Comment devenir Data Analyst (analyste de données) ?

En bref

  • Salaire : 30k à 45k € brut/an en France (2026)
  • Niveau d'études : Bac+3 à Bac+5 (3 à 5 ans)
  • Domaine : Tech & Intelligence Artificielle
  • Conditions d'exercice : Bureau / Terrain
  • Code ROME : M1403

Le Data Analyst (analyste de données) collecte, nettoie, analyse et visualise les données d'une entreprise pour répondre à des questions business et aider à la prise de décision. Il utilise SQL, Python ou R, et les outils de data visualization (Tableau, Power BI, Looker) pour produire des dashboards, rapports et analyses actionnables. Le code ROME associé est M1403 — Études et prospectives socio-économiques / M1802 — Expertise et support en systèmes d'information.

En 2026, la France compte environ 35 000 Data Analysts selon l'Apec et Syntec Numérique, avec une croissance de + 42 % depuis 2020. Le métier figure dans le top 5 des métiers tech en tension selon la DARES, avec 4 000 postes non pourvus annuellement. Le taux d'insertion atteint 95 % à 6 mois pour les diplômés Master Data Science, Master MIAGE ou Diplôme d'ingénieur. Le secteur est porté par la transformation digitale, la généralisation des outils BI self-service (Power BI, Tableau, Looker), l'essor de la data culture et l'intégration de l'IA générative (ChatGPT pour SQL, Copilot pour Excel).

Au quotidien, le Data Analyst reçoit des questions business des équipes métier (marketing, ventes, finance, produit, RH), collecte les données depuis les bases (data warehouses Snowflake, BigQuery, Redshift), nettoie et transforme les données avec SQL, Python (pandas, NumPy) ou dbt, réalise des analyses statistiques (segmentation, clustering, tests A/B), construit des dashboards interactifs avec Tableau, Power BI, Looker ou Mode Analytics, restitue les insights aux équipes business, anime des ateliers data-driven, documente ses analyses (notebooks Jupyter, Confluence) et développe la data culture.

Les environnements de travail incluent les banques et assurances (BNP Paribas, Société Générale, AXA, Allianz), les e-commerçants et retailers (Amazon, Cdiscount, Veepee, ManoMano, Decathlon, Carrefour), l'industrie (Schneider Electric, Safran, Airbus, Thales, L'Oréal), la santé et pharma (Sanofi, Servier, Pierre Fabre, Doctolib, Alan), les startups tech et scale-ups (BlaBlaCar, Qonto, Swile, Back Market, Spendesk), les cabinets de conseil (Accenture, Capgemini Invent, BCG Gamma, McKinsey QuantumBlack), les ESN spécialisées data (Keyrus, Micropole, Deepki, Ippon, Artefact, Onepoint), les plateformes (Google France, Meta France, Criteo, Contentsquare). Le télétravail est massif : 82 % des offres proposent 2-3 jours de remote selon l'Apec 2025, 40 % le full-remote. Paris concentre 55 % des offres.

Salaire

30k - 45k € brut annuel

Niveau d'études : Bac+3 à Bac+5 · Durée : 3 à 5 ans

Missions principales

  • Collecter les données depuis les bases : data warehouses (Snowflake, BigQuery, Redshift), ERP (SAP), CRM (Salesforce), web analytics (GA4)
  • Nettoyer, transformer et préparer les données : déduplication, gestion des valeurs manquantes, typage, normalisation
  • Écrire des requêtes SQL complexes : JOIN, CTE, window functions, subqueries, optimisation des performances
  • Réaliser des analyses statistiques : moyennes, médianes, corrélations, segmentation, clustering, tests d'hypothèse
  • Construire des dashboards interactifs : Tableau (leader), Power BI, Looker, Metabase, Mode Analytics, Qlik Sense
  • Produire des rapports ad hoc pour répondre aux questions business : ventes, marges, conversion, rétention, churn
  • Concevoir et analyser les tests A/B : design d'expériences, puissance statistique, significativité, intervalle de confiance
  • Automatiser les rapports récurrents : SQL + dbt (data build tool) + orchestration Airflow, pipelines ETL
  • Vulgariser les insights pour les équipes business : storytelling data, présentations, recommandations
  • Animer les ateliers data-driven : formation à la data culture, coaching des power users Tableau / Power BI
  • Documenter les analyses : Jupyter notebooks, Confluence, Notion, commentaires SQL clairs pour reproductibilité
  • Collaborer étroitement avec les Data Engineers (pour l'alimentation), Data Scientists (pour les modèles ML), Product Managers

Compétences requises

  • SQL avancé : JOIN, CTE, window functions (ROW_NUMBER, LAG, LEAD), subqueries, optimisation, CTE récursives
  • Python : pandas, NumPy, matplotlib, seaborn, scikit-learn basique, Jupyter notebooks
  • R : tidyverse (dplyr, ggplot2, tidyr), tests statistiques, modélisation (alternative à Python)
  • Data visualization : Tableau (leader), Microsoft Power BI, Looker (Google), Mode Analytics, Metabase, Superset
  • Data warehouses modernes : Snowflake, BigQuery (Google), Redshift (AWS), Databricks SQL, Azure Synapse
  • ETL/ELT : dbt (data build tool, incontournable en 2026), Airflow, Dagster, Fivetran, Stitch
  • Statistiques : descriptives (moyenne, médiane, écart-type), inférentielles (tests d'hypothèse, intervalles de confiance)
  • Tests A/B : design d'expérience, randomisation, puissance statistique, significativité p-value, méthode séquentielle
  • Excel avancé : VLOOKUP, INDEX/MATCH, tableaux croisés, Power Query, Power Pivot, macros VBA
  • Web analytics : Google Analytics 4 (GA4), Amplitude, Mixpanel, Heap, Contentsquare, Hotjar
  • Bases de données : PostgreSQL, MySQL, MongoDB (NoSQL), Elasticsearch, ClickHouse
  • Communication : storytelling data, présentations PowerPoint / Keynote, vulgarisation des chiffres

Formations pour devenir Data Analyst (analyste de données)

  • Master Data Science — Université Paris Dauphine, Sorbonne Université, ENS, Polytechnique (Bac+5)
  • Master Statistiques appliquées — ENSAE Paris, Université Paris-Saclay, Toulouse School of Economics (Bac+5)
  • Master MIAGE (Méthodes Informatiques Appliquées à la Gestion) — Université Paris 1, Nantes (Bac+5)
  • Diplôme d'ingénieur + spécialisation data — EPITA, EPITECH, INSA, Centrale, Polytechnique, Télécom Paris
  • Master Économétrie et Big Data — Toulouse School of Economics, Paris-Saclay (Bac+5)
  • BUT STID (Statistique et Informatique Décisionnelle) — IUT Paris Descartes, Vannes (Bac+3)
  • Licence professionnelle Métiers du décisionnel et de la statistique — Université Paris 13, Bordeaux (Bac+3)
  • Bootcamps Data Analytics : Le Wagon Data Analytics, DataScientest, Jedha, Databird (3-6 mois)
  • Certifications : Google Data Analytics Professional Certificate (Coursera), Microsoft Certified Data Analyst Associate
  • Certifications outils : Tableau Desktop Specialist, Power BI Data Analyst Associate, dbt Fundamentals

Grille salariale détaillée

  • Junior Data Analyst (0-3 ans) : 38 000 – 50 000 € brut/an
  • Data Analyst confirmé (3-6 ans) : 48 000 – 68 000 € brut/an
  • Senior / Lead Data Analyst (6-10 ans) : 60 000 – 90 000 € brut/an
  • Head of Analytics / CDO (10+ ans, + stock-options) : 80 000 – 150 000 € brut/an

Avantages et inconvénients

Les plus

  • Rémunération attractive dès le début (38-50k€ en CDI, 45-55k€ en scale-ups)
  • Fort taux d'insertion (95 % à 6 mois) et métier en tension (4 000 postes non pourvus/an)
  • Télétravail massif (82 % des offres, 40 % full-remote)
  • Évolution rapide vers Senior/Lead en 5-7 ans avec un portfolio solide
  • Freelance très accessible (TJM 500-900 €/j)
  • Mobilité internationale facile (Londres, Berlin, Amsterdam, San Francisco)
  • Métier à fort impact : analyses utilisées pour la prise de décision stratégique

Les moins

  • Outils évoluent vite : veille permanente sur Tableau, Power BI, Looker, dbt, Python
  • Qualité de la donnée parfois décevante : 60-70 % du temps passé sur le nettoyage (data wrangling)
  • Frontière floue avec Data Scientist : profils souvent comparés, pression à monter en ML
  • Responsabilité : une analyse erronée peut conduire à de mauvaises décisions business
  • Dépendance aux Data Engineers : si la data pipeline est cassée, le Data Analyst est bloqué
  • Parfois peu de reconnaissance : perçu comme un 'producteur de dashboards' dans certaines entreprises

Secteurs qui recrutent

  • Banques et assurances : BNP Paribas, Société Générale, Crédit Agricole, AXA, Allianz, Generali
  • E-commerce et retail : Amazon France, Cdiscount, Veepee, ManoMano, Decathlon, Carrefour, Fnac Darty
  • Industrie : Schneider Electric, Safran, Airbus, Thales, L'Oréal, LVMH, Stellantis, Saint-Gobain
  • Santé et pharma : Sanofi, Servier, Pierre Fabre, Doctolib, Alan, Biogen, Ipsen, Pasteur
  • Startups tech et scale-ups : BlaBlaCar, Qonto, Swile, Back Market, Spendesk, PayFit, Mirakl
  • Cabinets de conseil : Accenture, Capgemini Invent, BCG Gamma, McKinsey QuantumBlack, Deloitte Analytics
  • ESN spécialisées data : Keyrus, Micropole, Deepki, Ippon, Artefact (licorne française), Onepoint, Sopra Steria
  • Plateformes tech : Google France, Meta France, Criteo, Contentsquare, Datadog, Algolia, Mirakl
  • Secteur public : DINUM, INSEE, Caf, URSSAF, Pôle Emploi, France Travail, Ministères (Intérieur, Finances)
  • Médias et télécoms : Orange, SFR, Canal+, France Télévisions, Le Monde, Le Figaro, Gracenote

Évolution de carrière

Le Data Analyst débute comme Junior Data Analyst (38 000 à 50 000 euros bruts annuels en CDI, 45 000 à 55 000 dans les scale-ups tech). Après 2-4 ans, il passe Data Analyst confirmé (48 000 à 65 000 euros). Avec 4-7 ans, les postes de Senior Data Analyst, Lead Data Analyst, Analytics Engineer (60 000 à 85 000 euros) s'ouvrent. Les profils 7+ ans atteignent Head of Analytics, Principal Data Analyst, Analytics Manager (80 000 à 110 000 euros), voire Chief Data Officer (CDO, 110 000 à 180 000 euros + stock-options). Les reconversions classiques : Data Scientist (avec montée en compétences sur Machine Learning), Analytics Engineer (dbt Labs recommande ce rôle en fusion de Data Engineer + Data Analyst), Data Product Manager, Business Analyst senior, consultant data freelance (TJM 500-900 €/j, CA 90-180 k€/an). Le passage vers les Big Tech (Google, Meta, Apple, Stripe, Airbnb) offre des packages de 120 000-250 000 euros avec RSU et stock-options. L'entrepreneuriat (création de cabinet data, SaaS analytics) est fréquent après 7-10 ans.

Questions fréquentes sur le métier de Data Analyst (analyste de données)

Comment devenir Data Analyst en 2026 ?
Plusieurs voies d'accès existent. La voie académique : Master Data Science (Paris Dauphine, Sorbonne, ENS, Polytechnique), Master Statistiques appliquées (ENSAE Paris, Paris-Saclay, TSE), Master MIAGE (Paris 1, Nantes), diplôme d'ingénieur avec spécialisation data (EPITA, EPITECH, INSA, Centrale, Polytechnique, Télécom Paris). La voie courte : BUT STID (Statistique et Informatique Décisionnelle) à l'IUT Paris Descartes ou Vannes (Bac+3), Licence professionnelle Métiers du décisionnel et de la statistique. Les reconversions sont fréquentes via des bootcamps (Le Wagon Data Analytics, DataScientest, Jedha, Databird) en 3-6 mois, très prisés par les profils non-techniques. Les certifications incontournables : Google Data Analytics Professional Certificate, Microsoft Certified Data Analyst Associate, Tableau Desktop Specialist, Power BI Data Analyst Associate, dbt Fundamentals. Un portfolio de 4-6 projets (Kaggle, GitHub, site perso) est quasi-obligatoire pour convaincre les recruteurs.
Quel est le salaire d'un Data Analyst en 2026 ?
En 2026, un Junior Data Analyst (0-3 ans) gagne entre 38 000 et 50 000 euros bruts annuels en CDI, 45 000 à 55 000 euros dans les scale-ups tech (Doctolib, Qonto, Back Market), jusqu'à 60 000 € dans les Big Tech français (Criteo, Contentsquare). Un Data Analyst confirmé (3-6 ans) atteint 48 000 à 68 000 euros. Un Senior ou Lead Data Analyst (6-10 ans) évolue entre 60 000 et 90 000 euros. Les postes de Head of Analytics, Analytics Manager ou Chief Data Officer (10+ ans) peuvent atteindre 80 000 à 150 000 euros + stock-options, jusqu'à 250 000 $ dans les Big Tech américaines (Google, Meta, Stripe, Airbnb) avec RSU. En freelance, les TJM varient de 400 euros (junior) à 900 euros (senior spécialisé), soit un chiffre d'affaires annuel de 75 000 à 180 000 euros pour un freelance établi.
Quelle différence entre Data Analyst et Data Scientist ?
Le Data Analyst se concentre sur l'analyse descriptive et diagnostique : 'Que s'est-il passé ?' et 'Pourquoi ?'. Il utilise SQL, Python/R, Tableau, Power BI pour produire des dashboards, rapports et analyses statistiques. Le Data Scientist travaille sur l'analyse prédictive et prescriptive : 'Que va-t-il se passer ?' et 'Que devrions-nous faire ?'. Il utilise le Machine Learning (scikit-learn, TensorFlow, PyTorch), développe des modèles prédictifs, fait du deep learning, de la NLP, de la computer vision. Le Data Analyst est plus orienté business et communication, le Data Scientist plus orienté technique et recherche. Les salaires Data Scientist sont généralement 15-25 % supérieurs (plus de compétences techniques exigées : math, statistiques avancées, algorithmique). L'évolution naturelle d'un Data Analyst vers Data Scientist est possible via formation continue et montée en compétences ML.
Quelles évolutions pour un Data Analyst ?
Les évolutions verticales : Junior Data Analyst → Data Analyst confirmé → Senior Data Analyst → Lead Data Analyst → Head of Analytics → Analytics Manager → Chief Data Officer (CDO). Les évolutions horizontales : Data Scientist (montée en Machine Learning, modèles prédictifs, deep learning), Analytics Engineer (fusion Data Engineer + Data Analyst recommandée par dbt Labs), Data Product Manager (stratégie data produit), Business Analyst senior, Machine Learning Engineer. Reconversions classiques : consultant data freelance (TJM 500-900 €/j), Growth Analyst / Growth Manager dans une startup, Product Analyst, Marketing Analyst, Finance Analyst. Entrepreneuriat : création de cabinet data, SaaS analytics, formation en ligne (DataScientest, Jedha, Databird vendent des formations à plusieurs millions €).
Le métier de Data Analyst a-t-il de l'avenir avec l'IA ?
Oui, très fortement. L'IA générative (ChatGPT, Claude, Copilot) automatise les tâches simples (génération de requêtes SQL basiques, premier jet d'analyses, documentation), mais les Data Analysts qui maîtrisent l'IA comme outil gagnent en productivité et s'élèvent en hiérarchie. Les outils IA (Microsoft Copilot for Power BI, Tableau GPT Pulse, Looker Studio Gemini, Snowflake Cortex) augmentent la capacité d'analyse. Les compétences à forte valeur ajoutée : compréhension business, storytelling des chiffres pour la DG, animation de la data culture, conception de dashboards pertinents, gestion de projets data, intégration des nouvelles réglementations (RGPD, AI Act, Data Act). La DARES et l'Apec prévoient une croissance continue (+ 25-30 % d'ici 2030), avec un déplacement vers les profils hybrides data + business + IA. Les Data Analysts qui restent sur des tâches répétitives (reporting pur) sont les plus menacés.

Métiers similaires

Références officielles

Approfondissez avec les sources publiques françaises de référence (France Travail, ONISEP).

Explorer tout le domaine Tech & Intelligence Artificielle

Découvrez les 61 métiers du domaine Tech & Intelligence Artificielle : salaires, formations, débouchés et perspectives d'évolution.