Data analyst : quelles compétences techniques et métier faut-il maîtriser ?

Un data analyst doit savoir interroger des données, vérifier leur qualité, choisir une méthode d’analyse adaptée et restituer un résultat exploitable par un métier. Le socle technique repose surtout sur SQL, le tableur, les statistiques, la datavisualisation et, selon les postes, Python ou R. Mais la différence se joue souvent ailleurs : comprendre le contexte, poser la bonne question, expliquer les limites et transformer un chiffre en décision.

Cette combinaison évite un piège fréquent : accumuler des outils sans savoir mener une analyse de bout en bout. Un bon parcours d’apprentissage suit donc le travail réel, depuis la demande initiale jusqu’à la recommandation.

Le vrai socle du data analyst : relier données et décision

Le métier ne consiste pas seulement à produire des graphiques. Le data analyst part d’un problème concret : pourquoi le taux de conversion baisse-t-il ? Quels clients risquent de partir ? Quelle campagne apporte des ventes rentables ? Quel délai ralentit une chaîne logistique ?

Il traduit ensuite cette question en indicateurs, repère les données disponibles, contrôle leur fiabilité, effectue les calculs et présente une conclusion compréhensible. La fiche métier de l’Apec insiste justement sur ce lien entre collecte, traitement, analyse et aide à la décision. Le dossier de France Travail consacré aux métiers de la data montre également que ces fonctions associent traitement technique et compréhension des usages.

Cette position intermédiaire demande trois familles de compétences : manipuler correctement la donnée, raisonner avec méthode et dialoguer avec les personnes qui utiliseront le résultat.

Les compétences techniques à maîtriser en priorité

SQL pour extraire et croiser les données

SQL est souvent la compétence la plus directement utile. Elle permet de sélectionner des lignes, filtrer une période, agréger des résultats, joindre plusieurs tables et construire un jeu de données cohérent. Un analyste doit au minimum être à l’aise avec les clauses de sélection et de filtrage, les agrégations, les jointures, les sous-requêtes et les fonctions de fenêtre.

La syntaxe ne suffit pas. Il faut aussi comprendre le modèle de données : que représente une ligne ? Une commande peut-elle contenir plusieurs produits ? Un client possède-t-il plusieurs identifiants ? Sans cette lecture, une requête techniquement valide peut doubler un chiffre d’affaires ou fausser un taux.

Le tableur pour explorer et contrôler rapidement

Excel, Google Sheets ou un outil équivalent reste utile pour inspecter un export, effectuer un contrôle rapide, construire un tableau croisé ou partager un calcul simple. Les fonctions de recherche, les agrégations conditionnelles, les tableaux croisés dynamiques et la gestion propre des dates font partie du bagage de base.

Le tableur devient fragile quand les volumes grossissent, que les manipulations manuelles se répètent ou que plusieurs versions circulent. Le bon réflexe consiste alors à déplacer les transformations vers SQL ou un script reproductible. Le guide sur l’automatisation de tâches bureautiques avec Python aide à repérer ce moment de bascule.

Les statistiques pour ne pas surinterpréter les chiffres

Un data analyst n’a pas besoin de connaître toutes les démonstrations mathématiques, mais il doit comprendre les notions qu’il utilise : moyenne et médiane, dispersion, distributions, échantillonnage, corrélation, intervalle de confiance et tests d’hypothèse. Pour les environnements produit ou marketing, les principes d’un test A/B sont également précieux.

L’objectif est pratique. Une hausse observée sur un petit échantillon est-elle crédible ? Une moyenne masque-t-elle deux populations différentes ? Deux variables évoluent-elles ensemble sans lien causal démontré ? Savoir formuler ces réserves protège l’organisation contre les conclusions trop rapides.

La datavisualisation pour faire comprendre, pas pour décorer

Power BI, Tableau, Looker Studio ou d’autres solutions permettent de construire des tableaux de bord. Le choix de l’outil dépend de l’entreprise ; les principes restent les mêmes. Il faut sélectionner le graphique adapté, hiérarchiser l’information, conserver des échelles honnêtes et réduire les éléments visuels inutiles.

Un tableau de bord utile répond à une question identifiable. Il affiche peu d’indicateurs, donne le contexte nécessaire et permet de repérer une évolution ou une anomalie. Dix graphiques serrés sur une page impressionnent parfois, mais ralentissent souvent la lecture.

Python ou R pour automatiser et approfondir

Python devient pertinent pour nettoyer des fichiers, automatiser une analyse répétée, traiter un volume difficile à gérer dans un tableur ou appliquer des méthodes plus avancées. Les bibliothèques de manipulation et de visualisation permettent de documenter un enchaînement d’étapes et de le rejouer.

R reste très présent dans certains contextes statistiques et académiques. Il n’est pas nécessaire de maîtriser les deux langages au départ. Mieux vaut choisir celui qui correspond aux usages visés, puis produire quelques analyses complètes. Si ce choix bloque votre progression, notre repère sur le langage de programmation adapté à un projet permet de comparer les critères sans raisonner par effet de mode.

Git et la documentation pour rendre l’analyse reproductible

Un notebook ou un script sans explication devient vite inutilisable. Nommer clairement les variables, commenter les décisions importantes, conserver les requêtes et décrire la source des données font partie du travail. Git apporte un historique des modifications et facilite la collaboration sur des projets structurés. Il peut être appris progressivement grâce à une méthode pensée pour les débutants sur Git et GitHub.

Les compétences métier qui donnent du sens à l’analyse

Cadrer une demande avant d’ouvrir un outil

Une demande comme « fais-moi un dashboard des ventes » est trop vague. Le data analyst doit préciser la décision attendue, la période, le périmètre, les utilisateurs et la définition des indicateurs. Une vente correspond-elle à une commande passée, payée, expédiée ou non remboursée ? Chaque réponse change le calcul.

Ce travail de cadrage évite de livrer une analyse correcte mais inutile. Il suppose d’écouter, de reformuler et parfois de contester un indicateur demandé lorsque celui-ci ne mesure pas réellement le problème.

Comprendre les mécanismes du secteur

Les mêmes outils servent dans la finance, le commerce, les ressources humaines, la santé ou l’industrie, mais les données n’ont pas la même signification. Comprendre un tunnel de conversion, une marge, un taux de rotation, un délai de production ou une saisonnalité permet de détecter les incohérences et de poser de meilleures hypothèses.

Cette culture métier s’acquiert en lisant la documentation interne, en échangeant avec les équipes opérationnelles et en étudiant la manière dont les indicateurs sont construits. Elle compte autant que l’apprentissage d’une nouvelle fonction logicielle.

Communiquer une conclusion avec ses limites

Une restitution efficace distingue les faits, l’interprétation et la recommandation. Elle commence par le message principal, puis montre les preuves nécessaires. Le vocabulaire doit être adapté au public : une direction attend un enjeu et une décision, tandis qu’une équipe technique voudra aussi connaître les règles de calcul et les limites des données.

Dire « nous ne pouvons pas conclure avec ces données » peut être une excellente réponse. La transparence sur les valeurs manquantes, les biais de sélection ou les changements de mesure renforce la confiance.

Intégrer la protection des données dès l’analyse

Les données accessibles ne sont pas toutes nécessaires. Le principe de minimisation présenté par la CNIL parmi les grands principes du RGPD invite à ne traiter que les informations adéquates et pertinentes au regard de l’objectif. Concrètement, l’analyste doit questionner les accès, éviter les exports personnels non sécurisés, limiter les identifiants directs et respecter les règles de conservation de l’organisation.

Il doit aussi rester prudent avec les données sensibles et les petits groupes, car une agrégation apparemment anonyme peut parfois permettre de reconnaître une personne.

Dans quel ordre développer ces compétences ?

Pour un débutant, l’ordre suivant offre une progression solide :

1. Manipuler un jeu de données simple dans un tableur afin de comprendre les types de variables, les valeurs manquantes et les contrôles de cohérence.
2. Apprendre SQL sur une base relationnelle avec des exercices de filtres, agrégations et jointures.
3. Réviser les statistiques descriptives et apprendre à distinguer corrélation, causalité et simple coïncidence.
4. Construire une visualisation orientée décision, accompagnée de deux ou trois phrases de conclusion.
5. Ajouter Python ou R pour automatiser un nettoyage et reproduire l’analyse.
6. Travailler le cadrage et la restitution en présentant le projet à une personne qui ne connaît pas les données.

Cette progression vaut mieux qu’un survol simultané de dix outils. Le premier objectif est de mener une petite analyse fiable de bout en bout.

Comment prouver ses compétences sans empiler les certifications ?

Un portfolio convaincant peut tenir en deux ou trois projets bien documentés. Pour chaque projet, présentez la question de départ, la provenance des données, les contrôles réalisés, les transformations, les principaux résultats et les limites. Ajoutez les requêtes ou le code lorsque leur partage est autorisé.

Un cas modeste mais propre est plus parlant qu’un tableau de bord spectaculaire sans contexte. Par exemple : analyser les retards d’un service, segmenter des produits selon leurs ventes ou étudier l’évolution d’un indicateur public. La recommandation finale doit découler des résultats, pas d’une histoire inventée après coup.

Si vous envisagez un parcours encadré, vérifiez le programme réel, les prérequis, les modalités d’évaluation et la place accordée aux projets. La méthode pour évaluer une formation en ligne avant de s’inscrire fournit une grille de contrôle utile.

Questions fréquentes sur les compétences du data analyst

Faut-il être très bon en mathématiques pour devenir data analyst ?

Il faut être à l’aise avec le raisonnement quantitatif et les statistiques appliquées, mais tous les postes n’exigent pas un niveau avancé en mathématiques. La priorité est de comprendre les méthodes utilisées, leurs hypothèses et leurs limites.

Python est-il obligatoire pour débuter ?

Non. SQL, le tableur, la qualité des données et la restitution peuvent suffire pour commencer sur certains postes. Python devient un avantage important pour automatiser, traiter des données plus complexes et rendre les analyses reproductibles.

Quelle qualité humaine compte le plus ?

La curiosité structurée : ne pas accepter un chiffre sans comprendre sa définition, son origine et son contexte. Elle doit s’accompagner de rigueur et d’une capacité à expliquer simplement ce que les données permettent, ou non, d’affirmer.

Le profil le plus solide n’est donc pas celui qui connaît le plus grand nombre d’outils. C’est celui qui sait choisir la méthode suffisante, vérifier son travail et rendre le résultat utile à une décision réelle.

Camille Renaud, signature éditoriale d’ADE University