Mis à jour le · Relu par le service des admissions AI2, campus d’Écouen (Val-d’Oise)
Ce guide porte uniquement sur les compétences : ce qu’un data analyst doit savoir faire, à quel niveau pour un premier poste, comment le prouver, comment se situer avec une checklist et comment l’IA modifie ces compétences. Pour les missions, les études et la rémunération, consultez notre fiche métier data analyst.
Quelles sont les compétences clés d’un data analyst ?
Deux référentiels publics servent de point de départ. La fiche ROME M1419 « Data analyst » de France Travail cite parmi les savoirs du métier les statistiques appliquées, l’économétrie, les logiciels d’analyse statistique, la programmation en Python, MySQL et les logiciels de gestion de base de données, les outils de Business Intelligence, la conception de tableaux de bord, le big data analytics et le machine learning. L’ONISEP, de son côté, juge indispensables la maîtrise des bases de données, des méthodes statistiques, des langages de programmation et des outils de visualisation, sans oublier des aptitudes pour communiquer, écouter, expliquer et synthétiser en respectant les règles de protection des données personnelles.
Traduit en attentes concrètes pour un premier poste, cela donne le tableau suivant.
| Compétence | Ce qu’on attend en premier poste | Comment le montrer |
|---|---|---|
| SQL | Écrire seul des requêtes avec jointures, agrégations et fonctions de fenêtre | Requêtes commentées dans un dépôt GitHub, test technique |
| Tableur (Excel, Google Sheets) | Tableaux croisés dynamiques, fonctions de recherche, nettoyage avec Power Query | Fichier d’analyse documenté |
| Power BI ou Tableau | Modèle de données propre, mesures justes, tableau de bord lisible | Tableau de bord publié, certification d’éditeur |
| Python | Préparer et analyser des données avec pandas, produire des graphiques, automatiser une tâche | Notebook reproductible |
| Statistiques | Statistiques descriptives, intervalles de confiance, tests, régression simple | Analyse d’un test A/B expliquée pas à pas |
| Modélisation des données | Schéma en étoile, granularité, clés et relations | Schéma du modèle dans le portfolio |
| Compréhension du métier | Traduire une question d’un service en indicateurs | Note de cadrage d’un projet |
Hard skills du data analyst : les compétences techniques
SQL, la compétence vérifiée en premier
SQL sert à interroger les bases de données relationnelles, où se trouve la plupart des données d’entreprise. Le langage dépasse largement le monde de la data : dans l’enquête développeurs 2025 de Stack Overflow, 58,6 % des répondants déclarent utiliser SQL et 57,9 % Python. Pour un data analyst, le niveau attendu va bien au-delà d’un simple SELECT :
- filtrer et trier (WHERE, ORDER BY) en traitant correctement les valeurs NULL ;
- joindre plusieurs tables (INNER JOIN, LEFT JOIN) et repérer les doublons qu’une jointure mal construite peut créer ;
- agréger avec GROUP BY et filtrer les agrégats avec HAVING ;
- structurer une requête longue avec des sous-requêtes ou des expressions de table communes (WITH) ;
- utiliser les fonctions de fenêtre (ROW_NUMBER, RANK, SUM OVER) pour les classements, les cumuls et les évolutions d’une période à l’autre ;
- contrôler son résultat : compter les lignes avant et après chaque étape, comparer un total à un chiffre connu.
Pour démarrer ou consolider ces bases, AI2 propose une formation courte Introduction à SQL de 1 à 3 jours.
Excel et le tableur, toujours présents
Le tableur reste l’outil partagé avec les équipes métier : tableaux croisés dynamiques, fonctions de recherche (RECHERCHEX ou INDEX et EQUIV) et Power Query pour automatiser un nettoyage répétitif. Microsoft a ajouté Python dans Excel : selon sa documentation, les calculs s’exécutent dans le cloud Microsoft, sans installation locale, sur Excel pour Windows, Excel sur le web et Excel pour Mac, avec un abonnement Microsoft 365 éligible.
Power BI et Tableau : modéliser avant de dessiner
Le référentiel de l’examen Microsoft PL-300 (certification Power BI Data Analyst Associate) donne une bonne carte des compétences attendues. Voici sa répartition, dans la version des compétences mesurées du 20 avril 2026 :
| Domaine de l’examen PL-300 | Poids | Exemples de compétences évaluées |
|---|---|---|
| Préparer les données | 25 à 30 % | Se connecter aux sources, profiler et nettoyer, résoudre les valeurs nulles ou inattendues, créer des tables de faits et de dimension |
| Modéliser les données | 25 à 30 % | Relations et cardinalité, table de dates, mesures DAX avec CALCULATE, intelligence temporelle, optimisation des performances |
| Visualiser et analyser les données | 25 à 30 % | Choisir le bon visuel, navigation et narration du rapport, accessibilité, détection d’anomalies, usages de Copilot |
| Gérer et sécuriser Power BI | 15 à 20 % | Espaces de travail, actualisation planifiée, sécurité au niveau des lignes, étiquettes de sensibilité |
Le graphique n’est pas la partie la plus difficile : ce sont le modèle et les mesures (DAX dans Power BI, champs calculés dans Tableau) qui font qu’un indicateur est juste. Inutile de maîtriser les deux outils à fond pour un premier poste. Pour Tableau, voir la formation Tableau Desktop d’AI2 (1, 2 ou 4 jours).
Python : automatiser et dépasser les limites du tableur
Python n’est pas exigé partout, mais il devient vite un avantage dès que les volumes grossissent ou que les traitements se répètent. Le socle utile au data analyst :
- pandas pour charger, nettoyer, fusionner et agréger des tables ;
- NumPy pour les calculs numériques ;
- matplotlib ou seaborn pour les graphiques exploratoires ;
- les notebooks Jupyter pour rendre une analyse lisible et reproductible ;
- des scripts simples pour automatiser un export, appeler une API ou planifier un rapport.
R reste une alternative solide dans les équipes très orientées statistiques. La formation Python pour l’IA d’AI2 (2 ou 3 jours, bases de Python requises) couvre pandas, NumPy, Matplotlib et une première approche de scikit-learn.
Statistiques : éviter les mauvaises conclusions
Les statistiques distinguent un analyste d’un simple producteur de graphiques. Les notions à maîtriser pour un premier poste :
- statistiques descriptives : moyenne, médiane, quantiles, écart-type ;
- distributions et valeurs aberrantes : les repérer, décider de les garder ou non, et le documenter ;
- échantillonnage et intervalles de confiance : un taux mesuré sur 200 clients est moins précis que sur 20 000 ;
- tests d’hypothèse et tests A/B : interpréter correctement une p-value, choisir la taille d’échantillon avant de lancer le test ;
- corrélation et causalité : biais de sélection, variables cachées, paradoxe de Simpson ;
- régression linéaire : quantifier l’effet d’une variable en tenant compte des autres.
Modélisation des données : le socle des tableaux de bord fiables
La documentation Power BI de Microsoft recommande le schéma en étoile : les tables de dimension décrivent les entités (produits, clients, lieux, dates) et servent à filtrer et regrouper ; les tables de faits stockent les observations ou les événements (commandes, ventes) et servent à totaliser. Deux notions reviennent sans cesse : la granularité (une ligne correspond à quoi : une commande, une ligne de commande, un jour ?) et les clés qui relient les tables, primaires d’un côté, étrangères de l’autre.
Qualité des données et RGPD
Le data analyst manipule souvent des données personnelles. Le RGPD impose notamment le principe de minimisation (article 5, paragraphe 1, point c) : ne traiter que les données adéquates, pertinentes et limitées à ce qui est nécessaire. En pratique : préférer des données agrégées ou pseudonymisées, documenter l’origine de chaque source, tenir un dictionnaire de données et signaler les anomalies plutôt que les corriger en silence.
Soft skills et compétences métier du data analyst
Les compétences relationnelles et métier pèsent autant que la technique. Dans son rapport Future of Jobs 2025 (janvier 2025, fondé sur une enquête auprès de plus de 1 000 employeurs représentant plus de 14 millions de salariés dans 55 économies), le Forum économique mondial indique que la pensée analytique reste la compétence de base la plus recherchée : sept entreprises sur dix la jugent essentielle en 2025. Le ROME retient trois savoir-être pour le data analyst : faire preuve d’autonomie, faire preuve de rigueur et de précision, organiser son travail selon les priorités et les objectifs. Voici comment ces qualités se traduisent au quotidien.
| Soft skill | Ce que cela veut dire au quotidien | Comment l’entraîner |
|---|---|---|
| Compréhension du métier | Savoir ce que recouvrent une marge, un taux d’attrition ou un délai de livraison dans l’entreprise | Lire les rapports du service, faire définir chaque indicateur par écrit |
| Formulation du problème | Transformer « les ventes baissent » en questions vérifiables (où, depuis quand, sur quels produits) | Rédiger une note de cadrage d’une page avant chaque analyse |
| Esprit critique | Douter d’un résultat trop beau, chercher l’erreur avant de livrer | Contrôles systématiques, relecture par un pair |
| Communication et data storytelling | Un message principal, la preuve chiffrée, une recommandation, adaptés à l’interlocuteur | Résumer chaque analyse en trois phrases avant de faire les graphiques |
| Rigueur | Requêtes reproductibles, versions suivies, hypothèses écrites | Git, fichier README, dictionnaire de données |
| Priorisation | Arbitrer entre des demandes urgentes et des sujets à fort impact | Liste des demandes classées par impact et effort, partagée avec le manager |
| Anglais professionnel | Lire une documentation, échanger avec une équipe internationale | Travailler directement avec la documentation officielle des outils |
Hard skills ou soft skills : lesquelles comptent le plus ?
Les deux, mais pas au même moment. Les hard skills servent souvent de filtre à l’entrée, par un test SQL en direct, une étude de cas ou la présentation d’un projet. Les soft skills font ensuite la valeur du travail : une requête parfaite qui répond à la mauvaise question ne sert à rien. Les profils en reconversion ont souvent l’avantage sur la compréhension du métier, les profils techniques sur l’outillage : comblez d’abord l’écart le plus visible.
Comment prouver ses compétences de data analyst
Un portfolio de trois projets bien choisis
La qualité compte plus que le nombre : trois projets complémentaires suffisent.
- Une analyse en SQL sur une base publique, avec des questions précises et les requêtes commentées.
- Un tableau de bord Power BI ou Tableau qui répond à une question métier, avec le schéma du modèle de données.
- Un notebook Python qui nettoie un jeu de données réel et mène une analyse statistique (test A/B, régression).
Chaque projet doit avoir un README qui suit la même trame : la question posée, les données et leur source, la méthode, le résultat, les limites. Pour trouver des données, data.gouv.fr, la plateforme ouverte des données publiques françaises, et l’Insee proposent de nombreux jeux téléchargeables ; Kaggle en héberge aussi beaucoup. En reconversion, un projet tiré de votre ancien métier (logistique, commerce, RH, santé) montre à la fois la technique et la compréhension métier.
Les certifications d’éditeurs et de plateformes
Une certification prouve la maîtrise d’un outil, pas d’un métier ; elle complète un portfolio sans le remplacer. Informations vérifiées le 25 octobre 2026 sur les sites des organismes :
| Certification | Format | À savoir |
|---|---|---|
| Microsoft Certified : Power BI Data Analyst Associate (examen PL-300) | Examen surveillé de 100 minutes, score minimal de 700, proposé notamment en français | Prix fixé selon le pays ; certification valable 12 mois, renouvelable gratuitement par une évaluation en ligne |
| Google Data Analytics Professional Certificate (sur Coursera) | 9 cours de niveau débutant, sans prérequis ; environ 6 mois à 10 heures par semaine selon Coursera | Tableur, SQL et Tableau au programme ; cours en anglais, le français ne figure pas parmi les langues indiquées |
Tableau propose aussi une certification Tableau Certified Data Analyst, dont nous n’avons pas pu vérifier les conditions actuelles.
Un titre RNCP et ses blocs de compétences
Un titre enregistré au RNCP atteste un ensemble de compétences découpé en blocs, évalués séparément. C’est la preuve la plus complète, car elle couvre la technique, le projet et la communication. Le Mastère 2 Data Analyst et IA d’AI2 prépare un titre RNCP de niveau 7 en un an, avec SQL avancé et PostgreSQL, Python et pandas, Power BI et DAX, Tableau, gouvernance des données et un projet data soutenu devant un jury ; il coûte dès 8 000 € par an en formation initiale et 0 € pour l’étudiant en alternance, les frais étant pris en charge par l’entreprise et son OPCO. Pour valider un seul bloc, la formation Data Scientist éligible au CPF (35 h, 1 990 €) valide le bloc RNCP39978BC04. AI2 prépare ces titres et délivre en plus son propre diplôme d’établissement ; les règles sont détaillées dans qu’est-ce qu’un titre RNCP.
Checklist d’auto-évaluation des compétences data analyst
Cochez seulement ce que vous savez faire seul, sans tutoriel, en moins d’une heure.
| Bloc | Je sais… |
|---|---|
| Données et SQL | ☐ joindre trois tables sans créer de doublons ☐ calculer un cumul ou un classement avec une fonction de fenêtre ☐ expliquer la granularité d’une table de faits ☐ repérer et traiter les valeurs manquantes ☐ documenter la source et la date d’extraction d’un jeu de données |
| Outils | ☐ construire un tableau croisé dynamique et automatiser un nettoyage dans Power Query ☐ créer un modèle en étoile dans Power BI ou Tableau ☐ écrire une mesure avec filtre (CALCULATE ou équivalent) ☐ charger, nettoyer et agréger un fichier avec pandas ☐ versionner mon travail avec Git |
| Statistiques | ☐ choisir entre moyenne et médiane et justifier mon choix ☐ calculer et interpréter un intervalle de confiance ☐ analyser un test A/B et dire s’il est concluant ☐ expliquer pourquoi une corrélation ne prouve pas une cause ☐ lire les coefficients d’une régression linéaire |
| Métier et communication | ☐ reformuler une demande floue en trois questions précises ☐ définir un indicateur avec son mode de calcul ☐ résumer une analyse en trois phrases pour un dirigeant ☐ présenter les limites de mes résultats ☐ appliquer la minimisation des données personnelles |
Lecture du score. Entre 16 et 20 cases, vous pouvez candidater et montrer vos projets. Entre 10 et 15, consolidez le bloc le plus faible par un projet de portfolio. En dessous de 10, commencez par SQL et les statistiques, qui servent de base à tout le reste. Ce barème aide à organiser votre progression ; ce n’est pas une norme de recrutement.
Comment l’IA fait évoluer les compétences du data analyst
Le rapport Future of Jobs 2025 du Forum économique mondial place « IA et big data » en tête des compétences dont l’importance croît le plus vite d’ici 2030, et les big data specialists parmi les métiers en plus forte croissance en pourcentage. Les employeurs interrogés estiment qu’en moyenne 39 % des compétences actuelles des salariés seront transformées ou dépassées sur la période 2025 à 2030.
Les outils du data analyst intègrent déjà l’IA générative. Selon la documentation Microsoft (mise à jour en août 2026), Copilot dans Power BI peut créer des pages de rapport, résumer un rapport, écrire des requêtes DAX et répondre à des questions sur les données ; il exige une capacité Fabric payante (F2 ou plus) ou Power BI Premium (P1 ou plus). Microsoft prévient que, sans préparation du modèle sémantique, Copilot peut mal interpréter les données et renvoyer des résultats génériques ou incorrects. Depuis le 20 avril 2026, le référentiel de l’examen PL-300 inclut l’usage de Copilot pour créer une page de rapport.
L’IA réduit le temps passé à écrire du code répétitif et déplace la valeur vers quatre compétences :
- cadrer : une question mal posée à un assistant donne une réponse rapide et fausse ;
- vérifier : relire une requête ou une mesure générée, la tester sur un cas dont on connaît le résultat ;
- préparer les données pour l’IA : noms de colonnes clairs, descriptions des mesures, modèle propre ;
- respecter les règles : savoir quelles données peuvent être envoyées à quel outil.
FAQ : compétences du data analyst
Quelles sont les compétences clés d’un data analyst ?
SQL, un tableur, un outil de visualisation comme Power BI ou Tableau, Python, les statistiques et la modélisation des données pour la partie technique ; compréhension du métier, rigueur, esprit critique et communication pour la partie relationnelle. L’ONISEP et la fiche ROME M1419 de France Travail décrivent le même socle.
Quels hard skills et soft skills pour un data analyst ?
Hard skills : requêtes SQL avec jointures, agrégations et fonctions de fenêtre, modèle de données et tableau de bord dans Power BI ou Tableau, préparation des données avec Python et pandas, statistiques de base. Soft skills : compréhension du métier, formulation du problème, esprit critique, communication des résultats, rigueur et priorisation.
Faut-il savoir coder pour devenir data analyst ?
Il faut au minimum maîtriser SQL, qui est un langage de requête. Python n’est pas exigé dans toutes les offres, mais il devient un atout dès que les volumes augmentent ou que les traitements se répètent. Le data analyst n’a pas besoin d’être développeur : il doit écrire des requêtes et des scripts fiables et reproductibles.
Quelle certification choisir quand on est data analyst ?
La certification Microsoft Power BI Data Analyst Associate (examen PL-300, 100 minutes, renouvelable gratuitement chaque année) est la plus liée à un outil très répandu. Le Google Data Analytics Professional Certificate sur Coursera vise les débutants. Pour une preuve complète du métier, un titre enregistré au RNCP évalue l’ensemble des blocs de compétences.
Comment prouver ses compétences de data analyst sans expérience ?
Avec un portfolio de trois projets : une analyse SQL, un tableau de bord et un notebook Python, chacun documenté par la question posée, les données, la méthode, le résultat et les limites. Les données publiques de data.gouv.fr ou de l’Insee s’y prêtent bien, tout comme un projet tiré de votre ancien métier.
L’IA va-t-elle remplacer les compétences du data analyst ?
Elle en transforme une partie. Des outils comme Copilot dans Power BI génèrent des pages de rapport ou des requêtes DAX, mais Microsoft prévient qu’ils peuvent produire des résultats incorrects si le modèle n’est pas préparé. Cadrer la question, vérifier les résultats et respecter les règles sur les données restent des compétences humaines.
Sources consultées le 25 octobre 2026 : France Travail, fiche ROME M1419 Data analyst ; ONISEP, fiche métier data analyst ; Forum économique mondial, Future of Jobs Report 2025 (janvier 2025) ; Microsoft Learn, certification Power BI Data Analyst Associate et guide d’étude PL-300 (compétences du 20 avril 2026) ; Microsoft Learn, vue d’ensemble de Copilot pour Power BI (24 août 2026) ; Microsoft Learn, schéma en étoile et Power BI ; Microsoft Support, introduction à Python dans Excel ; Coursera, Google Data Analytics Professional Certificate ; Stack Overflow Developer Survey 2025, technologies ; CNIL, le RGPD ; data.gouv.fr.
Mastère 2 Data Analyst et IA, préparant un titre RNCP de niveau 7 : SQL, Python, Power BI, Tableau, statistiques et projet data devant un jury, en formation initiale ou en alternance, au campus d’Écouen (Val-d’Oise) ou à distance.