CV de data analyst : le guide et un exemple analysé
Un data analyst transforme des données en décisions. Les recruteurs ne cherchent pas seulement quelqu’un qui sait écrire une requête, mais quelqu’un qui comprend la question métier, fiabilise les chiffres et sait les présenter. Ton CV doit montrer cette chaîne complète.
Cette page détaille ce qu’attendent les responsables data et les équipes métier, la structure de CV qui fonctionne, puis analyse section par section le modèle présenté ci-dessus, que tu peux reprendre et personnaliser dans le générateur.

Ce CV est modifiable. Ouvre-le dans l’éditeur, remplace chaque ligne par ton parcours et exporte-le en PDF.
Ouvrir ce CV dans l’éditeurCe que les recruteurs attendent d’un CV data analyst
- Une maîtrise de SQL réelle : jointures, fenêtres, CTE, volumes traités. C’est le premier critère de tri sur ce poste.
- Un outil de visualisation maîtrisé (Power BI, Tableau, Looker) et des exemples de tableaux de bord utilisés, avec le nombre d’utilisateurs.
- Des analyses qui ont changé une décision : une chute de conversion expliquée, un test A/B lu correctement, une segmentation utilisée par le marketing.
- Une rigueur statistique et de la communication : définir un indicateur, expliquer une limite, présenter à des non-spécialistes.
Le CV décortiqué, section par section
Chaque capture ci-dessous est extraite du CV data analyst présenté plus haut. Sous chacune : ce qui la rend efficace pour ce métier, et ce que tu dois y mettre de toi.
1. En-tête et accroche
Outils, domaine et type d’analyse en une phrase

L’accroche nomme les outils (SQL, Python, Power BI), le domaine (e-commerce) et les trois sujets d’analyse (tableaux de bord, parcours clients, tests A/B). Un responsable data comprend en quelques secondes si le profil correspond.
Ce qui fonctionne
- « SQL, Python et Power BI » correspond au trio de compétences le plus demandé.
- « parcours clients » et « tests A/B » indiquent des analyses qui servent une décision.
- « équipes marketing et produit » situe le travail avec les métiers.
À adapter à ton parcours : Remplace le domaine par ton secteur réel et garde les outils de l’offre que tu maîtrises.
2. Formation
Un master quantitatif et une certification d’outil

Le master de Dauphine-PSL en statistique et data science donne le socle, la certification PL-300 prouve la maîtrise de Power BI. Les deux se complètent sans chercher à impressionner.
Ce qui fonctionne
- « Statistiques, modélisation, bases de données, visualisation » couvre les bases du poste.
- « projet sur la prévision des ventes » relie les études à un cas métier.
- « Power BI Data Analyst (PL-300) » est cohérent avec les tableaux de bord cités ensuite.
À adapter à ton parcours : Garde la certification de l’outil de l’offre. Si tu es plus confirmé, passe-la en une ligne.
3. Expériences
Des tableaux de bord utilisés et des décisions changées

Le poste actuel donne le contexte (équipe de 5, BigQuery, Power BI) puis les puces mêlent livrables, analyse et méthode : tableaux de bord, tunnel de commande, tests A/B, segmentation RFM. Le poste en cabinet montre la diversité des sources et la restitution en comité de pilotage.
Ce qui fonctionne
- « consultés chaque semaine par 60 collaborateurs » prouve que les tableaux de bord servent.
- « chute de 18 % à l’étape de livraison » avec « +0,6 point de conversion » relie l’analyse à une décision.
- « 6 sources de données (2 millions de lignes) » donne l’échelle du travail de fiabilisation.
À adapter à ton parcours : Pour chaque analyse, cite la question, la méthode et la décision. Retire les chiffres que tu ne pourrais pas justifier.
4. Compétences et centres d’intérêt
L’analyse d’abord, les outils ensuite

Le bloc met en avant les compétences d’analyse (SQL, statistiques, tests A/B, cohortes) avant les outils. Chaque outil cité apparaît dans une expérience, ce qui évite la liste de logos.
Ce qui fonctionne
- « fonctions de fenêtre, CTE » prouve un niveau de SQL au-delà des requêtes simples.
- « segmentation RFM, cohortes » correspond aux analyses décrites dans les expériences.
- « Power BI, DAX, Tableau, BigQuery » reprend les outils des deux postes.
À adapter à ton parcours : Aligne les outils sur l’offre et retire ceux que tu n’as pas utilisés dans un cas réel.
La structure en résumé
- En-tête : Nom, coordonnées, lien vers un portfolio ou GitHub, puis une accroche donnant les années d’expérience, les outils et le domaine d’analyse.
- Expériences : Contexte (équipe, entrepôt de données, volumes) puis puces avec le livrable, son usage et son effet : tableaux de bord, analyses, tests A/B.
- Formation et certifications : Diplôme en une ligne et une certification d’outil (PL-300, Tableau, Google Cloud) si elle correspond à l’offre.
- Compétences : Analyse et statistiques d’un côté, outils de l’autre, avec uniquement ceux que tu utilises vraiment.
- Autres expériences : Mentorat, projets de données ouvertes ou concours : une ligne pour montrer ta curiosité.
Compétences et mots-clés ATS
- SQL avancé : jointures, fonctions de fenêtre, CTE, optimisation de requêtes sur un entrepôt de données
- Python pour l’analyse (pandas, matplotlib) et l’automatisation de traitements
- Visualisation et reporting : Power BI, Tableau ou Looker, modélisation de données et DAX
- Statistiques appliquées : tests A/B, significativité, segmentation, analyse de cohortes
- Dialogue avec les métiers : définition d’indicateurs, restitution, recommandations
Les logiciels de tri (ATS) recherchent les termes exacts de l’offre. Pour un poste en data analyst, intègre naturellement :
Les erreurs à éviter
- Parler d’« analyse de données » sans citer d’outil, de volume ni de résultat : précise la requête, le tableau de bord et ce qu’il a changé.
- Confondre data analyst et data scientist : ne promets pas du machine learning si ton travail porte sur le reporting et l’analyse.
- Oublier les utilisateurs de tes tableaux de bord : le nombre de personnes qui les consultent prouve leur utilité.
- Lister tous les outils vus en formation : garde ceux que tu maîtrises et peux défendre sur un cas pratique.
Le conseil TechCV : Pour chaque analyse, écris la question métier, la méthode et la décision qui en a découlé. Un responsable marketing retient « chute de 18 % à l’étape de livraison identifiée, corrigée, +0,6 point de conversion » bien plus que « réalisation d’analyses ». C’est aussi le meilleur matériau pour l’entretien.
Questions fréquentes
Quelle différence entre data analyst et data scientist sur un CV ?
Le data analyst met en avant SQL, visualisation, indicateurs et aide à la décision. Le data scientist met en avant modélisation, machine learning et mise en production. Choisis l’intitulé de l’offre et mets en tête les puces qui y répondent.
Faut-il un portfolio pour un poste de data analyst ?
C’est un plus, surtout pour un premier poste : deux analyses publiées avec des données ouvertes, le code et un tableau de bord montrent ta méthode. Garde-les courtes et lisibles.
La certification Power BI est-elle utile ?
Elle rassure si l’entreprise utilise Power BI, surtout pour un profil junior. Elle ne remplace pas des tableaux de bord réellement utilisés, que tu dois citer dans tes expériences.
Pour aller plus loin
- Data analyst ou data scientist, deux métiers qu'on confond souvent
- Se former au métier de data analyst : diplôme, bootcamp ou autodidacte
- Quel niveau de SQL annoncer sur un CV de data ?
Partez de ce CV data analyst
Même structure, mêmes rubriques, prêtes à personnaliser. Export PDF d’une page.



