : synchronisation sur les objectifs du jour, revue rapide des KPIs et des alertes qualité.
2. Extraction et requêtes SQL : préparation des datasets depuis l’entrepôt de données, jointures et agrégations ciblées.
3. Nettoyage et préparation : traitement des valeurs manquantes, normalisation, création de variables d’analyse.
4. Analyse et visualisation : exploration statistique, prototypes de graphiques, itérations avec un utilisateur métier.
5. Mise à jour d’un dashboard : publication d’un nouveau filtre, d’un KPI standardisé ou d’un alerting d’usage.
6. Réunion métier : cadrage d’un besoin (exemple : sizing d’une campagne), alignement sur les hypothèses et la définition des succès.
7. Suivi des KPIs : contrôle des écarts, investigation d’anomalies, recommandations rapides si action immédiate nécessaire.
8. Documentation : mise à jour du dictionnaire de données et des règles de calcul, partage des learnings sur l’espace de connaissance.

Quels sont les livrables clés ?

Livrable	Objectif	Exemples d’usage	Fréquence
Tableaux de bord (BI)	Pilotage en continu des indicateurs	Suivi acquisition, conversion, churn, marge	Quotidien / hebdomadaire
Rapports d’analyse	Décision stratégique et opérationnelle	Analyse de performance, post-mortem, recommandations	Mensuel / par projet
Analyses ad hoc	Réponse rapide à une question ciblée	Exploration d’un pic d’activité, test d’hypothèse	Ponctuel
Data dictionary et nomenclatures	Langage commun et calculs fiables	Définition des KPI, règles métiers, mapping des valeurs	Mise à jour continue
Alertes et monitoring	Réactivité face aux dérives	Seuils sur KPI, surveillance de fraîcheur et de qualité	Temps réel / quotidien

Missions projets et analyses ad hoc

• Études d’impact : mesurer l’effet d’un lancement produit, d’un changement de pricing ou d’une nouvelle fonctionnalité.
• Sizing et business cases : estimer le potentiel de revenus/économies, définir les hypothèses et la sensibilité.
• Automatisations : industrialiser un flux d’alimentation, un calcul de KPI ou un rapport récurrent.
• Expérimentations : concevoir et analyser des tests (A/B, avant/après), valider la significativité statistique.
• Segmentation et scoring : construire des segments actionnables, prioriser des cibles en lien avec les équipes marketing ou produit.

Cas concret : pour préparer le lancement d’une nouvelle offre, le Data Analyst consolide l’historique des ventes, construit des scénarios de croissance, chiffre les coûts d’acquisition, puis propose un business case avec indicateurs de succès et plan de mesure. Il coordonne la mise en place des KPI avec la DSI et les Data Engineers, puis suit les résultats dans un dashboard partagé.

Responsabilités transverses : documentation et gouvernance des données

• Documentation vivante : tenir à jour le dictionnaire de données, les règles de calcul et les guides d’usage des KPI.
• Standardisation : définir des KPI de référence, des conventions de nommage et des calendriers de mise à jour.
• Qualité et conformité : mettre en place des contrôles (completude, fraîcheur, unicité), contribuer aux bonnes pratiques RGPD avec les équipes concernées.
• Traçabilité et partage : documenter la lignée des données (sources à visualisations), publier des modèles et notebooks réutilisables, animer la communauté data.

Ces responsabilités assurent la fiabilité des analyses, évitent les interprétations divergentes et accélèrent la prise de décision dans toute l’organisation.

Où se situe le Data Analyst dans l’organisation ?

Le positionnement du Data Analyst varie selon la taille et la maturité data de l’entreprise. Selon les cas, il est rattaché à la DSI, à la direction marketing, à la direction financière ou à une équipe data dédiée pilotée par un Chief Data Officer (CDO). Dans les organisations produits, on le retrouve aussi au sein des équipes Produit/Growth ou BI, au plus près des besoins métier. Ce rattachement détermine ses priorités quotidiennes, ses indicateurs à suivre et son périmètre d’action.

Trois modèles d’équipe sont les plus fréquents : 1) un modèle centralisé au sein d’un pôle Data/BI (cohérence des méthodes et de la gouvernance, priorisation transverse), 2) un modèle décentralisé ou « embedded » dans les équipes métier Marketing, Produit, Finance (forte proximité avec l’usage, time-to-insight rapide), 3) un modèle hub-and-spoke avec centre d’excellence data et relais analytiques dans chaque département (équilibre entre standards communs et agilité locale). En pratique, le Data Analyst adapte ses livrables: reporting marketing et CRM, product analytics, tableaux de bord financiers, études ad hoc pour la direction.

À qui rend-il compte et avec qui collabore-t-il ?

• Rattachements possibles : CDO / Head of Data, Responsable BI, DSI / IT Data Director, Directeur Marketing / Chief Growth Officer, Directeur Produit (Head of Product), Directeur Financier (CFO / Contrôle de gestion).
• Interlocuteurs métier : Product Managers, équipes Growth/CRM/Acquisition, Ventes et Customer Success, Finance et Contrôle de gestion, Opérations et Supply, Direction générale.
• Interlocuteurs data/tech : Data Engineers et Analytics Engineers pour l’accès aux données et l’industrialisation, Data Scientists pour les modèles avancés, équipes BI et Dev/Cloud pour les environnements, Data Steward/Gouvernance et DPO pour la conformité RGPD.

Au quotidien, le Data Analyst traduit un besoin business en hypothèses mesurables, conçoit des KPIs et des tableaux de bord, partage les résultats avec les parties prenantes et formule des recommandations activables. Il joue un rôle d’interface entre la technique et le métier, ce qui exige clarté de communication et compréhension fine des enjeux business.

Types de contrat et conditions de travail (télétravail, rythme)

Le marché français privilégie le CDI, avec une part significative de missions freelance et des contrats en alternance pour l’entrée dans le métier. Le cadre de travail est majoritairement hybride avec télétravail fréquent, des horaires de bureau et des pics d’activité liés aux cycles de reporting ou aux déploiements d’outils analytiques.

Format	Part d’offres observée	Cadre de travail typique
CDI	72,1 % des offres (données France au 31/12/2025)	Équipe Data/BI ou équipe métier, trajectoires d’évolution, rituels produits et gouvernance data.
Freelance / Consultant	11,6 % des offres (31/12/2025)	Missions projet, renfort expertise, organisation souvent flexible, parfois full remote selon clients.
Alternance	4,9 % des offres (31/12/2025)	Montée en compétences sur 12 à 24 mois, tutorat, exposition outils BI et pipelines.
CDD et autres	Variable selon secteurs	Remplacements, pics d’activité, projets bornés dans le temps.

Conditions de travail usuelles : hybride / télétravail fréquent, environnement collaboratif, forte culture KPI, coordination régulière avec les équipes techniques et métiers. Les livrables clés incluent le reporting automatisé, les analyses exploratoires, la gouvernance de la qualité des données et la préparation de la donnée pour des usages avancés.

Quels outils utilise un Data Analyst ?

Pour transformer la donnée brute en levier stratégique, le Data Analyst dispose d’une palette d’outils répartis en plusieurs catégories. L’important est de choisir une stack cohérente avec le contexte de l’entreprise, les sources de données et le niveau d’exigence analytique.

• Langages et analyse : Excel avancé, SQL, Python ou R selon les cas d’usage.
• Visualisation et BI : Power BI, Tableau, Looker selon l’écosystème et la gouvernance.
• Bases de données et data warehouses : MySQL, PostgreSQL, BigQuery, Snowflake.
• Cloud et Big Data : GCP, AWS, Azure, Spark (exposition fréquente, socle utile).
• ETL/ELT et orchestration : dbt, Airflow, Fivetran pour des pipelines légers et fiables.
• Outils d’IA et assistants : accélération de la production, garde-fous qualité et RGPD.

Langages et analyse (Excel avancé, SQL, Python/R)

Les attentes évoluent avec l’expérience : un junior maîtrise Excel avancé pour l’exploration, le nettoyage et le reporting, ainsi que SQL pour interroger les bases. Un confirmé consolide SQL (fenêtres, CTE, optimisation) et ajoute Python ou R pour industrialiser les analyses, automatiser et documenter ses notebooks.

Outil	Cas d’usage typiques	Niveau d’usage attendu
Excel avancé (Power Query, Power Pivot)	Nettoyage rapide, modèles de rapports, analyses ad hoc, contrôle qualité	Junior : TCD, formules, Power Query. Confirmé : modèles robustes, liaisons données, règles de validation
SQL	Jointures, agrégations, fenêtres, CTE, vues matérialisées, contrôles qualité	Junior : SELECT, JOIN, GROUP BY. Confirmé : fonctions fenêtre, performance, lecture des plans d’exécution
Python (Pandas, NumPy, Matplotlib/Seaborn)	Préparation, analyses répétables, automatisation de reporting, API, tests	Confirmé : scripts et notebooks documentés, packaging léger, tests unitaires de fonctions
R (tidyverse, ggplot2)	Analyses statistiques, modélisation, visualisation avancée	Confirmé : projets RStudio structurés, reproductibilité, rapportage

Visualisation et BI (Tableau, Power BI, Looker)

Le choix d’un outil BI dépend surtout de l’écosystème IT, du niveau de gouvernance et du besoin d’exploration libre. Tableau excelle pour l’analyse visuelle exploratoire, Power BI s’intègre finement à l’univers Microsoft et à Excel, Looker s’appuie sur un modèle sémantique centralisé pour standardiser les métriques.

Outil	Atouts	Limites	Contexte idéal
Power BI	Intégration Microsoft 365, DAX puissant, partage aisé	DAX à apprivoiser, gouvernance à structurer	Entreprise Microsoft, usage massifié, coût maîtrisé
Tableau	Richesse graphique, exploration fluide, storytelling	Coûts licences, gouvernance à cadrer	Équipe orientée data discovery et design
Looker	Modélisation sémantique (LookML), métriques standardisées	Courbe d’apprentissage du modèle, dépendance Cloud	Organisation cherchant une vérité métier unique

Bases de données et data warehouses (MySQL, Postgres, BigQuery, Snowflake)

Le Data Analyst interroge des SGBD relationnels (MySQL, PostgreSQL, SQL Server) et des entrepôts modernes (BigQuery, Snowflake). Son rôle clé : écrire des requêtes fiables, optimiser les jointures et la granularité, lire un plan d’exécution, proposer des vues ou des tables dérivées qui servent les cas d’usage métier.

En pratique : sur BigQuery, tirer parti du partitionnement et du clustering, échantillonner avec LIMIT pour explorer et surveiller les coûts. Sur Snowflake, dimensionner les virtual warehouses, utiliser des tâches et des streams, privilégier les vues matérialisées lorsque pertinent. Sur Postgres, soigner les index et la distribution des clés de jointure.

Environnements Cloud et Big Data (GCP, AWS, Azure, Spark)

Même si le Cloud n’est pas toujours au cœur du poste, un Data Analyst y est souvent exposé via le stockage objet, les entrepôts managés et des notebooks partagés. Des bases solides améliorent l’autonomie et la collaboration avec les Data Engineers.

• GCP, AWS, Azure : notions d’IAM, stockage (S3, GCS, ADLS), coûts, monitoring.
• Spark (PySpark) : DataFrames, repartition, cache, bonnes pratiques d’agrégation.
• Dev et déploiement : Git, environnements, dépendances, qualité de code.
• Sécurité et conformité : gestion des accès, masquage, logs d’audit.

Outils ETL/ELT et orchestration (dbt, Airflow, Fivetran)

Le Data Analyst contribue à des pipelines légers et fiables en privilégiant l’ELT dans l’entrepôt. Il documente les modèles, ajoute des tests et automatise les rafraîchissements pour garantir des indicateurs stables.

• dbt : modèles SQL versionnés, tests de qualité, documentation et lineage.
• Airflow (ou Cloud Composer/Managed Workflows) : ordonnancement, dépendances, alertes.
• Fivetran (ou alternatives) : ingestion managée de CRM, ERP, publicités avec suivi d’objets et de schémas.
• Data quality : règles de complétude, unicité, seuils d’alerte, rapports d’anomalies.

Outils d’IA et assistants : quelles limites ?

Les assistants d’IA accélèrent la génération de requêtes SQL, de scripts Python et de tests, ainsi que la rédaction de documentation. Ils ne remplacent pas la validation humaine ni les contrôles de qualité et doivent être utilisés dans un cadre conforme au RGPD.

• Usages productifs : ébauches de requêtes, fonctions utilitaires, scénarios de tests, revue de code assistée, génération de docstring et de commentaires.
• Garde-fous : ne pas exposer de données personnelles ou sensibles, vérifier toute sortie (explain plan, tests), tracer les décisions, privilégier les déploiements d’IA internes ou sécurisés, respecter la minimisation des données et les durées de conservation.

Stack type junior vs senior : que maîtriser à chaque niveau ?

Niveau	Socle outils	BI et data	Pipelines et Cloud	Différenciants
Junior (0, 2 ans)	Excel avancé, SQL fondamental	Un outil BI au choix (Power BI ou Tableau), bonnes pratiques de visualisation	No-code/low-code d’ingestion, notions IAM et coûts	Documentation claire, rigueur sur la qualité
Confirmé (3, 5 ans)	SQL avancé, Python ou R, Git	Modèles de données, métriques partagées, gouvernance	dbt, orchestration basique, BigQuery ou Snowflake	Automatisation reporting, tests de données, optimisation requêtes
Senior (6+ ans)	Design analytique, revue de code, performance	Architecture BI, standardisation KPIs, sécurité d’accès	Orchestration aboutie, coûts et SLA, Spark selon besoin	Mentorat, cadrage de projets, fiabilité et scalabilité

Feuille de route conseillée : consolider Excel et SQL, ajouter rapidement un outil BI, puis intégrer Python ou R pour l’automatisation. Structurer ensuite les modèles avec dbt, apprendre l’orchestration et acquérir des réflexes Cloud et gouvernance.

Quelles méthodes et processus d’analyse utiliser ?

Le rôle du Data Analyst consiste à transformer des données brutes en décisions éclairées. Pour y parvenir, il s’appuie sur des méthodologies éprouvées qui structurent le travail analytique, de la question métier jusqu’au suivi des KPIs via des tableaux de bord interactifs et des rapports clairs.

• Cadrage du problème et définition des objectifs mesurables.
• Préparation et qualité des données (collecte, nettoyage, documentation, conformité).
• Exploration statistique et visualisations pour comprendre le phénomène.
• Modélisation et expérimentation pour tester des hypothèses.
• Restitution et storytelling orienté décision pour aligner les parties prenantes.
• Mesure, itération et amélioration continue des processus et des KPIs.

Cycle analytique : de la question au KPI

1. Cadrer la question : formuler l’hypothèse métier, identifier les utilisateurs concernés et définir la métrique de succès principale et ses métriques de garde.
2. Collecter et préparer : recenser les sources (CRM, ERP, APIs), garantir la qualité des données (nettoyage, dédoublonnage), documenter le dictionnaire de variables et les règles de gestion.
3. Explorer : réaliser une analyse exploratoire (statistiques descriptives, valeurs aberrantes, corrélations), visualiser pour comprendre les patterns.
4. Modéliser : choisir des méthodes adaptées au problème (descriptif, causal, prédictif), créer des variables pertinentes et valider les résultats.
5. Conclure en insights : traduire les résultats en recommandations actionnables, expliciter les impacts attendus et les risques.
6. Décider et déployer : prioriser, lancer les changements ou expériences, planifier le suivi opérationnel.
7. Mesurer et itérer : suivre les KPIs dans des tableaux de bord, analyser l’impact réel, capitaliser les apprentissages et mettre à jour la documentation.

Astuce pratique : associez chaque KPI à une définition, une source unique et un propriétaire. Cela évite les divergences d’interprétation et accélère la prise de décision.

A/B testing et expérimentation (statistiques de base)

• Un design testable : hypothèse claire, unité d’aléa définie (utilisateur, session, magasin), randomisation correcte, durée prévue à l’avance, variantes limitées, métriques primaires et de garde cadrées.
• p-valeur : probabilité d’observer un écart au moins aussi extrême si l’hypothèse nulle est vraie. Elle ne mesure ni la taille d’effet ni la probabilité que l’hypothèse soit vraie. Seuil alpha souvent fixé à 0,05.
• Puissance statistique : 1 − β. Probabilité de détecter un effet réel de taille minimale détectable (MDE). Dépend de la variance, de la taille d’échantillon et de la durée.
• À surveiller : arrêts précoces et lectures répétées (peeking), biais de sélection, saisonnalité, contamination entre variantes, déséquilibres d’échantillon (SRM), inflation de faux positifs lors de comparaisons multiples.
• Bonnes pratiques : plan d’analyse pré-enregistré, test de puissance en amont, monitoring des checks de randomisation, corrections pour comparaisons multiples, rapport post-test avec taille d’effet et intervalle de confiance.

Exemple court : vous testez une nouvelle page d’inscription. L’hypothèse prévoit un gain sur le taux de conversion. Après la durée planifiée, vous rapportez la taille d’effet observée, l’intervalle de confiance et la p-valeur, puis décidez du déploiement en vous appuyant aussi sur des métriques de garde comme le taux de désinscription ou la satisfaction client.

Segmentation, cohortes et clustering

• Segmentation métier par règles : simple et explicable, utile quand les contraintes sont fortes ou les volumes modestes.
• Cohortes : regrouper par date d’acquisition, d’activation ou de première commande pour analyser rétention, LTV, churn, effets de versions produits.
• Clustering non supervisé : K-means, GMM, DBSCAN pour découvrir des groupes latents. Soigner la normalisation, le choix de k et la validation (silhouette, stabilité).
• RFM (Recency, Frequency, Monetary) : standard CRM et e-commerce pour prioriser les actions marketing.
• Scoring : régression logistique ou modèles de risque pour estimer probabilité de conversion, d’attrition ou d’impayé.
• Découpage contextuel : par canal, zone, device pour révéler des hétérogénéités masquées en moyenne.

Conseil pratique : commencez par des segments explicables, validez leur stabilité dans le temps, puis industrialisez leur calcul dans l’entrepôt de données pour alimenter les tableaux de bord et les campagnes.

Bonnes pratiques dataviz et storytelling

• Clarté d’abord : un message par visuel, un titre qui répond à une question, des légendes utiles.
• Choisir le bon graphique : barres pour comparer, lignes pour des séries temporelles, nuages de points pour relations, boxplots pour distributions, matrices et heatmaps pour cohortes. Éviter les 3D et les camemberts sur-segmentés.
• Échelles et axes : inclure zéro pour les barres, indiquer les unités, justifier toute échelle logarithmique.
• Couleurs : palette sobre et accessible, cohérente d’un tableau de bord à l’autre, codes constants pour les catégories.
• Incertitude : afficher marges d’erreur et intervalles de confiance lorsque pertinent.
• Accessibilité et performance : filtres utiles, temps de chargement maîtrisé, définitions des métriques visibles, fraîcheur des données indiquée.
• Storytelling orienté décision : contexte, insight, recommandation et next step. Relier systématiquement à un KPI et à un propriétaire d’action.

En pratique, développez des rapports détaillés et des tableaux de bord interactifs dans Power BI, Tableau ou Looker, avec un glossaire des indicateurs, des filtres adaptés aux équipes métier et une gouvernance claire des accès.

Pourquoi la qualité des données et le RGPD comptent-ils ?

Problème : beaucoup d’entreprises prennent des décisions sur des données incomplètes, incohérentes ou mal documentées. Résultat immédiat : indicateurs contradictoires entre équipes, analyses difficiles à reproduire et perte de confiance dans les tableaux de bord. À cela s’ajoute l’exposition à des risques juridiques lorsque des données personnelles sont manipulées sans cadre clair.

Conséquences : un time-to-insight rallongé, des opportunités business manquées et des coûts cachés (retours en arrière, retraitements, incidents). Sur le plan conformité, l’absence de privacy by design et de journalisation peut conduire à des sanctions, mais surtout à une érosion durable de la confiance des clients et des partenaires. D’où l’importance, pour un Data Analyst, de transformer des données brutes en informations exploitables tout en garantissant qualité, traçabilité et respect du RGPD.

Contrôles, documentation, traçabilité

• Checks de qualité incontournables (à automatiser dans vos pipelines) :
  • Complétude : taux de valeurs manquantes par champ et par source.
  • Cohérence : contrôle des formats, types, unités et plages attendues.
  • Unicité : détection de doublons sur les identifiants clés.
  • Exactitude : rapprochements avec sources de référence, tests d’acceptation métier.
  • Fraîcheur : délais de mise à jour, délais de latence mesurés et suivis.
  • Intégrité référentielle : correspondance des clés entre tables de référence et de faits.
  • Dictionnaire de données et définitions partagées des KPIs.
  • Contrats de schéma et règles de transformation versionnées.
  • Politiques de rétention, catalogage et niveaux de sensibilité.
  • Journaliser sources, horodatages, versions de code et responsables.
  • Cartographier le flux de la donnée, de l’ingestion jusqu’au tableau de bord.
  • Conserver les preuves d’exécution des contrôles (logs, rapports QA).

  En pratique, le Data Analyst met en place des contrôles rigoureux tout au long du traitement, documente les transformations et s’assure que chaque indicateur est traçable et reproductible. Cette hygiène de données réduit les écarts entre métiers et sécurise les décisions.

  Anonymisation, sécurité et éthique

  • Risques à prévenir :
    • Ré-identification involontaire lors de croisements de jeux de données.
    • Accès non autorisé à des attributs sensibles.
    • Biais dans les jeux d’entraînement menant à des décisions injustes.
    • Pseudonymisation et tokenisation pour limiter l’exposition des identifiants.
    • Anonymisation statistique adaptée au cas d’usage (k-anonymity, l-diversity, agrégation).
    • Minimisation des données : ne collecter et ne conserver que le nécessaire.
    • Chiffrement des données en transit et au repos, gestion des accès par rôles.
    • Privacy by design dans les spécifications et les tableaux de bord.
    • Parcours d’onboarding et rappels réguliers sur la manipulation des données.
    • Revues éthiques et tests de biais sur les analyses récurrentes.

    Au quotidien, il convient de travailler avec le DPO et la sécurité IT pour aligner les jeux de données sur la finalité annoncée, appliquer des techniques d’anonymisation adaptées et former les équipes à des usages responsables.

    Rôle du Data Analyst dans la gouvernance

    Au cœur des échanges entre métiers et équipes techniques, le Data Analyst est le pont entre la technique et le business. Il contribue directement à la gouvernance en qualifiant la donnée, en documentant les métriques et en sensibilisant les équipes à la qualité et au RGPD.

    • Responsabilités clés :
      • Co-construire définitions et seuils des KPIs avec les métiers.
      • Mettre en place des tests de validation (SQL, Python) et des alertes qualité.
      • Documenter transformations, hypothèses et limites analytiques.
      • Appliquer la minimisation, flouter ou agréger les champs sensibles lorsque c’est pertinent.
      • Remonter les écarts de conformité au DPO et au CDO, proposer des remédiations.
      • Data Engineer : responsable des architectures et pipelines en production, de la performance et de la robustesse.
      • CDO : définit la stratégie data, les politiques de gouvernance et priorise les investissements.
      • DPO : garant de la conformité juridique, des bases légales et des droits des personnes.
      Découvrir la formation Data Analyst de Liora

      Quelles sont les compétences pour devenir Data Analyst ?

      Les compétences d’un Data Analyst reposent sur un double socle. D’un côté, des hard skills pour collecter, préparer, analyser et visualiser la donnée. De l’autre, des soft skills orientées business pour cadrer les besoins, raconter les résultats et piloter l’impact métier sur les revenus, les coûts ou l’expérience client.

      Hard skills, tableau des compétences clés et usages concrets

      Outil ou compétence	Livrables produits	Exemples d’usages métier
      SQL	Vues, requêtes, procédures, jeux d’extraction	Requêtes clients, analyses de ventes, segmentation opérationnelle
      Python	Scripts de nettoyage et d’automatisation, notebooks, jobs de reporting	Nettoyage de données (Pandas), reporting automatisé, scoring d’appétence
      Power BI	Tableaux de bord interactifs, rapports KPIs, datamarts légers	Suivi des performances marketing, produit et finance pour les décideurs
      R et statistiques	Modèles descriptifs et prédictifs, tests statistiques	Segmentation, régression, tests A/B, scoring client
      Tableau, Qlik, Looker	Dashboards, analyses exploratoires, data storytelling	Rapports interactifs pour directions métier et comités de pilotage
      Bases de données SQL et NoSQL	Schémas, vues matérialisées, modèles de données	Exploitation de données structurées et semi‑structurées, vue 360 client
      Cloud (AWS, Azure, GCP)	Pipelines de données, orchestrations, data lakes	Intégration multi‑sources, traitements à l’échelle, automatisation
      ETL et orchestration (Talend, Informatica, Airflow, Dataiku)	Flux ETL, DAGs d’ordonnancement, jobs d’alimentation	Alimentation d’un data warehouse, industrialisation des reportings
      RGPD, gouvernance et data quality	Règles de qualité, contrôles, catalogues et politiques d’accès	Pseudonymisation, gestion des droits, audits et traçabilité des usages

      Soft skills, compétences comportementales

      • Communication : adapter le message au public, structurer un data storytelling clair, argumenter avec des visuels simples et actionnables.
      • Sens critique : questionner les hypothèses, détecter les biais, valider les résultats par des contrôles et tests statistiques.
      • Priorisation : hiérarchiser le backlog analytics selon la valeur métier attendue, gérer les arbitrages délais/qualité/coût.
      • Pédagogie : vulgariser les concepts techniques, former les équipes aux KPIs et à l’usage des tableaux de bord.
      • Curiosité et esprit analytique : explorer de nouvelles méthodes, relier signaux faibles et objectifs business.
      • Rigueur : tracer les transformations, documenter les choix, garantir la reproductibilité des analyses.
      • Travail en équipe : co‑construire avec marketing, produit, finance et IT pour assurer l’adoption.
      • Adaptabilité : s’ajuster aux contraintes données/outils et aux priorités changeantes.
      • Éthique professionnelle : respecter la confidentialité et les réglementations en vigueur.

      Cas concret : dans un e‑commerce, le Data Analyst combine SQL pour extraire les parcours utilisateurs, Python pour nettoyer et agréger, puis Power BI pour livrer un tableau de bord partagé avec marketing et produit. Grâce à une communication claire et une bonne priorisation, l’équipe identifie des canaux sous‑performants et réalloue le budget, ce qui améliore la conversion et réduit les coûts d’acquisition.

      Découvrir la formation Data Analyst de Liora

      Quelles spécialisations de Data Analyst ?

      Dans les offres d’emploi, le métier se décline en plusieurs familles récurrentes selon le périmètre métier et les indicateurs suivis. Les plus fréquentes : Marketing/Growth/CRM, Product Analyst, BI/Reporting, Supply Chain/Ops, Finance/Risk/Pricing, Data Quality/Steward et Santé/Clinical/ESG.

      • Objectif commun : transformer des données brutes en KPIs actionnables pour piloter la performance.
      • Différences clés : périmètre fonctionnel, référentiels de données, contraintes réglementaires et outils privilégiés (BI, CRM, web analytics, finance, qualité, clinique, logistique).

      Marketing / Growth / CRM

      • Piloter la LTV client, le CAC, le ROI média par canal et l’attribution (last click, data-driven).
      • Construire des segments et audiences (RFM, propension, churn) pour les campagnes CRM et paid.
      • Suivre les cohortes, la rétention et la valeur incrémentale des campagnes.
      • Outillage courant : SQL, Python, outils BI (Power BI, Tableau), web analytics, plateformes CRM.

      Cas concret : un analyste e-commerce mesure la LTV par source d’acquisition, compare les canaux sur un modèle d’attribution data-driven, ajuste les budgets et alimente le CRM en segments à forte propension d’achat.

      Product Analyst

      • Définir et instrumenter les événements produit et funnels (inscription, activation, paiement).
      • Analyser activation, rétention, engagement, adoption de fonctionnalités.
      • Concevoir et analyser des expérimentations (A/B tests) et mesurer l’impact sur les KPIs produit.
      • Travailler en proximité avec Product Managers, Data Engineers et équipes tech.

      Cas concret : sur une app B2C, l’analyste identifie la principale friction du funnel d’onboarding, propose une variante à tester, mesure l’impact sur le taux d’activation et la rétention à 7 jours.

      BI Analyst / Reporting

      Spécialisation centrée sur la gouvernance des indicateurs et l’industrialisation du reporting pour les directions métier. L’analyste structure la donnée autour de modèles sémantiques partagés et de tableaux de bord fiables.

      • Définir les KPI owners, dictionnaires et règles de calcul communes.
      • Modéliser des data marts et couches sémantiques (Power BI, Tableau, Looker) pour un langage KPI unifié.
      • Automatiser le reporting avec des pipelines robustes et des SLA de données.
      • Former les équipes à la lecture des tableaux de bord et à la data literacy.

      Supply Chain / Ops

      • Prévision de la demande et planification.
      • Optimisation des stocks, du taux de service, de la rotation et des délais (lead time, OTIF).
      • Analyse logistique : coûts de transport, tournées, entrepôts, anomalies d’exécution.
      • Scénarios d’arbitrage coût/service et alertes sur ruptures et surstocks.

      Cas concret : pour une chaîne retail, l’analyste croise historiques de ventes, saisonnalité et promotions afin d’anticiper les pics de demande et d’ajuster les réapprovisionnements par magasin.

      Finance / Risk / Pricing

      • Suivi P&L, marges, cash-flow, productivité et coûts unitaires.
      • Risques : scoring, détection d’anomalies et de fraude, appétence au risque, contrôles.
      • Tarification : élasticité prix, stratégies de prix dynamiques, revenue management.
      • Conformité et traçabilité des données financières, collaboration rapprochée avec les équipes finance.

      Cas concret : en assurance, l’analyste ajuste des segments de tarification en fonction de l’élasticité et du risque anticipé, puis mesure l’impact sur la marge et le churn.

      Data Quality / Data Steward

      • Définir et maintenir des règles de qualité de données : complétude, exactitude, unicité, cohérence.
      • Gérer les référentiels et le MDM (clients, produits, fournisseurs), documenter le data lineage.
      • Mettre en place des contrôles, des tableaux de bord de qualité et des plans de remédiation d’anomalies.
      • Assurer la conformité et la sécurité des données en coordination avec les équipes RGPD.

      Rôle explicatif : garantir une donnée fiable et gouvernée qui alimente en confiance les analyses marketing, produit, finance et opérations.

      Santé / Clinical / ESG

      Contexte sensible avec des contraintes réglementaires fortes et des données protégées. L’analyste travaille sur des indicateurs spécifiques et des chaînes de traitement sécurisées.

      • Santé/clinique : qualité des soins, délais de prise en charge, réadmissions, suivi d’essais cliniques, respect des protocoles et confidentialité des données patients.
      • ESG : collecte et consolidation des indicateurs extra-financiers, émissions carbone, consommation d’énergie, diversité et conformité aux cadres de reporting.
      • Pratiques clés : anonymisation/pseudonymisation, contrôle d’accès, traçabilité et validation des jeux de données.
      Découvrir la formation Data Analyst de Liora

      Data Analyst vs Data Scientist : quelle différence ?

      La confusion entre ces deux métiers est fréquente. Si le Data Analyst et le Data Scientist travaillent tous deux avec la donnée, leurs missions, leur niveau de technicité et leurs outils diffèrent sensiblement.

      Critère	Data Analyst	Data Scientist
      Périmètre	Pilotage de la performance, aide à la décision dans un domaine métier donné, exploitation de sources structurées et semi‑structurées.	Projets de modélisation prédictive et prescriptive, exploration multi‑sources, recherche appliquée et expérimentation.
      Focus principal	Analyse descriptive, reporting, visualisation.	Modèles prédictifs, machine learning, IA.
      Horizon temporel	Passé et présent (que s’est‑il passé, pourquoi).	Futur (que va‑t‑il se passer, avec quelle probabilité).
      Méthodes clés	Statistiques descriptives, requêtes SQL, segmentation, tests statistiques, régressions simples.	Apprentissage supervisé et non supervisé, régression avancée, forêts aléatoires, réseaux de neurones, feature engineering, évaluation expérimentale.
      Outils phares	SQL, Power BI, Tableau, Python pour l’analyse et l’automatisation.	Python avancé, R, TensorFlow, scikit‑learn, Spark, notebooks.
      Livrables typiques	Tableaux de bord et rapports KPIs, analyses ad hoc, jeux de requêtes et modèles descriptifs documentés.	Notebooks et scripts de modélisation, modèles prédictifs validés, rapports d’expérimentation et jeux de variables.
      Interlocuteurs	Équipes métier et direction, produit, marketing, finance.	Data Engineers et Analytics Engineers, équipes R&D, direction technique, parfois métiers pour la mise en production.
      Formation typique	Bac +3 à Bac +5.	Bac +5 à Bac +8 avec spécialisation en statistiques, mathématiques, IA.

      En résumé, le Data Analyst se concentre sur l’analyse du passé et du présent pour expliquer et piloter l’activité, tandis que le Data Scientist construit des modèles pour prédire et simuler des scénarios futurs. Les deux profils sont complémentaires, le Data Analyst préparant souvent la donnée et les indicateurs qui serviront ensuite de base aux travaux du Data Scientist.

      Dans quels secteurs travaille un Data Analyst ?

      Grâce à la nature transversale de leurs compétences, les Data Analysts peuvent exercer dans presque tous les secteurs. Voici les principaux domaines porteurs et leurs enjeux concrets.

      • Retail / E-commerce / Grande distribution : analyse des comportements omnicanaux, personnalisation des offres, optimisation du pricing et des promotions, prévision de la demande, pilotage du parcours client et réduction du churn.
      • Banque / Assurance / Finance : scoring crédit et tarification, détection de fraude, conformité KYC/AML, gestion et modélisation des risques, optimisation de la relation client et de la rentabilité portefeuille.
      • Industrie / Logistique : optimisation de la supply chain, planification de production, maintenance prédictive via capteurs IoT, amélioration qualité et OEE, réduction des coûts et des délais.
      • Santé : exploitation des données cliniques et médico‑administratives, amélioration des parcours de soins, recherche épidémiologique, planification des ressources (lits, blocs), respect des exigences de sécurité et de confidentialité des données patients.
      • Tech / Start-ups / SaaS : analytics produit, A/B testing et growth, suivi de l’engagement et de la rétention, optimisation de la monétisation et de la LTV, détection d’abus, aide à la priorisation roadmap.
      • Secteur public : pilotage des politiques publiques, open data et transparence, mobilité et aménagement du territoire, détection d’anomalies et lutte contre la fraude, allocation budgétaire et amélioration de la performance des services.

      Quelle formation pour devenir Data Analyst ?

      Plusieurs voies mènent au métier : cursus académiques, alternance et stages, bootcamps intensifs, certifications professionnelles, auto‑formation guidée par des projets. L’idéal consiste à combiner théorie, pratique encadrée et réalisations concrètes publiées en ligne.

      • Études supérieures en statistiques, informatique, mathématiques appliquées, économie quantitative ou informatique décisionnelle.
      • Alternance et stages pour appliquer SQL, Python et la data visualisation en conditions réelles.
      • Bootcamps et formations continues pour accélérer une reconversion.
      • Certifications éditeurs pour valider des compétences ciblées sur des outils BI et cloud.
      • Auto‑formation structurée avec projets, portfolio et publications.

      Niveau d’études requis et parcours académiques

      • Bac +2 : BTS SIO ou parcours informatique/statistique, utile comme tremplin vers un Bac +3, idéalement en alternance.
      • Bac +3 : BUT Science des données (ex‑STID), BUT Informatique, Licence avec parcours data, Licence pro métiers du décisionnel ou systèmes d’information et gestion de données.
      • Bac +5 : Masters Statistiques / Data Mining, Économétrie, Informatique décisionnelle (ex. MIAGE), Data Science / Business Analytics, diplôme d’ingénieur avec spécialisation Big Data / IA.
      • Post‑master : Mastères spécialisés en Big Data, IA et Data Science pour se positionner sur des postes plus techniques ou de pilotage.

      Le métier est accessible dès le Bac +3, mais un Bac +5 est souvent préféré pour les postes exigeant davantage de modélisation ou d’architecture de données.

      Bootcamps et certifications reconnues

      Les bootcamps intensifs et la formation continue permettent d’acquérir rapidement les fondamentaux pratiques, à condition de produire des projets évaluables. Les certifications complètent utilement un diplôme en attestant d’une maîtrise outil‑métier.

      • Généralistes data/BI : Google Data Analytics Professional Certificate, Microsoft Certified: Data Analyst Associate (Power BI), Tableau Certified Data Analyst.
      • Par éditeur ou écosystème : IBM Data Science Professional, SAS (parcours Analytics), certifications cloud orientées data (AWS, Azure, GCP) utiles pour l’orchestration et le stockage.
      • Métier : Certified Analytics Professional (CAP) pour valider un socle méthodologique indépendant des outils.

      Alternance et stages : comment en tirer parti ?

      Bien choisis et pilotés, ils accélèrent l’employabilité, donnent des cas d’usage réels et des références concrètes.

      1. Ciblez un périmètre mesurable : reporting commercial, fraude, supply, marketing digital, finance.
      2. Fixez des objectifs clairs dès l’entrée (KPIs, délais, livrables SQL/BI, critères d’impact business).
      3. Tenez un carnet de bord technique et métier, versionnez vos scripts et DAX sur Git.
      4. Livrez des dashboards documentés (définitions d’indicateurs, dictionnaire de données, règles de qualité).
      5. Soignez la communication : démos régulières, notes d’analyse, recommandations activables.
      6. Capitalisez : transformez la mission en étude de cas portfolio, demandez une recommandation écrite.

      Peut-on devenir Data Analyst sans diplôme informatique ?

      Oui. Beaucoup de reconversions réussissent via un mix bootcamp, auto‑formation guidée et projets concrets. L’essentiel est de démontrer, portfolio à l’appui, la maîtrise de la chaîne complète : collecte, préparation, analyse, visualisation et recommandation.

      • Pré requis concrets : SQL intermédiaire, bases de statistiques (descriptives, régression simple), Python ou R pour le traitement, un outil BI (Power BI ou Tableau), Git/GitHub, bonnes pratiques RGPD et qualité de données.
      • Écueils à éviter : accumulation de cours sans projets, copier‑coller de notebooks sans explication, négliger la qualité et la gouvernance des données, portfolio sans récit métier ni impact chiffré.

      Quel plan d’action en 6 mois pour se lancer ?

      1. Mois 1 : bases solides en SQL et statistiques descriptives, révisions Excel, ouverture d’un GitHub public, lecture de données ouvertes (par exemple open data locales) et premières requêtes commentées.
      2. Mois 2 : Python avec Pandas, nettoyage et jointures, projet 1 orienté métier (ex. conversion e‑commerce) avec notebook reproductible et README.
      3. Mois 3 : Power BI ou Tableau, modèle de données, DAX/calculs, tableau de bord interactif publié, article LinkedIn expliquant votre démarche.
      4. Mois 4 : statistiques inférentielles de base, régression linéaire/logistique, projet 2 prédictif léger, tests A/B simulés, rapport d’analyse clair.
      5. Mois 5 : data pipeline simple (planification, documentation), notions cloud utiles au stockage/partage, revue de code par pair, amélioration du portfolio.
      6. Mois 6 : projet 3 orienté entreprise (finance, marketing, supply), préparation d’entretiens techniques, 2 à 3 études de cas publiées, candidatures ciblées et prises de contact réseau.
      Voir le programme Liora

      Quelles sont les exigences de recrutement ?

      Les offres de Data Analyst recherchent majoritairement des profils Bac +3 à Bac +5 avec une première expérience significative, idéalement acquise en stage, alternance ou premier poste. Elles mettent l’accent sur la maîtrise de SQL, d’un langage d’analyse (souvent Python), d’un outil de data visualisation, ainsi que sur la capacité à produire des livrables clairs et actionnables pour les métiers.

      • Expérience : 0 à 2 ans pour les juniors, 3 à 5 ans pour les confirmés, plus de 6 ans pour les seniors. De nombreuses annonces précisent qu’une première expérience réussie est attendue.
      • Outils fréquemment demandés : SQL, Python, Power BI ou Tableau, Excel avancé, Dataiku, Git. Connaissances cloud appréciées (AWS, Azure, GCP) et notions de data warehousing.
      • Livrables attendus : tableaux de bord et reportings industrialisés, jeux de données nettoyés et documentés, analyses exploratoires et études statistiques, spécifications de règles de gestion, notes de recommandation business, suivi de KPIs.
      • Exigences transverses : communication et vulgarisation, respect du RGPD, sens du produit, autonomie et rigueur méthodologique.

      Expérience attendue (junior, confirmé, senior)

      Niveau	Repères d’autonomie	Complexité des sujets	Mentoring et leadership	Livrables typiques
      Junior (0 à 2 ans)	Travaille avec cadrage, exécute des analyses définies	Requêtes SQL, nettoyage, premières visualisations	Accompagne ponctuellement des pairs, apprend les bonnes pratiques	Dashboards existants maintenus, jeux de données nettoyés, analyses descriptives
      Confirmé (3 à 5 ans)	Autonome sur un périmètre, gère un backlog d’analyses	Modélisation de données, A/B tests, analyses prédictives basiques	Coache des juniors, anime des ateliers métiers	Dashboards from scratch, specs de règles de gestion, études d’impact chiffrées
      Senior (6 ans et plus)	Lead sur la roadmap analytique, priorise avec les parties prenantes	Analyse multi-sources, gouvernance et qualité, optimisation coûts et performance	Mentorat, évangélisation data, interaction C-level	Frameworks de KPIs, design de modèles de données, standards de qualité et de documentation

      La majorité des offres ciblent des profils jusqu’à 5 ans d’expérience, mais valorisent fortement l’autonomie, la qualité des livrables et la capacité à collaborer avec les équipes métier.

      Compétences et mots-clés à mettre sur le CV

      • SQL avancé (CTE, fenêtres, optimisations) : réduction du temps de requête, fiabilisation des extractions, taux d’erreurs proche de 0 %.
      • Python (Pandas, NumPy, scikit-learn) : automatisation de reportings, gains de temps mesurés en heures économisées par mois, scripts réutilisables.
      • Power BI / Tableau : adoption des dashboards par les métiers, baisse du délai de mise à disposition des indicateurs, rafraîchissement des données contrôlé.
      • Statistiques appliquées (tests d’hypothèses, intervalles de confiance, A/B testing) : uplifts de conversion, décisions fondées sur des significativités mesurées.
      • Dataiku / Airflow ou équivalents : orchestration d’ETL, respect des SLA de rafraîchissement, suivi de la qualité des pipelines.
      • Cloud (AWS, Azure, GCP) : coûts maîtrisés, temps de traitement réduit, sécurité et gouvernance renforcées.
      • Modélisation de données (étoile, flocon) : fiabilité des KPIs, documentation des tables de référence, diminution des divergences de chiffres.
      • Data visualisation et storytelling : clarté des insights, taux d’adoption des tableaux de bord, satisfaction des parties prenantes.
      • RGPD et gouvernance : conformité, taux de complétude et d’exactitude, baisse du nombre d’incidents liés aux données.
      • Web analytics (GA4, plan de marquage) : optimisation du CPA, amélioration du ROAS, pilotage de funnels et cohortes.

      Questions d’entretien fréquentes et tests techniques (SQL, étude de cas)

      • SQL pratique : jointures multiples, fenêtres, anti-joins, agrégations conditionnelles, détection d’anomalies. Évaluation de la clarté, de l’optimisation et de la robustesse.
      • Étude de cas business : analyser un funnel e-commerce, mesurer l’impact d’une campagne, estimer un churn. Évaluation de la structuration, des hypothèses et des recommandations.
      • Test statistiques : A/B test, p-value, puissance, choix des métriques. Évaluation de la rigueur expérimentale et de l’interprétation.
      • Data viz : construire un mini tableau de bord Power BI ou Tableau à partir d’un dataset fourni. Évaluation de la pertinence des KPIs et de l’ergonomie.
      • Modélisation de données : schéma en étoile, dimension temporelle, gestion des slowly changing dimensions. Évaluation de la capacité à préparer des données analysables.
      • Qualité et gouvernance : contrôler la fraîcheur, la complétude et la cohérence des données, documenter règles et sources, prise en compte du RGPD.
      • Culture produit et communication : prioriser un backlog d’analyses, cadrer une demande métier, raconter l’insight et ses limites à des non spécialistes.

      Préparez-vous avec des exercices SQL chronométrés, un cas d’usage documenté et un tableau de bord reproductible. Soignez la communication de vos résultats et explicitez vos choix méthodologiques.

      Portfolio : quels projets valorisent votre profil ?

      • Tableau de bord de ventes sous Power BI ou Tableau : KPIs de CA, marge, panier moyen, cohortes. Livrables attendus : fichier PBIX/TWBX, jeu de données nettoyé, guide d’usage.
      • Analyse SQL end to end : modèle de données simple, requêtes commentées, vues matérialisées pour l’exploration. Livrables : script SQL, schéma, résultats reproductibles.
      • A/B test sur données marketing : design expérimental, calcul de taille d’échantillon, analyse et recommandation. Livrables : notebook, mémo de décision produit.
      • Pipeline d’ingestion et de qualité avec Dataiku ou Airflow : extraction, transformation, contrôles de fraîcheur et complétude, alerting. Livrables : DAG, documentation, indicateurs de SLA.
      • Churn baseline en Python : features simples, régression logistique, interprétabilité, plan d’actions. Livrables : notebook, métriques, limites et pistes d’amélioration.
      • Cartographie de KPIs et dictionnaire de données : définition, sources, owner, fréquence de mise à jour. Livrables : README et fiche KPI prêts à l’emploi.

      Chaque projet doit être reproductible et orienté business : dépôt Git propre, README pas à pas, données sources accessibles, métriques d’impact simulées ou mesurées et une courte note de synthèse destinée aux métiers.

      Découvrir la formation Data Analyst de Liora

      Quel est le salaire d’un Data Analyst en France ?

      Le salaire d’un Data Analyst dépend d’abord de l’expérience, mais aussi du secteur, de la localisation, de la taille d’entreprise et de la stack technique mobilisée au quotidien. Les repères marché confirment ces écarts : l’APEC observe que 80 % des offres se situent entre 33 k€ et 53 k€ pour une moyenne autour de 43 k€, tandis que l’Onisep positionne le début de carrière à partir de 2 750 € brut mensuels. Ces ordres de grandeur cadrent avec les retours écoles et employeurs spécialisés.

      Grille des salaires par expérience, mise à jour 2025-2026

      Sources : Onisep (salaire débutant 2 750 €/mois), emlyon (30 000 à 60 000 €+), APEC (80 % des offres entre 33 k€ et 53 k€, moyenne 43 k€). * La moyenne APEC de 43 000 €/an correspond à l’ensemble des profils toutes expériences confondues.

      Niveau	Salaire mensuel brut	Salaire annuel brut	TJM Freelance
      Junior (0 à 2 ans)	2 750 à 3 500 €/mois	33 000 à 42 000 €/an	n.c.
      Confirmé (3 à 5 ans)	3 500 à 5 000 €/mois	42 000 à 60 000 €/an	n.c.
      Senior (6 ans et +)	5 000 à 7 000 €/mois	60 000 à 84 000 €/an	n.c.
      Freelance	n.c.	Moy. observée : 43 000 €/an*	300 à 600 €/jour

      Lecture et hypothèses : fourchettes indicatives en CDI, base 12 mois, hors variable et avantages. Le variable (bonus, intéressement) peut ajouter 5 à 15 % selon les entreprises.

      Variation par secteur d’activité, données 2025

      Secteur	Junior	Confirmé	Senior
      Tech / Start-up / SaaS	35 000 à 40 000 €	45 000 à 55 000 €	60 000 à 65 000 €
      Banque / Assurance / Finance	38 000 à 42 000 €	50 000 à 60 000 €	65 000 à 70 000 €
      Industrie / Manufacturing	34 000 à 38 000 €	45 000 à 50 000 €	55 000 à 60 000 €
      Conseil / ESN / Services	33 000 à 37 000 €	40 000 à 50 000 €	55 000 à 65 000 €

      À noter : les postes à Paris affichent en moyenne 10 à 15 % de plus que la moyenne nationale. La maîtrise d’outils cloud (AWS, Azure) et de langages avancés (Python, Spark) peut accélérer la progression salariale dès le début de carrière.

      Quels facteurs font varier le salaire ?

      • Localisation : prime francilienne fréquente, Paris et grandes métropoles mieux rémunérées que les régions (écart typique de 10 à 15 %).
      • Stack technique : SQL et Python sont attendus, l’exposition à cloud (AWS, Azure, GCP), Spark, dbt et outils BI (Power BI, Tableau) valorise le profil et tire la rémunération vers le haut.
      • Anglais : un niveau courant favorise l’accès aux groupes internationaux et aux projets multi-pays, souvent avec packages plus élevés.
      • Secteur d’activité : banque, assurance et finance paient généralement au-dessus de la moyenne, la tech/SaaS est compétitive, l’industrie et le secteur public privilégient parfois la stabilité et les avantages.
      • Taille et type d’entreprise : grands groupes et scale-ups offrent fixe et avantages plus élevés, les start-up compensent parfois par des BSPCE, le conseil et l’ESN varient selon mission et séniorité, le freelance se négocie au TJM (300 à 600 € selon expertise).

      Quelles sont les perspectives d’évolution d’un Data Analyst ?

      Le métier de Data Analyst est un excellent point de départ pour une carrière dans la data. Les évolutions possibles sont nombreuses et dépendent de la maîtrise technique, de l’impact business et de la capacité à influencer l’organisation.

      • Senior Data Analyst : analyses plus complexes, rôle de référent et accompagnement de juniors.
      • Lead Data Analyst : cadrage des méthodes, priorisation du portefeuille d’analyses, qualité des livrables.
      • Data Analyst Manager : management d’équipe, feuille de route, alignement stratégique.
      • Data Scientist : modélisation avancée et machine learning, expérimentation, industrialisation.
      • Chief Data Officer (CDO) : gouvernance et stratégie data à l’échelle de l’entreprise, conformité.
      • Consultant Data / Freelance : missions ciblées de BI, analytics marketing, analytics engineering, TJM observé 300 à 600 €.
      • Formateur ou Enseignant en Data Analytics : transmission des savoirs, conception de programmes et évaluation.
      • Évolutions connexes : Data Product Owner, Data Steward, Analyste IA.
      Formation Data Analyst certifiante

      Quelles compétences pour passer au niveau supérieur ?

      • Ownership : passer de tâches à la conduite autonome d’un problème bout en bout (du besoin à la décision), avec engagement sur résultats et délais.
      • Modélisation : aller au-delà du reporting, formuler des hypothèses, choisir les bons modèles statistiques, expérimenter et valider les effets.
      • Mentoring : accompagner 1 à 3 collègues sur méthodes, code review et bonnes pratiques de qualité.
      • Influence : cadrer la demande, hiérarchiser par impact business, défendre une recommandation auprès des décideurs.
      • Qualité et industrialisation : data contracts, tests, documentation, pipelines fiables avec plan de reprise.
      • Communication : data storytelling clair, recommandations actionnables, mesure d’impact chiffrée.

      En pratique, le passage de cap se voit quand vous prenez la responsabilité d’un domaine analytique, que vos tableaux de bord sont utilisés au quotidien par les métiers et que vos analyses pilotent des décisions récurrentes mesurées par des KPIs.

      Senior Data Analyst

      Avec quelques années d’expérience, un Data Analyst évolue naturellement vers un poste senior, gérant des analyses plus complexes et encadrant des profils juniors. Ce poste existe dans tous les secteurs, notamment en finance, e-commerce, marketing et industrie.

      • Périmètre : responsabilité d’un domaine data (marketing, produit, risque) et relation directe avec les parties prenantes.
      • Complexité : analyses exploratoires et causales, tests A/B, premiers modèles prédictifs, optimisation d’indicateurs.
      • Rôle d’expert : référent SQL/BI, bonnes pratiques de visualisation, revue de code, amélioration continue des sources et définitions d’indicateurs.
      • Transmission : mentoring de 1 à 2 analystes, partage de standards, documentation.

      Lead Data Analyst

      Dans des contextes data-driven, le Lead orchestre l’activité analytique, cadre les méthodes et garantit la qualité des livrables, en lien étroit avec les équipes techniques et métiers.

      • Orchestration d’équipe : animation de 3 à 8 analystes, cadrage des demandes, rituels, revues.
      • Priorisation : arbitrages par ROI, alignement avec la feuille de route produit ou métier.
      • Qualité : standards de modélisation, data contracts, définitions KPI, documentation et gouvernance des dashboards.
      • Coordination : travail avec Data Engineering et IT pour fiabiliser pipelines et accès aux données.

      Data Analyst Manager

      Les organisations à forts volumes de données ont besoin de managers pour structurer et diriger les équipes tout en définissant la stratégie analytique et la feuille de route.

      • Management : recrutement, montée en compétences, évaluation, trajectoires de carrière.
      • Roadmap : plan annuel, allocation de capacités, suivi des OKR et de l’impact business.
      • Alignement stratégique : arbitrage inter-métiers, gouvernance des priorités, budget et partenariats outils.
      • Conformité : respect des règles de sécurité et de protection des données avec les fonctions risques et juridiques.

      Data Scientist

      Les Data Analysts souhaitant approfondir la modélisation prédictive et le machine learning peuvent évoluer vers un poste de Data Scientist. La transition repose sur un pont de compétences ciblé.

      • Statistiques avancées : inférence, régularisation, validation croisée, features engineering.
      • ML appliqué : scikit-learn, séries temporelles, modèles de classification et régression, évaluation robuste.
      • Déploiement : notions d’API, suivi de dérive, MLOps de base avec les équipes engineering.
      • Expérimentation : design d’expériences, groupes de contrôle, métriques d’impact.

      Chief Data Officer (CDO)

      Rôle stratégique présent dans les grandes entreprises et administrations, le CDO définit et pilote la stratégie data, la gouvernance et la conformité à l’échelle de l’organisation.

      • Gouvernance : politiques de qualité, catalogage, référentiels et rôles data.
      • Stratégie : feuille de route data, priorités d’investissement, alignement avec les objectifs d’entreprise.
      • Conformité : sécurité, protection des données et respect des réglementations en vigueur.
      • Acculturation : programmes de data literacy, sponsoring des usages analytiques et IA.

      Consultant Data / Freelance

      Après quelques années, beaucoup choisissent l’indépendance pour intervenir sur des missions ciblées de diagnostic, mise en place de BI ou optimisation analytique. Le TJM observé se situe entre 300 et 600 € par jour selon expertise et secteur.

      • Positionnement : BI et dashboards, analytics marketing, analytics engineering, data quality.
      • Facturation : au forfait ou en régie, clauses de propriété intellectuelle et confidentialité.
      • Missions types : audit KPI, refonte de modèles de données, expérimentation et mesure d’impact, formation des équipes.

      Formateur ou Enseignant en Data Analytics

      Avec l’essor des formations, des experts se tournent vers l’enseignement et la formation continue pour transmettre méthodes, outils et retours d’expérience.

      • Transmission : cours, ateliers pratiques, études de cas et évaluations.
      • Programmes : SQL, Python, statistiques appliquées, visualisation, bonnes pratiques de qualité et gouvernance.
      • Prérequis pédagogiques : structuration d’un syllabus, scénarisation d’exercices, accompagnement projet et feedback actionnable.

      Quels sont les avantages et inconvénients du métier de Data Analyst ?

      Le métier combine fort impact business et grande variété de problématiques, avec en contrepartie une exigence élevée sur la qualité des données, la conformité et la tenue des délais. Voici une vue équilibrée pour vous aider à vous projeter.

      Avantages	Inconvénients
      Impact direct sur les décisions stratégiques via des KPIs et tableaux de bord	Pression sur les délais et pics de charge lors des bouclages, comités, lancements
      Missions variées et multi-secteurs (marketing, finance, produit, industrie, public)	Contexte parfois flou, besoins qui évoluent vite, priorisation délicate
      Forte demande sur le marché et bonnes perspectives d’employabilité	Veille technologique permanente pour rester à jour sur outils et méthodes
      Rémunération attractive dès le début, progression possible avec le cloud et Python	Responsabilités élevées liées au RGPD, à la sécurité et à la confidentialité
      Évolutions de carrière multiples (Senior/Lead, Data Scientist, Data Engineer, CDO)	Dette data et qualité inégale des sources (silos, données manquantes, historiques partiels)
      Transversalité et autonomie, collaboration avec de nombreuses équipes	Dépendances fortes au SI et aux droits d’accès, délais d’obtention de la donnée
      Possibilités de travail hybride et opportunités à l’international	Coordination multi-équipes et fuseaux horaires selon les organisations
      Apprentissages continus stimulants (visualisation, cloud, IA, automatisation)	Outils, modèles et métriques en évolution constante, dette de documentation
      Satisfaction de résoudre des problèmes concrets et mesurables	Problèmes analytiques parfois très complexes et sujets à interprétations

      En synthèse, le poste de Data Analyst offre un fort levier d’impact et des trajectoires d’évolution riches, à condition d’accepter une dynamique soutenue: prioriser, gérer les dépendances SI, maintenir une hygiène data rigoureuse et savoir vulgariser auprès des parties prenantes. Avant de rejoindre une équipe, interrogez la maturité data de l’organisation (qualité et gouvernance des données, niveau de dette data, sponsoring, outillage BI/Cloud, SLA d’accès aux sources, rituels de delivery) afin d’équilibrer au mieux impact et conditions de travail.

      Le marché de l’emploi du Data Analyst en France : quelles tendances ?

      La dynamique reste très favorable. D’après les données agrégées au 31/12/2025 (Opiiec, Textkernel, Kyu), les offres liées aux métiers de la data ont progressé de +35 % en 2024 vs 2023. Début 2025, plus de 11 000 postes data étaient ouverts tous secteurs confondus. Le CDI domine (72,1 %), devant le freelance (11,6 %) et l’alternance (4,9 %). Les profils les plus recherchés sont les intermédiaires 2 à 4 ans (45,6 %), mais 23,6 % des offres s’adressent à des débutants. LinkedIn observe aussi une hausse de 650 % des métiers de la data depuis 2012.

      En synthèse : la demande de Data Analysts dépasse structurellement l’offre. 67 % des entreprises prévoient d’augmenter leur budget data, et les modalités de travail sont souvent flexibles (hybride, télétravail). Les compétences phares restent : SQL, Python, Power BI, statistiques et data visualisation.

      Secteurs et régions qui recrutent

      • Banque, assurance, finance : risque, lutte contre la fraude, pilotage réglementaire.
      • E‑commerce et marketing digital : performance d’acquisition, attribution, personnalisation.
      • Santé : analyses cliniques, amélioration des parcours de soins.
      • Industrie et supply chain : prévisions, optimisation des stocks, maintenance prédictive.
      • Tech, start‑ups, ESN et conseil : produits data, BI, gouvernance et projets clients.
      • Secteur public, énergie et transport : pilotage de politiques publiques et réseaux.

      Île‑de‑France concentre une large part des annonces (plusieurs milliers d’offres actives à Paris sur les principaux jobboards). En régions, la demande progresse dans les grands bassins économiques et technologiques, portée par l’industrie, le conseil et le numérique. Le télétravail partiel élargit l’accès aux opportunités au‑delà des métropoles.

      Impact de l’IA et de l’automatisation sur le rôle

      L’IA fait évoluer le métier vers plus de valeur ajoutée : le copilotage des analyses accélère l’exécution, tandis que l’Analyst se concentre davantage sur le cadrage des besoins, la qualité des données, le design des indicateurs et la mise en histoire des insights.

      • Copilotage des tâches : assistants IA pour requêtes SQL, génération de code Python ou DAX, création accélérée de visuels.
      • Automatisation renforcée : ETL, orchestrateurs et contrôles de qualité limitent le temps passé au nettoyage.
      • Montée en valeur : focus sur KPIs, expérimentation, analyse causale et recommandations business.
      • Démocratisation de la data : rôle accru de data coach, gouvernance et conformité RGPD.
      • Compétences qui progressent : cloud analytics, bonnes pratiques MLOps légères, prompting et éthique de l’IA.
      • Nouveaux intitulés adjacents : Data Product Owner, Data Steward, Analyste IA.
      Découvrir la formation Data Analyst de Liora

      FAQ : Vos questions sur le métier de Data Analyst

      Quel est le rôle principal d’un Data Analyst ?

      Transformer des données brutes en informations exploitables pour guider les décisions. Concrètement, il collecte, prépare, analyse et restitue la donnée via des tableaux de bord, rapports et recommandations. Voir la définition et les missions clés.

      Quelle est la différence entre Data Analyst et Data Scientist ?

      • Objectif: Analyste, analyse descriptive et diagnostic; Scientist, prédiction et modélisation avancée.
      • Outils: Analyste, SQL, BI, Python pour analyses; Scientist, Python avancé, bibliothèques ML, Spark.
      • Temporalité: Analyste, passé et présent; Scientist, futur et scénarios.
      • Complémentarité: l’Analyst prépare et valorise la donnée qui sert aux modèles du Scientist. Voir la section dédiée.

      Combien gagne un Data Analyst débutant ?

      Entre 2 750 et 3 500 € brut par mois en France (soit 33 000 à 42 000 € brut/an), avec des variations selon le secteur et la localisation. Paris est souvent 10 à 15 % au-dessus. Détails dans la grille 2025-2026 et les écarts par secteur.

      Quelles études pour devenir Data Analyst ?

      Bac +3 minimum, Bac +5 recommandé: BUT STID ou licences data/stat, masters Data/Stats/Info, écoles d’ingénieurs. Les certifications renforcent l’employabilité: Microsoft Certified: Data Analyst Associate, Google Data Analytics, IBM Data Science Professional. Voir la section formation et la formation Data Analyst de Liora.

      Est-ce un métier qui recrute ?

      Oui, fortement. Les offres ont progressé d’environ +35 % en 2024 et plus de 11 000 postes étaient ouverts début 2025, tous secteurs confondus. Voir le marché de l’emploi.

      Peut-on devenir Data Analyst sans diplôme en informatique ?

      Oui, via une reconversion structurée: bases en SQL et Python, statistiques appliquées, outils BI (Power BI, Tableau), projets concrets pour un portfolio. Suivez notre guide et découvrez le programme Liora.

      Quelles sont les spécialisations possibles ?

      • Data Marketing Analyst, Business Data Analyst
      • Data Quality Manager, Analyste IA
      • Data Scientist, Data Engineer
      • Lead Data Analyst, Data Product Owner, Data Steward
      • Consultant Data / Freelance

      Retrouvez les parcours et évolutions dans la section sur les perspectives.

      Voir le programme Liora