Data analyst : formation, missions et salaire en France
SQL, Python, Power BI, formations initiales et bootcamps : tout pour comprendre le métier de data analyst et les salaires en France en 2024.
Le data analyst est le professionnel qui collecte, nettoie, analyse et visualise des données pour aider l'entreprise à prendre de meilleures décisions. Il transforme des fichiers bruts parfois illisibles en informations actionnables pour les équipes métier.
« La donnée est le nouveau pétrole. » La formule de Clive Humby, datant de 2006, a été tellement répétée qu'elle est devenue un cliché. Mais comme beaucoup de clichés, elle contient une vérité. Le pétrole brut ne sert à rien sans raffinerie. Les données brutes, sans analyste pour les traiter, sont tout aussi stériles : un entrepôt de fichiers CSV et de logs serveur que personne ne sait lire.
Le data analyst, c'est la raffinerie. Il prend des données dans tous les états, les nettoie, les organise, les analyse, et en tire des insights qui permettent à un directeur marketing de comprendre pourquoi sa dernière campagne a sous-performé, à un responsable logistique d'optimiser ses stocks, ou à une direction générale de choisir entre deux stratégies avec des preuves chiffrées plutôt que des intuitions.
En France, le marché de l'emploi dans la data est en tension structurelle. France Stratégie estimait en 2022 un déficit de 230 000 profils data d'ici 2030. Ce déséquilibre entre l'offre et la demande se traduit par des salaires attractifs, même en début de carrière, et par une facilité relative à trouver un poste pour qui possède les bonnes compétences.
Data analyst, data scientist, data engineer : le triangle des métiers
La confusion est fréquente, y compris dans les offres d'emploi mal rédigées. Ces trois métiers sont complémentaires mais distincts.
Le data engineer est l'architecte des infrastructures de données. Il construit les pipelines qui collectent les données depuis les différentes sources (bases de données, API, fichiers), les transforment et les stockent dans des entrepôts de données (data warehouses). C'est un profil très technique, proche du développeur backend. Sans lui, il n'y a pas de données fiables sur lesquelles travailler.
Le data analyst travaille sur ces données déjà collectées et organisées. Il fait des requêtes SQL, construit des tableaux de bord, produit des rapports d'analyse, répond à des questions métier. Son profil est hybride : technique (il code), mais orienté vers les utilisateurs finaux (les équipes métier). C'est souvent lui qui présente ses résultats en réunion, parfois aux côtés d'un chef de projet digital qui pilote la mise en oeuvre.
Le data scientist va plus loin dans la modélisation statistique et le machine learning. Il construit des modèles prédictifs, développe des algorithmes de recommandation, crée des outils d'aide à la décision automatisés. C'est le profil le plus difficile à trouver et le mieux payé des trois. Il nécessite généralement un niveau Bac+5 avec de solides bases en mathématiques et statistiques.
| Profil | Compétences clés | Outils principaux | Salaire junior |
|---|---|---|---|
| Data engineer | Pipelines, ETL, architecture | Spark, Airflow, dbt, SQL | 42 000 à 52 000 € |
| Data analyst | Analyse, visualisation, SQL | SQL, Power BI, Python, Excel | 32 000 à 42 000 € |
| Data scientist | ML, stats, modélisation | Python, scikit-learn, TensorFlow | 38 000 à 50 000 € |
Les missions concrètes d'un data analyst
Une journée type d'un data analyst ressemble rarement à une séance de data visualisation spectaculaire. La réalité est plus laborieuse, mais aussi plus utile.
Le nettoyage des données (data cleaning) occupe en moyenne 60 à 70 % du temps d'un analyste. Des valeurs manquantes, des doublons, des formats incohérents, des données erronées issues de formulaires mal conçus : avant de pouvoir analyser quoi que ce soit, il faut s'assurer que la matière première est fiable. Un analyste qui zappe cette étape produit des insights faux, et des décisions fausses en découlent.
Les requêtes SQL sont le pain quotidien. Extraire les données des bonnes tables, les joindre, les filtrer, les agréger. SQL est le seul outil vraiment universel du data analyst : il fonctionne sur tous les systèmes de bases de données relationnelles et la plupart des entrepôts cloud (BigQuery, Snowflake, Redshift).
La construction de tableaux de bord sur Power BI, Tableau ou Looker constitue une grande partie des livrables visibles. Ces dashboards sont consultés quotidiennement par les équipes commerciales, marketing, opérationnelles. Un bon dashboard raconte une histoire : il ne noie pas dans les chiffres, il met en évidence les indicateurs clés (KPI) importants et déclenche des questions pertinentes.
La production de rapports ad hoc est la face moins glamour mais très courante du métier. Le directeur commercial appelle à 9h et veut savoir pourquoi les ventes du Nord-Est ont baissé de 15 % ce trimestre. L'analyste a deux heures pour trouver et présenter une réponse. Ce type de demandes survient plusieurs fois par semaine.
Les outils indispensables en 2024
La stack technique d'un data analyst compétent s'est beaucoup standardisée ces dernières années.
SQL est la compétence non négociable. Sans SQL, un data analyst ne peut rien faire. C'est la langue commune de toutes les bases de données relationnelles. MySQL, PostgreSQL, SQL Server, BigQuery, Snowflake : tous ont des dialectes légèrement différents, mais la base est commune. Une maîtrise solide du SQL (jointures, fenêtres, sous-requêtes, agrégations) vous ouvrira 80 % des portes.
Python est devenu le second outil incontournable. Avec les bibliothèques Pandas (manipulation de données), Matplotlib et Seaborn (visualisation), et Scikit-learn pour les analyses statistiques de base, Python permet de faire ce que SQL ne permet pas : du traitement de fichiers non structurés, de l'automatisation de rapports, des analyses statistiques avancées. R reste une alternative valide, surtout dans les secteurs académiques et pharmaceutiques.
Power BI ou Tableau sont les deux leaders du marché de la data visualisation. Power BI (Microsoft) domine dans les entreprises qui utilisent l'écosystème Microsoft (Excel, Azure, SharePoint). Tableau est plus flexible et plus utilisé dans les entreprises data-first. Looker (Google) monte rapidement dans les entreprises cloud-native. Maîtriser au moins l'un des deux est indispensable.
Snowflake ou BigQuery sont les entrepôts de données cloud que vous rencontrerez dans les grandes entreprises et les startups à fort volume. Ce ne sont pas des outils d'analyse en soi, mais savoir s'y connecter et y écrire des requêtes efficacement est devenu une exigence fréquente.
Les formations pour devenir data analyst
Plusieurs parcours mènent au métier, avec des durées et des coûts très différents.
Le BUT Statistiques et Informatique Décisionnelle (ex-DUT STID) est la voie courte la plus reconnue. En trois ans, il forme des profils opérationnels avec une solide base en statistiques et en informatique. Les taux d'insertion sont très bons, et beaucoup de data analysts confirmés l'ont suivi.
Les Masters universitaires (Master MIAGE, Master Data Science, Master Statistiques) et les Masters spécialisés grandes écoles (Statistiques Appliquées, Data Management) donnent accès aux postes senior et aux grandes entreprises. Ils forment des profils capables de piloter des projets data complexes et de manager des équipes.
Les bootcamps intensifs (DataScientest, Wild Code School, Le Wagon Data Science) proposent des formations de 3 à 6 mois, souvent éligibles au CPF. Leur atout : un programme très opérationnel, orienté vers les outils utilisés en entreprise. Leur limite : ils ne remplacent pas les bases mathématiques et statistiques d'un cursus long. Pour une reconversion depuis un autre secteur, ils sont souvent le meilleur rapport temps/efficacité.
Paris vs province : des écarts de salaires significatifs
Un data analyst junior à Paris peut espérer 38 000 à 42 000 euros bruts. Le même profil à Lyon, Bordeaux ou Nantes touchera plutôt 32 000 à 36 000 euros. L'écart se resserre avec l'expérience, mais reste réel. En revanche, le coût de la vie compense en partie cet écart, et le télétravail partiel ou total tend à rééquilibrer les salaires entre Paris et les grandes métropoles régionales dans les secteurs tech et data.
Questions fréquentes
Peut-on devenir data analyst sans diplôme scientifique ?
Oui, mais ce sera plus long. Des profils littéraires ou en sciences humaines ont réussi leur reconversion en data analyse via des bootcamps intensifs, à condition d'investir sérieusement dans les mathématiques de base (statistiques descriptives, probabilités) et de construire un portfolio de projets concrets. Les entreprises regardent moins le diplôme que la capacité à résoudre un problème avec des données. Un projet personnel sur GitHub, bien documenté, avec une analyse complète, pèse parfois plus qu'un diplôme généraliste.
Quelle est la différence entre Power BI et Excel pour l'analyse ?
Excel est un outil de tableau de bord et d'analyse adapté à des volumes modérés de données (jusqu'à quelques dizaines de milliers de lignes) et à des analyses ad hoc. Power BI est conçu pour des volumes beaucoup plus importants, permet de connecter des sources multiples en temps réel, et offre des capacités de partage et de collaboration bien supérieures. Pour une PME avec peu de données, Excel peut suffire. Pour une entreprise qui veut piloter son activité avec des tableaux de bord consultés quotidiennement par plusieurs équipes, Power BI ou Tableau sont les standards.
Le métier de data analyst est-il menacé par l'IA générative ?
Les outils d'IA générative (ChatGPT, Copilot, Gemini) peuvent désormais écrire des requêtes SQL, générer des scripts Python et produire des premières ébauches de visualisation. Cela réduit le temps passé sur les tâches répétitives, mais n'élimine pas le besoin de comprendre le contexte métier, de vérifier la qualité des données, d'interpréter les résultats et de les communiquer de manière pertinente. Les analystes qui intègrent l'IA dans leur workflow gagnent en productivité. Ceux qui maîtrisent à la fois la technique et la communication des insights resteront très demandés.