CV data analyst : SQL, Python et projets qui prouvent l’impact

Les postes d’analyste de données attirent un volume énorme de candidatures, et la plupart se ressemblent : une liste d’outils, un certificat de bootcamp et un tableau de bord sur un jeu de données public. Ce qui fait passer un CV en liste courte, ce n’est pas plus d’outils — c’est la preuve que votre analyse a changé une décision.

Structure

1. En-tête : nom, ville, contact, plus des liens vers GitHub, un portfolio ou un tableau de bord publié.
2. Accroche : 3–4 lignes sur votre domaine, votre stack principale et la décision la plus utile influencée par votre travail.
3. Compétences techniques : regroupées — langages, bases de données, outils BI, statistiques et méthodes.
4. Expérience : entreprise, titre, dates, volume de données et 3–5 puces d’impact.
5. Projets : deux ou trois, seulement s’ils apportent ce que vos emplois ne montrent pas.
6. Formation et certifications.

Accroche type

Data analyst, 4 ans dans l’e-commerce, au quotidien en SQL et Python sur un entrepôt de plus de 40 millions de lignes de commandes. A construit le reporting de churn qui a réorienté un budget de rétention à six chiffres et automatisé un pack de reporting économisant deux jours par mois à l’équipe commerciale.

Écrivez l’impact, pas l’outillage

• Modèle de rétention par cohortes en SQL et Python ayant révélé une baisse de 19 % de la rétention au deuxième mois après un changement de tarif, ayant conduit à son annulation.
• Remplacement de 14 rapports Excel manuels par un modèle Power BI unique, temps de reporting réduit de deux jours à 20 minutes.
• Conception d’un test A/B sur le tunnel de paiement avec 60 000 sessions par bras et définition de la règle d’arrêt avec l’équipe produit.
• Refonte du modèle de données de revenu sous dbt, écarts entre finance et produit ramenés sous 1 %.
• Automatisation des contrôles qualité ayant détecté une régression de tracking en quelques heures au lieu de semaines.

Le bloc technique

• Langages : SQL (fonctions de fenêtrage, CTE), Python (pandas, NumPy), R si vous l’utilisez vraiment.
• Bases et entrepôts : PostgreSQL, MySQL, BigQuery, Snowflake, Redshift.
• BI et visualisation : Power BI, Tableau, Looker, Metabase, Excel avancé.
• Pipelines et versionnage : dbt, Airflow, Git — forts différenciateurs.
• Méthodes : tests A/B, régression, analyse de cohortes et d’entonnoirs, prévision, significativité.

Ne listez que ce sur quoi vous pouvez être interrogé. Une fausse profondeur en SQL se découvre au premier entretien technique, souvent sur une question de jointures.

Pas encore d’expérience professionnelle ?

1. Deux ou trois projets sur des données réelles et imparfaites, pas un jeu de données de tutoriel nettoyé.
2. Énoncez d’abord la question : quelle décision cette analyse soutiendrait-elle ?
3. Montrez votre SQL et votre raisonnement, pas seulement le graphique final.
4. Publiez le code et mettez le lien. Un dépôt accessible vaut plus qu’un certificat.
5. Comptez le travail analytique de votre emploi précédent — reporting, tarification, analyse d’exploitation — comme de l’expérience.

Personne ne recrute un analyste pour la requête, mais pour la décision qu’elle a rendue possible.