Quel niveau de SQL annoncer sur un CV de data ?

SQL figure sur presque tous les CV de data analysts, de data engineers et de data scientists, et presque toujours avec un qualificatif : « bonne maîtrise », « niveau avancé », « expert ». Ces mentions ne veulent rien dire sans repères, et elles peuvent jouer contre vous : un recruteur qui lit « SQL avancé » prépare un test à la hauteur de l’annonce. Mieux vaut savoir précisément où l’on se situe, l’écrire d’une façon vérifiable et le prouver dans une expérience. Cet article propose une grille de niveaux concrète, détaille ce que chaque métier de la data attend, montre comment décrire SQL dans une expérience et ce que contiennent les tests SQL des recrutements.

Pourquoi « SQL avancé » inquiète autant qu’il rassure

Pour un recruteur, la mention d’un niveau en SQL produit deux effets contradictoires.

D’un côté, elle rassure : SQL est un prérequis de la plupart des postes data, et le voir dans la rubrique compétences permet de passer le premier tri.

De l’autre, elle inquiète, parce que « avancé » recouvre des réalités très différentes. Pour un analyste habitué aux tableurs, savoir faire une jointure est déjà avancé ; pour un data engineer, l’avancé commence avec la lecture des plans d’exécution et l’optimisation de requêtes sur des tables de plusieurs centaines de millions de lignes. Le recruteur ne sait pas quelle échelle vous utilisez.

C’est pourquoi beaucoup de processus de recrutement data comportent un test SQL, souvent dès les premières étapes. Le niveau annoncé sur le CV sert alors de point de départ : une annonce ambitieuse appelle des questions difficiles. Annoncer un niveau juste, avec des repères précis, est à la fois plus honnête et plus efficace.

Une grille de niveaux concrète

Plutôt que « débutant, intermédiaire, avancé », utilisez des repères techniques. Voici une grille en quatre niveaux, qui correspond à ce que l’on observe dans les tests de recrutement.

Niveau 1 : les bases

SELECT, WHERE, ORDER BY, LIMIT ;
agrégations simples : COUNT, SUM, AVG avec GROUP BY et HAVING ;
jointures internes entre deux tables ;
compréhension des valeurs NULL et de leur effet sur les calculs.

Niveau 2 : l’usage quotidien d’un analyste

jointures externes (LEFT JOIN) et jointures sur plusieurs tables ;
sous-requêtes et expressions de table communes (WITH 🔗) pour structurer une requête longue ;
CASE WHEN pour construire des catégories ;
manipulation des dates : extraction, troncature par mois ou par semaine, différences ;
dédoublonnage et contrôle de cohérence des données.

Niveau 3 : l’analyse avancée

fonctions de fenêtrage 🔗 : ROW_NUMBER, RANK, LAG, LEAD, sommes et moyennes glissantes avec OVER (PARTITION BY … ORDER BY …) ;
analyses de cohortes, de rétention, de séquences d’événements ;
requêtes récursives pour des hiérarchies ;
écriture de requêtes lisibles et maintenables, découpées en étapes nommées.

Niveau 4 : la performance et la modélisation

lecture d’un plan d’exécution (EXPLAIN 🔗) et diagnostic d’une requête lente ;
choix des index 🔗, partitionnement, clustering selon le moteur ;
modélisation : schéma en étoile, tables de faits et de dimensions, historisation ;
spécificités des entrepôts cloud (BigQuery, Snowflake, Redshift) : coût des requêtes, stockage en colonnes, tables partitionnées ;
transactions et niveaux d’isolation, pour les profils proches des bases de production.

Situez-vous honnêtement : le niveau le plus élevé dont vous maîtrisez l’essentiel des points, sans aide, est votre niveau.

Ce qu’attend un poste de data analyst, de data engineer, de data scientist

Les attentes diffèrent selon le métier, comme leurs missions, comparées dans notre article sur la différence entre data analyst et data scientist.

Data analyst : le niveau 2 est le minimum, le niveau 3 fait la différence. Les fonctions de fenêtrage reviennent très souvent dans les tests, pour calculer des évolutions, des classements ou des cohortes. La lisibilité des requêtes compte aussi, car elles sont relues et réutilisées.
Data engineer : le niveau 3 est attendu, le niveau 4 est au cœur du métier. Optimisation, modélisation, coûts et tests de données font partie du quotidien, comme le décrit notre article sur le métier de data engineer.
Data scientist : le niveau 2 à 3 est généralement attendu. SQL sert surtout à extraire et préparer les données d’entraînement ; les fonctions de fenêtrage sont précieuses pour construire des variables temporelles.

SQL n’est d’ailleurs pas réservé aux équipes data. Les auditeurs l’utilisent de plus en plus pour analyser des écritures comptables entières plutôt que des échantillons : les compétences data attendues en audit financier 🔗 en donnent un aperçu côté cabinets.

Le décrire dans une expérience

Sur le CV, la rubrique compétences ne suffit pas. Le niveau se prouve dans une expérience ou un projet, par ce que vous avez fait avec SQL.

Pour la rubrique compétences, précisez l’usage plutôt qu’un adjectif :

Avant : « SQL (avancé) ».

Après : « SQL : fonctions de fenêtrage, analyses de cohortes, optimisation de requêtes (PostgreSQL, BigQuery) ».

Puis, dans les expériences :

Avant : « Requêtes SQL pour le reporting. »

Après : « Réécriture des requêtes du tableau de bord commercial avec des fonctions de fenêtrage et des tables intermédiaires : temps de rafraîchissement ramené de quarante minutes à cinq, et indicateurs de rétention par cohorte ajoutés à la demande de la direction. »

Pour un data engineer :

« Optimisation des modèles de transformation sur BigQuery (partitionnement par date, clustering, suppression des jointures redondantes) : volume de données lues par la chaîne quotidienne divisé par trois. »

Ces formulations disent quel SQL vous écrivez, sur quel moteur, pour quel résultat. Le modèle de CV de data engineer montre comment SQL s’intègre à une description de pipeline, et notre article sur la formation au métier de data analyst explique comment construire des projets qui prouvent ce niveau quand on débute.

Les tests SQL en recrutement

Les tests SQL prennent plusieurs formes, qu’il vaut mieux connaître à l’avance.

Le test en ligne chronométré : quelques exercices sur une base fournie, avec des requêtes à écrire en temps limité. Ils portent souvent sur les jointures, les agrégations et les fonctions de fenêtrage.
L’exercice au tableau ou en partage d’écran : un schéma de tables et une question métier (« le chiffre d’affaires mensuel par catégorie et son évolution par rapport au mois précédent »), à résoudre en expliquant votre raisonnement.
L’exercice à la maison : un jeu de données et une série de questions, parfois avec une restitution orale.
Les questions de compréhension : différence entre WHERE et HAVING, effet des NULL dans une jointure, différence entre RANK et ROW_NUMBER, raisons possibles d’une requête lente.

Quelques conseils :

clarifiez la question avant d’écrire : granularité attendue, période, traitement des valeurs manquantes ;
construisez la requête par étapes, avec des expressions WITH nommées, et vérifiez chaque étape ;
testez vos hypothèses sur des cas limites (doublons, valeurs nulles, périodes vides) ;
commentez vos choix à voix haute en entretien : la méthode compte autant que le résultat.

Pour vous entraîner, reprenez des jeux de données publics et posez-vous des questions métier réalistes : évolution mensuelle, classement, cohortes, sessions d’utilisateurs.

Annoncer un niveau juste, puis le prouver, commence par un CV lisible. L’éditeur de TechCV met vos compétences et vos expériences en forme sur une page que les logiciels de recrutement extraient sans erreur, pour que la mention de SQL et de vos moteurs arrive bien jusqu’au recruteur. Vous pouvez mettre à jour votre CV avant votre prochain test.

Questions fréquentes

Faut-il préciser le moteur de base de données ?

Oui, quand vous en connaissez un en profondeur ou que l’offre en cite un : PostgreSQL, MySQL, SQL Server, Oracle, BigQuery, Snowflake. Les bases du langage sont communes, mais les fonctions, les performances et les coûts varient d’un moteur à l’autre.

Peut-on écrire « SQL expert » ?

Rarement à bon escient. Le mot appelle les questions les plus pointues (plans d’exécution, isolation des transactions, optimisation sur de gros volumes). Décrivez plutôt ce que vous savez faire, avec des repères techniques et des résultats.

Les outils sans code remplacent-ils SQL ?

Les outils de visualisation et de préparation de données réduisent le besoin d’écrire du SQL pour certaines tâches, mais les employeurs continuent de l’exiger. Il reste le moyen le plus direct de comprendre et de contrôler les données utilisées.

Comment progresser du niveau 2 au niveau 3 ?

En pratiquant les fonctions de fenêtrage sur des cas réels : évolutions d’une période à l’autre, classements par groupe, cohortes. Reprenez des requêtes que vous écrivez déjà au travail et réécrivez-les plus simplement avec ces fonctions.