Fiche métier
Comment devenir Data Analyst (analyste de données) ?
Tech & Intelligence Artificielle · Bac+3 à Bac+5 · Bureau / Terrain
Chiffres clés
- salaire de début
- dès 2 900 €brut par mois en début de carrière (Onisep)
- niveau d'études
- Bac+3 à Bac+5
- durée des études
- 3 à 5 ans
- environnement
- Bureau / Terrain
- domaine
- Tech & Intelligence Artificielle
Sources : Onisep, consulté le 3 octobre 2026
Qu'est-ce qu'un Data Analyst (analyste de données) ?
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. Dans le ROME 4.0 de France Travail, l'appellation « Data analyst » relève du code M1403 — Chargé / Chargée d'études socio-économiques.
Le métier fait partie des métiers tech en tension. 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, et le full-remote est possible.
Les missions
- 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 et qualités requises
Compétences techniques
- 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
Qualités personnelles
- Curiosité analytique : se poser des questions, creuser les chiffres, challenger les hypothèses
- Rigueur : vérifier les chiffres, reproductibilité des analyses, contrôles de cohérence
- Sens de la communication : expliquer des analyses complexes à des non-data (marketing, ventes, direction)
- Esprit logique : structurer sa pensée, décomposer un problème en sous-problèmes
- Autonomie : chercher les réponses par soi-même, explorer les data sans attendre les consignes
- Orientation business : comprendre les enjeux métier, pas juste techniques
- Créativité : trouver des angles d'analyse originaux, des visualisations pertinentes
- Persévérance : la donnée est souvent sale, il faut savoir nettoyer, itérer, chercher les sources
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
Les étapes suivantes : salaire, écoles, Parcoursup
Les repères Fox'Up pour passer de la fiche métier au concret : ce que ça paie, où se former, comment candidater.
Salaire et évolution
dès 2 900 € brut par mois en début de carrière
« À partir de 2900 euros brut par mois. * variable en fonction du lieu d'exercice, du statut. »
Source : Onisep, fiche « Data analyst (analyste de données) », consultée le 3 octobre 2026. Au-delà des débuts, le salaire dépend de l'expérience, de l'employeur et de la région : Fox'Up n'affiche pas de chiffre sans source.
Évolution de carrière
Le Data Analyst débute comme Junior Data Analyst. Après 2-4 ans, il passe Data Analyst confirmé. Avec 4-7 ans, les postes de Senior Data Analyst, Lead Data Analyst, Analytics Engineer s'ouvrent. Les profils les plus expérimentés atteignent Head of Analytics, Principal Data Analyst, Analytics Manager, voire Chief Data Officer. 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. L'entrepreneuriat (création de cabinet data, SaaS analytics) est fréquent après 7-10 ans.
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
Les plus et les moins
Les plus
- Rémunération attractive dès le début
- 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
- 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
Questions fréquentes
Comment devenir Data Analyst ?
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 ?
D'après l'Onisep (fiche « Data analyst (analyste de données) », consultée le 3 octobre 2026), salaire du débutant : « À partir de 2900 euros brut par mois. * variable en fonction du lieu d'exercice, du statut. » Fox'Up ne publie pas d'autre chiffre de salaire sans source.
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, 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).
Ce métier t'intéresse ? Découvre ta voie
Fais le quiz d'orientation Fox'Up pour savoir si ce métier correspond à ton profil.
Je fais le quiz maintenantTest rapide · Sans engagement · Résultats en -15 min
Découvre ton profil en 1 minute
4 questions rapides pour identifier ce qui te ressemble — la suite, c'est notre quiz complet.
