Guide du métier de data analyst : missions, salaire et compétences

Les intitulés de poste courants incluent Data Analyst, Business Data Analyst, BI Analyst, Product Analyst, Marketing Analyst, Operations Analyst et Growth Analyst. Bien que les noms diffèrent, l'essence est d'utiliser les données pour répondre aux questions commerciales.

Par exemple, les ventes mensuelles d'une entreprise de commerce électronique ont diminué de 15 %. Lors de l'analyse, on ne s'arrête pas au résultat "diminué de 15 %", mais on décompose les ventes en nombre d'utilisateurs, taux de conversion et valeur moyenne par commande, puis on continue à chercher la source du changement par canal, région, appareil et type d'utilisateur.

• Le nombre d'utilisateurs est globalement stable, ce qui indique que le problème ne vient probablement pas du trafic.
• Le taux de conversion des commandes a chuté de manière significative, nécessitant une analyse plus détaillée.
• Le taux de conversion des utilisateurs Android a connu la plus forte diminution.
• Après un examen plus approfondi, il a été découvert que la nouvelle page de paiement de l'application présentait des problèmes.

La conclusion finale est la suivante : la principale raison de la baisse des ventes n'est pas une diminution du trafic, mais que le nouveau processus de paiement Android a affecté la conversion. Ce processus qui va du phénomène à la cause, puis à la solution, constitue l'analyse de données complète.

① Transformer des besoins flous en problèmes calculables

Lorsqu'une entreprise demande "La perte d'utilisateurs a-t-elle récemment empiré ?", l'analyste doit d'abord préciser la période d'observation, la portée des utilisateurs et la définition de la perte, puis décider de consulter le taux de retention à 7 jours, le taux de retention à 30 jours, le taux de perte global, ainsi que les variations selon les différents canaux, régions et groupes d'utilisateurs.

② Obtenir des données depuis la base de données

La plupart des données commerciales des entreprises sont stockées dans des bases de données, donc SQL est l'une des compétences les plus importantes pour un analyste de données. L'analyste doit choisir les champs en fonction des questions, joindre les tables de données, limiter la période de temps et agréger les résultats.

③ Nettoyer et vérifier les données

Les données réelles présentent souvent des commandes en double, des valeurs manquantes, des erreurs de format de date, des enregistrements anormaux et des noms de champs confus. Le nettoyage se fait généralement via Excel, SQL ou Python Pandas, tout en vérifiant l'uniformité des indicateurs pour éviter que différents départements n'utilisent le même nom mais obtiennent des résultats différents.

④ Analyser les données

Les méthodes courantes incluent la comparaison sur un an, la comparaison mois par mois, la moyenne, la médiane, le taux de conversion, le taux de rétention, le regroupement des utilisateurs, l'analyse en entonnoir, l'analyse de corrélation, les tests A/B et l'analyse des tendances. La difficulté n'est pas la méthode en elle-même, mais de choisir une méthode qui répond réellement aux questions commerciales.

⑤ Visualiser et créer des tableaux de bord

Les résultats sont généralement présentés sous forme de graphiques à barres, graphiques linéaires, entonnoirs, cartes ou tableaux de bord. Les outils courants incluent Power BI, Tableau, Looker et Excel. L'objectif n'est pas de rendre les graphiques esthétiques, mais de permettre au lecteur de comprendre rapidement le problème.

⑥ Donner des conclusions et des recommandations

« Le volume des commandes a diminué de 12 % en juillet » n'est qu'une description des données. Une conclusion plus complète devrait indiquer : la baisse des commandes provient principalement des nouveaux utilisateurs, les commandes des nouveaux utilisateurs ont diminué de 28 %, dont 70 % de la baisse provient d'un certain canal ; le coût d'acquisition pour ce canal augmente tandis que le taux de conversion des nouveaux utilisateurs diminue, d'où la nécessité de réévaluer la stratégie de diffusion.

La chaîne complète est : données → informations → cause → conclusion → décision.

Les perspectives globales restent bonnes, mais les postes se différencient de manière évidente. Les travaux consistant simplement à remplir des tableaux, à répéter la production de rapports quotidiens et à tracer des graphiques selon un modèle fixe sont de plus en plus facilement remplaçables par des outils SQL automatisés, des BI intelligentes et des IA génératives.

La classification professionnelle de 2026 considère toujours l'analyste en intelligence d'affaires comme un poste à bonnes perspectives. En tant que profession voisine plus technique, la croissance prévue de l'emploi pour les data scientists entre 2024 et 2034 est d'environ 34 %, nettement supérieure à la moyenne d'environ 3 % pour toutes les professions.

Les compétences réellement valorisées sur le long terme se tournent vers :

• Comprendre les objectifs commerciaux et la logique de rentabilité.
• Concevoir un système d'indicateurs raisonnable.
• Réaliser des analyses utilisateurs, produits, canaux et expérimentales.
• Établir des modèles de données et des processus d'analyse stables.
• Utiliser l'IA pour améliorer l'efficacité de la collecte des données, du nettoyage, de l'analyse et de la présentation.
• Transformer les conclusions analytiques en décisions concrètes.

Les analystes de données ne disparaîtront pas avec l'apparition de l'IA, mais la valeur des postes consistant uniquement à "extraire des données et produire des rapports" continuera de diminuer. Les personnes capables de définir des problèmes, de juger des calibres, d'identifier les frontières causales et de promouvoir l'action commerciale seront, au contraire, plus importantes.

Un diplôme de licence est le plus avantageux lors du recrutement, les spécialités en statistique, mathématiques, informatique, économie, finance, gestion de l'information, analyse commerciale et marketing étant fortement liées au poste. Cependant, la spécialité n'est pas le seul critère ; des postes en comptabilité, opérations, marketing, chaîne d'approvisionnement, ventes et ingénierie ont également permis à certaines personnes de passer avec succès à l'analyse de données.

L'analyse commerciale intelligente est généralement classée parmi les postes nécessitant une préparation professionnelle relativement complète. La plupart des carrières connexes ont tendance à exiger un diplôme de licence de quatre ans, mais tous les postes ne considèrent pas le diplôme comme une condition absolue. Les échantillons de recrutement public en Chine pour 2026 montrent également qu'environ 65,5 % des postes de data analyst débutant exigent un diplôme de licence, et la licence est également le niveau d'éducation le plus représenté dans les stages.

Un diplôme de niveau supérieur professionnel suffit-il ?

Oui, mais le niveau de difficulté au stade de la sélection est généralement plus élevé, nécessitant de compenser l'écart de diplôme par un portfolio, des compétences en SQL, des projets réels et une expérience sectorielle. Plutôt que d'accumuler des certificats de cours, il vaut mieux présenter des projets pouvant montrer un processus d'analyse complet.

Le master est-il nécessaire ?

Les postes ordinaires de data analyst n'exigent généralement pas de master. Si l'objectif est la data science, la finance quantitative, les algorithmes, l'IA ou les postes de données clés dans les grandes entreprises technologiques, la formation en mathématiques, statistiques et recherche au niveau master sera plus précieuse.

📗 Excel

• VLOOKUP, XLOOKUP, SUMIFS, COUNTIFS et IF.
• Tableaux croisés dynamiques, nettoyage de données, mise en forme conditionnelle et graphiques courants.

🗄️ SQL

• SELECT, WHERE, GROUP BY, ORDER BY et JOIN.
• CASE WHEN, HAVING, sous-requêtes, CTE et fonctions fenêtrées.
• Atteindre le niveau permettant, après avoir identifié un problème métier, de concevoir des requêtes de manière autonome et d'extraire les données.

📐 Statistiques

• Moyenne, médiane, variance, écart-type, probabilité et distribution normale.
• Échantillonnage, intervalle de confiance, test d'hypothèse, corrélation, régression et test A/B.
• Comprendre les limites d'application des conclusions statistiques et ne pas interpréter directement une corrélation comme une relation de cause à effet.

Outre les bases mathématiques, la pensée critique, la résolution de problèmes, le jugement décisionnel et la communication sont également des compétences importantes pour ce type de poste.

📊 Outils BI

Maîtriser au moins Power BI ou Tableau, être capable de créer des indicateurs, concevoir des logiques de filtrage et créer des tableaux de bord maintenables.

🐍 Python

Se concentrer sur l'apprentissage des bases de Python, Pandas, NumPy, Matplotlib, le nettoyage de données et l'analyse de données. Python n'est pas une exigence stricte pour tous les postes débutants, mais il est utile pour traiter des volumes de données plus importants, automatiser les tâches répétitives et élargir les possibilités de développement à long terme.

💼 Compétences métier

L'e-commerce nécessite de comprendre le GMV, le panier moyen, le taux de conversion, le taux de réachat, le CAC, la LTV et le ROI ; les produits internet nécessitent de comprendre le DAU, le MAU, le taux de rétention, le taux de désabonnement et le taux d'activité ; les activités publicitaires nécessitent de comprendre le CTR, le CPC, le CPA et le ROAS. Savoir écrire du SQL mais ne pas comprendre le métier rend difficile de devenir un excellent analyste de données.

Les personnes expérimentées trouvent généralement plus facilement un poste approprié, tandis que les débutants font face à une forte concurrence. Les postes d'analyste de données ne représentent pas les effectifs les plus nombreux dans la plupart des entreprises ; une entreprise peut avoir beaucoup de commerciaux, de personnel de service client et d'opérateurs, mais seulement quelques analystes.

Les diplômés en statistiques, informatique, économie et commerce, ainsi que les professionnels de l'exploitation, de la finance et du marketing souhaitant changer de carrière, participent également à la concurrence. Par conséquent, savoir Excel et SQL ne garantit pas un emploi immédiat. Ce qui importe vraiment pour une entreprise, c'est de savoir si l'on peut comprendre les affaires, réaliser une analyse de manière autonome et fournir des conclusions fiables.

En termes d'entrée en matière, le seuil technique pour l'analyse de données est inférieur à celui des ingénieurs en algorithmes, de l'apprentissage automatique et du développement logiciel. Les postes débutants utilisent principalement Excel, SQL, les outils BI et les connaissances statistiques de base.

La véritable difficulté réside dans "l'analyse" elle-même. Face à des questions telles que "pourquoi les utilisateurs diminuent", il est nécessaire de déterminer quels indicateurs examiner, comment les décomposer, comment valider les hypothèses et si la baisse provient du trafic, de la conversion, d'un canal spécifique ou d'un type d'utilisateur particulier. Cette compétence dépend de la compréhension des affaires, des capacités logiques et de l'expérience pratique accumulée sur le long terme.

Le chemin le plus réaliste est : outils de base → méthodes d'analyse → pratique de projets → préparation à l'emploi.

• 1er mois: Excel et bases de l'analyse de données.
• 2e mois: Requêtes SQL, jointures, agrégations et fonctions de fenêtre.
• 3e mois: Power BI et statistiques de base.
• 4e mois: Traitement des données avec Python.
• 5e mois: Terminer les projets et organiser le portfolio.
• 6e mois: Préparer le CV, postuler aux postes et s'entraîner aux entretiens.

Si vous étudiez de manière régulière 10 à 15 heures par semaine, il faut généralement 4 à 6 mois pour atteindre un niveau suffisant pour un poste débutant lors d'un entretien. Cela ne signifie pas nécessairement que vous trouverez un emploi en 4 mois. Pour ceux qui changent complètement de secteur, dont le diplôme ou l'expérience n'est pas un avantage, la période de préparation peut atteindre 6 à 12 mois.

Le problème le plus courant pour les débutants est de suivre beaucoup de cours sans avoir jamais réalisé un projet pouvant être présenté. Une méthode plus efficace est d'apprendre en faisant :

• Après avoir appris Excel, analyser un jeu de données de ventes e-commerce.
• Après avoir appris SQL, créer une base de données de commandes et calculer le nombre d'utilisateurs, le chiffre d'affaires, le taux de réachat, le panier moyen et les produits populaires.
• Après avoir appris Power BI, créer un tableau de bord de ventes filtrable.
• Après avoir appris Python, réaliser une analyse du comportement des utilisateurs ou de rétention.

Avant de postuler, il est préférable de préparer au moins 3 projets complets, par exemple une analyse de ventes e-commerce, une analyse de rétention des utilisateurs et une analyse d'activités marketing. Chaque projet doit inclure le contexte du problème, la description des données, le processus de nettoyage, les définitions des indicateurs, la méthode d'analyse, les principales conclusions et les recommandations business. Trois projets complets sont généralement plus persuasifs que dix certificats de cours.

SQL

Les questions courantes incluent : interroger les 10 produits les plus vendus, extraire la dernière commande de chaque utilisateur, identifier les utilisateurs se connectant de manière continue, calculer le taux de rétention sur 7 jours, et utiliser les fonctions de fenêtre pour le classement ou les calculs cumulatifs.

Excel

Les questions courantes incluent la différence entre VLOOKUP et XLOOKUP, l'utilisation des tableaux croisés dynamiques, le traitement des données en double et le résumé sous conditions multiples.

Statistiques

Les points clés incluent les scénarios d'application de la moyenne et de la médiane, la signification de la significativité statistique, la conception de base des tests A/B, et pourquoi corrélation n'est pas causalité.

Cas commercial

Face à la question « Les ventes de l'entreprise ont soudainement diminué de 20 %, comment analyser ? », il ne faut pas deviner directement la cause. On peut d'abord décomposer les ventes en nombre de commandes et montant moyen par commande, puis décomposer le nombre de commandes en nombre d'utilisateurs et taux de conversion, et enfin réduire progressivement l'analyse par segments de nouveaux et anciens utilisateurs, canaux, régions et appareils.

Expérience de projet

Les recruteurs posent généralement des questions complémentaires sur les objectifs du projet, les sources de données, le choix des indicateurs, les méthodes de nettoyage, le processus d'analyse, les principales découvertes et les recommandations finales. Chaque chiffre et conclusion sur le CV doit pouvoir être expliqué.

La présentation personnelle doit durer entre 60 et 90 secondes et suivre l'ordre : contexte, compétences, projets, résultats et raisons de postuler.

Une formulation claire peut être : Ma spécialité de licence est le marketing. Au cours de l'année dernière, j'ai principalement étudié et pratiqué l'analyse de données et je suis maintenant familiarisé avec Excel, SQL, Power BI et Python. J'ai utilisé SQL pour traiter environ 200 000 commandes, réaliser des analyses sur la rétention des utilisateurs, leur réachat et comportement de consommation, et créer des tableaux de bord de vente avec Power BI. L'analyse a montré que bien que les clients à forte valeur représentent seulement environ 12 % du nombre total d'utilisateurs, ils contribuent près de 40 % du chiffre d'affaires. J'ai donc proposé un plan de marketing par adhésion pour ces clients à forte valeur. Je souhaite continuer à évoluer dans le domaine de l'analyse de données commerciales.

L'essentiel n'est pas d'utiliser des descriptions générales comme « personnalité ouverte, grande capacité d'apprentissage », mais de prouver avec des projets concrets que l'on est capable de réaliser un travail d'analyse de données.

La portée du changement de poste pour l'analyse de données est très large, les directions courantes incluent chef de produit, analyste commercial, ingénieur BI, data scientist, ingénieur en données, analyste de croissance, analyste marketing, analyste financier, analyste stratégique, responsable des opérations, recherche utilisateur et consultant.

• Changement vers chef de produit: Convient à ceux qui connaissent déjà bien les utilisateurs, les produits, les données et les indicateurs.
• Changement vers la science des données: Convient aux personnes ayant un fort intérêt technique et disposées à continuer à apprendre les mathématiques, les statistiques et l'apprentissage automatique.
• Changement vers l'analyse commerciale: Convient aux personnes ayant une bonne compréhension des affaires, ainsi que de bonnes capacités d'expression et de communication.
• Changement vers l'ingénierie des données: Nécessite de compléter des compétences en base de données, entrepôt de données, ETL, plateforme cloud et développement ingénierie.

• 09:00: Vérifier les indicateurs clés d'hier comme DAU, chiffre d'affaires, nombre de commandes et taux de conversion pour confirmer s'il existe des anomalies.
• 10:00: Recevoir des demandes commerciales, par exemple analyser la raison de la baisse récente du taux de réachat des nouveaux utilisateurs.
• 10:30: Rédiger des SQL pour extraire les données d'inscription, de visite, d'achat et de réachat.
• 13:00: Nettoyer les données, vérifier les valeurs manquantes, les enregistrements en double, les valeurs aberrantes et les normes statistiques.
• 14:00: Effectuer une analyse de segmentation des utilisateurs selon les canaux, les régions, les appareils, l'âge et le temps.
• 15:30: Découvrir une baisse de qualité des nouveaux utilisateurs sur un certain canal et vérifier davantage la cause.
• 16:00: Confirmer avec le département marketing si la stratégie de diffusion récente a changé.
• 17:00: Créer des graphiques ou mettre à jour les tableaux de bord.
• 17:30: Organiser les problèmes, les causes, l'étendue de l'impact et les recommandations d'action.

Le travail réel inclut généralement simultanément le traitement des données, la maintenance des rapports, la mise à jour des tableaux de bord, la recherche d'anomalies et la communication interservices, et ne consiste pas tous les jours à réaliser des modèles complexes. La description des tâches professionnelles met également l'accent sur l'analyse des données, le traitement de l'information, la génération de rapports, ainsi que l'explication des résultats aux managers et aux autres départements.

L'analyse de données est généralement un poste à pression moyenne. Ce n'est pas comme les ventes qui ont directement des objectifs de performance, ni comme le service client qui doit traiter en continu un grand nombre de clients, mais il existe une pression notable sur l'exactitude des données.

Dans les enquêtes sur les professions concernées, 64 % des répondants considèrent que l'exactitude du travail est « extrêmement importante ». Une fois les chiffres intégrés aux rapports de gestion ou aux décisions managériales, des erreurs de requête ou des divergences de normes peuvent avoir un impact réel.

Si on rapporte à la direction une baisse de profit de 10 %, puis qu'on découvre ensuite que le SQL est incorrect ou que la norme utilisée est erronée, l'impact sera très important. Par conséquent, il est crucial de revoir la logique des requêtes, de contrôler les données par échantillonnage, de confirmer les normes avec le service concerné et de conserver le processus de calcul.

Les demandes temporaires, le suivi des rapports, les bilans de fin de mois et trimestriels, le réexamen des activités ainsi que les anomalies de données peuvent également entraîner du stress. L'intensité du stress est généralement directement liée au rythme de l'entreprise, à la configuration de l'équipe, à l'infrastructure de données et au mode de gestion.

La charge d'heures supplémentaires dépend principalement du secteur et de la culture de l'entreprise, et non du titre du poste.

• Entreprises traditionnelles: le rythme de travail est généralement relativement stable.
• Entreprises Internet: il y a de nombreuses demandes temporaires, certaines équipes font souvent des heures supplémentaires.
• Commerce électronique: période chargée lors des grandes promotions, activités et bilans.
• Jeux: la charge de travail augmente lors du lancement de produits, des mises à jour de versions et des événements.
• Secteur financier: certains postes clés ont un rythme rapide et exigent une grande précision.
• Conseil: les périodes de livraison de projets peuvent être très chargées.

Dans les enquêtes professionnelles concernées, 91 % des spécialistes en intelligence commerciale estiment que leur emploi du temps est régulier et fixe. L'analyse de données n'est pas une profession qui nécessite naturellement un travail intensif et prolongé, mais si l'entreprise adopte globalement de longues heures de travail, les postes d'analyste en sont généralement aussi affectés. Il est donc nécessaire, lors de la recherche d'emploi, de comprendre le rythme de l'équipe, la gestion des demandes, le niveau d'automatisation des rapports et le système de compensation des heures supplémentaires.