Comment devenir data analyst ? Rôle, compétences et formation

Le data analyst est devenu l'un des profils les plus recherchés sur le marché du travail en France. Avec l'explosion du volume de données générées chaque jour par les entreprises, les plateformes numériques et les appareils connectés, savoir lire, interpréter et valoriser ces données est devenu une compétence stratégique. Pourtant, le métier reste mal compris : beaucoup confondent data analyst, data scientist et business intelligence analyst. Voici ce qu'il faut vraiment savoir pour s'orienter vers cette carrière.

Qu'est-ce qu'un data analyst au quotidien ?

Le data analyst collecte, nettoie et analyse des données pour en tirer des conclusions utiles à l'entreprise. Sa mission n'est pas de créer des algorithmes complexes (c'est plutôt le terrain du data scientist), mais de répondre à des questions concrètes : les ventes ont-elles baissé sur ce segment ? Quel canal marketing génère le meilleur retour sur investissement ? Quels clients sont à risque de churn ?

Concrètement, une journée type alterne entre extraction de données depuis des bases SQL ou des outils comme Google Analytics, nettoyage et structuration (souvent la partie la plus longue), création de tableaux de bord dans Tableau, Power BI ou Looker, et présentation des résultats aux équipes métier. Le data analyst fait l'interface entre la data et les décideurs. Cette double casquette technique et communicante est la clé du métier.

La différence avec le data scientist est importante : le data analyst travaille principalement sur des données structurées et des analyses descriptives ou diagnostiques (que s'est-il passé ? pourquoi ?), tandis que le data scientist s'oriente vers la modélisation prédictive et le machine learning (que va-t-il se passer ?). En pratique, les deux rôles se chevauchent souvent dans les PME où une seule personne couvre tout le spectre.

Quelles compétences sont vraiment nécessaires ?

Le SQL est incontournable. Toutes les offres d'emploi de data analyst citent SQL comme prérequis. Il faut savoir écrire des requêtes pour extraire, filtrer, regrouper et joindre des données depuis des bases relationnelles. Les fonctions window (RANK, ROW_NUMBER, LAG), les CTE et les sous-requêtes font partie du niveau attendu en entretien.

Python ou R vient ensuite. Python s'est imposé comme le standard dans la plupart des entreprises françaises, notamment avec les bibliothèques Pandas (manipulation de données), Matplotlib et Seaborn (visualisation), et NumPy (calcul numérique). R reste utilisé dans certains contextes académiques et en biostatistiques. Il n'est pas nécessaire de maîtriser les deux : choisir Python est le choix pragmatique pour qui débute.

La visualisation de données est une compétence à part entière. Savoir construire un graphique techniquement ne suffit pas : il faut savoir choisir le bon type de visualisation selon le message à transmettre, respecter les principes de lisibilité, et adapter le niveau de détail à l'audience. Tableau, Power BI et Google Looker Studio sont les outils les plus demandés. Une maîtrise partielle d'Excel avancé (tableaux croisés dynamiques, Power Query) reste utile dans beaucoup d'entreprises.

Les compétences statistiques de base sont attendues sans être poussées à l'extrême : comprendre la moyenne, la médiane, les distributions, les corrélations et les bases des tests d'hypothèses permet de ne pas tirer de conclusions erronées. Savoir distinguer corrélation et causalité est fondamental pour ne pas induire les équipes métier en erreur.

Enfin, les soft skills font souvent la différence. Un data analyst qui ne sait pas expliquer simplement ses analyses à un directeur commercial ou à un responsable marketing perd une grande partie de sa valeur. La curiosité, la rigueur et la pédagogie sont des qualités réellement discriminantes.

Quelles formations mènent au métier de data analyst ?

Il n'existe pas de formation unique et obligatoire. Plusieurs voies permettent d'accéder au métier, avec des durées et des coûts très différents.

Les formations universitaires classiques : un Bac+3 en statistiques, mathématiques appliquées, économétrie ou informatique constitue une bonne base. Un Master (Bac+5) en data science, statistiques ou systèmes d'information renforce la crédibilité, notamment pour les postes plus techniques ou en grande entreprise. Des formations comme le Master MIASHS (Mathématiques et Informatique Appliquées aux Sciences Humaines et Sociales) ou les masters spécialisés en data des grandes écoles (ENSAE, HEC, CentraleSupélec) sont très reconnus.

Les écoles spécialisées et bootcamps ont explosé ces dernières années. Des formations intensives de 3 à 6 mois (DataScientest, Wild Code School, Le Wagon, OpenClassrooms...) permettent une reconversion rapide. Ces formations sont souvent éligibles au CPF, ce qui les rend accessibles aux actifs en reconversion. La qualité varie beaucoup : vérifier le taux d'insertion à 6 mois et les avis d'anciens étudiants avant de s'engager est indispensable.

L'autoformation est possible et de plus en plus courante. Des plateformes comme Coursera (Google Data Analytics Certificate, IBM Data Analyst Professional Certificate), DataCamp, ou Kaggle permettent d'acquérir les compétences de base. Cette voie demande de la discipline et doit s'accompagner d'un portfolio de projets concrets pour convaincre les recruteurs.

Quels sont les salaires et les débouchés ?

En France, le salaire d'un data analyst junior (0-2 ans d'expérience) se situe entre 32 000 et 40 000 euros brut annuels. Avec 3 à 5 ans d'expérience, la fourchette monte à 42 000-55 000 euros. Les profils seniors ou spécialisés dans des secteurs sous tension (banque, assurance, e-commerce) peuvent dépasser 60 000 euros. Les salaires sont plus élevés à Paris qu'en régions, avec un écart de 10 à 20 % selon les postes.

Les débouchés sont larges. Le data analyst peut travailler dans n'importe quel secteur : retail, finance, santé, industrie, médias, start-ups, cabinets de conseil. Les grandes entreprises comme BNP Paribas, Carrefour, L'Oréal ou Renault recrutent régulièrement. Les scale-ups et ETI en croissance cherchent souvent leur premier data analyst, un poste plus polyvalent et formateur.

L'évolution de carrière peut mener vers le poste de data scientist (avec une spécialisation en machine learning), de data engineer (côté infrastructure et pipelines), de business intelligence manager (management d'équipe), ou de Chief Data Officer dans les structures les plus matures. Certains data analysts se tournent vers le consulting en indépendant après quelques années d'expérience.

Comment se démarquer lors de la recherche d'emploi ?

Le portfolio est le meilleur outil pour convaincre. Publier des analyses sur GitHub, participer à des compétitions Kaggle, ou réaliser des analyses de données publiques (données gouvernementales, open data collectivités) démontre la maîtrise concrète des outils. Les recruteurs reçoivent beaucoup de CV avec des compétences listées : montrer du travail réel fait la différence.

La spécialisation sectorielle peut être un avantage. Un data analyst qui connaît les enjeux du retail (comportement d'achat, saisonnalité, gestion des stocks) ou de la santé (réglementation des données de santé, études cliniques) se positionne mieux que le généraliste sur certains postes. Mettre en avant une expertise sectorielle issue d'un stage, d'une alternance ou d'une vie professionnelle antérieure est une vraie valeur ajoutée.

La certification peut renforcer un profil en reconversion. Google, Microsoft, IBM et Databricks proposent des certifications reconnues sur le marché. La Google Data Analytics Certificate sur Coursera est devenue une référence accessible, complétée idéalement par la certification Microsoft Power BI ou Tableau Desktop Specialist.