Se former au métier de data analyst : diplôme, bootcamp ou autodidacte

Le métier de data analyst attire des profils très variés : étudiants en école de commerce ou d’ingénieurs, diplômés d’économie ou de statistique, salariés en reconversion venus du contrôle de gestion, du marketing ou de la logistique. Les voies de formation sont tout aussi diverses, du master universitaire à l’apprentissage en autonomie avec des ressources gratuites. Laquelle choisir dépend de votre point de départ, de votre budget, de votre temps disponible et du type d’employeur que vous visez. Cet article commence par ce que les employeurs attendent réellement d’un data analyst junior, compare les voies d’accès, puis montre comment prouver ses compétences sur un CV.

Ce qu’un employeur attend d’un data analyst junior

L’Onisep 🔗 décrit le data analyst comme celui qui collecte, traite et analyse les données pour éclairer les décisions de l’entreprise. Dans une offre de poste junior, cela se traduit par quatre attentes, qu’il faut garder en tête pour évaluer n’importe quelle formation.

1. SQL, avant tout. La quasi-totalité des postes demande de savoir interroger une base de données : sélections, jointures, agrégations, sous-requêtes, et de plus en plus les fonctions de fenêtrage. C’est souvent l’objet d’un test pendant le recrutement.
2. Un outil de visualisation. Power BI, Tableau, Looker ou un outil équivalent, pour construire des tableaux de bord compréhensibles par des non-spécialistes.
3. Une base de statistiques et un tableur avancé. Statistiques descriptives, notions de tests, maîtrise d’un tableur pour les échanges quotidiens avec les équipes.
4. La compréhension métier et la communication. Traduire une question floue en analyse, puis restituer un résultat de façon claire, avec ses limites.

Python ou R complètent de plus en plus ce socle, pour automatiser des traitements et mener des analyses plus poussées. Le niveau exigé reste en général inférieur à celui d’un data scientist, dont le métier est comparé à celui du data analyst dans notre article sur la différence entre data analyst et data scientist.

Toute formation sérieuse doit vous amener à ce niveau, et vous permettre de le prouver.

Master et école d’ingénieurs

Ce qu’ils apportent

Les formations longues (masters de statistique, d’économétrie, d’informatique décisionnelle ou de science des données, écoles d’ingénieurs et de commerce avec une majeure data) offrent :

• des fondamentaux solides en mathématiques, statistique et informatique ;
• un diplôme de niveau bac + 5, exigé par une partie des employeurs, surtout les grands groupes ;
• des stages et souvent une alternance, qui donnent une première expérience professionnelle ;
• un réseau d’anciens et des relations avec les entreprises.

Avant le niveau master, des formations courtes comme le BUT Science des données, que l’Onisep présente notamment dans son parcours visualisation et conception d’outils décisionnels 🔗, mènent aussi directement à des postes d’analyste ou de chargé d’études.

Pour qui

Cette voie convient aux étudiants en formation initiale, et aux personnes en reconversion qui peuvent consacrer une ou deux années à une reprise d’études, éventuellement en alternance. Elle reste la plus sûre pour accéder aux employeurs les plus sélectifs sur le diplôme.

Bootcamps et formations courtes

Ce qu’ils apportent

Les bootcamps et formations courtes en data analyse promettent une montée en compétence rapide, de quelques semaines à quelques mois. Ils mettent l’accent sur la pratique : SQL, un outil de visualisation, Python, des projets sur des jeux de données réels, parfois un projet en partenariat avec une entreprise.

Certains préparent un titre inscrit au répertoire national des certifications professionnelles, ce qui compte pour le financement par le compte personnel de formation 🔗 ; la liste des certifications enregistrées est tenue par France compétences 🔗.

Les points de vigilance

• Le niveau de départ : une formation de quelques semaines suppose souvent une aisance préalable avec les chiffres et un tableur.
• Le contenu réel : vérifiez la part de SQL, de statistiques et de projets, plutôt que la liste des outils présentés.
• Les résultats annoncés : comme pour les bootcamps de développement, regardez comment les chiffres d’insertion sont calculés. Notre article sur ce que les recruteurs pensent des bootcamps détaille les questions à poser.

Pour qui

Cette voie convient particulièrement aux personnes en reconversion qui ont déjà manipulé des données dans leur métier : contrôleurs de gestion, chargés d’études marketing, gestionnaires de stocks, analystes commerciaux. Leur connaissance d’un domaine compense une formation plus courte.

Apprendre seul : possible, à quelles conditions

Le métier de data analyst est l’un des plus accessibles en autodidacte dans la tech. Les ressources gratuites ou peu coûteuses sont nombreuses, les outils sont disponibles en version gratuite, et les jeux de données publics abondent, sur data.gouv.fr 🔗, le site de l’Insee 🔗 ou des plateformes comme Kaggle 🔗.

C’est possible, à trois conditions.

1. Un plan structuré. SQL d’abord, jusqu’aux fonctions de fenêtrage ; puis un outil de visualisation ; puis les statistiques descriptives et les tests ; enfin Python pour la manipulation de données. Sans plan, on accumule des tutoriels sans progresser.
2. Des projets réels. Choisissez des questions concrètes sur des données publiques ou sur votre activité actuelle, et menez-les jusqu’au bout : collecte, nettoyage, analyse, tableau de bord, conclusions. Deux ou trois projets bien menés valent mieux que dix exercices.
3. Une preuve extérieure. Une certification d’éditeur, comme la certification Power BI Data Analyst 🔗 de Microsoft, ou un certificat en ligne reconnu, comme le certificat Google Data Analytics 🔗, peut rassurer un recruteur sur un parcours sans diplôme spécialisé.

Les limites de cette voie sont réelles : l’absence de cadre, de retours d’un enseignant, de réseau et de stage. Elle fonctionne mieux pour des personnes déjà en poste qui peuvent appliquer leurs nouvelles compétences dans leur métier actuel, et évoluer ensuite en interne.

Prouver ses compétences sur le CV

Quelle que soit la voie choisie, le CV doit prouver les quatre attentes du début : SQL, visualisation, statistiques, compréhension métier.

• Présentez la formation avec son contenu réel : intitulé exact, durée, titre ou diplôme obtenu, et ce que vous y avez pratiqué.
• Décrivez vos projets comme des expériences : la question posée, les données, la méthode, le résultat et à qui il a servi.
• Mettez SQL en évidence, avec un niveau crédible. Notre article sur le niveau de SQL à annoncer propose une grille pour vous situer.
• Réécrivez votre ancien métier en mettant en avant ce qui touchait aux données : tableaux de suivi, reporting, analyses pour la direction.
• Ajoutez un lien vers un portfolio ou des tableaux de bord publiés, si vos projets s’y prêtent.

Avant : « Formation data analyst : SQL, Python, Power BI, Excel, statistiques. »

Après : « Projet de fin de formation : analyse de la fréquentation des bibliothèques d’une métropole à partir des données ouvertes de la collectivité ; nettoyage en Python, modèle en étoile dans PostgreSQL, tableau de bord Power BI présenté à un jury de professionnels. »

Le modèle de CV de data scientist montre comment présenter des projets data par leur problème, leurs données et leur effet ; la même logique s’applique à un CV d’analyste, avec davantage de place pour les tableaux de bord et les indicateurs.

Une formation se valorise mieux sur une page lisible, que les logiciels de recrutement savent extraire sans perdre vos outils ni vos dates. L’éditeur de TechCV gère cette mise en forme et vous laisse vous concentrer sur la description de vos projets. Vous pouvez créer votre CV dès votre premier projet terminé.

Questions fréquentes

Faut-il un bac + 5 pour devenir data analyst ?

Pas toujours. Une partie des employeurs l’exige, notamment les grands groupes, mais de nombreux postes sont accessibles avec un bac + 3, une formation courte certifiante ou une reconversion bien construite. Les projets et la maîtrise de SQL comptent beaucoup dans la décision.

Python est-il indispensable pour un data analyst ?

Il n’est pas toujours exigé pour un premier poste, mais il est de plus en plus apprécié. SQL et un outil de visualisation restent prioritaires ; Python vient ensuite, pour automatiser et approfondir les analyses.

Combien de temps faut-il pour se former ?

Cela dépend du point de départ. Une personne déjà à l’aise avec les chiffres et un tableur peut atteindre un niveau junior en quelques mois de travail régulier ; un débutant complet aura besoin de plus de temps, et gagnera à suivre une formation encadrée.

Une certification Power BI ou Google suffit-elle à décrocher un poste ?

Rarement à elle seule. Elle complète un diplôme, une formation ou une expérience, et rassure sur une compétence précise. Associée à des projets concrets bien présentés, elle peut faire la différence au premier tri.