Le métier de Data Analyst
Aussi appelé : Data Analyst·Senior Data Analyst·Lead Data Analyst·Analytics Analyst·Analyst BI·Analyste de données
Expert en données, le Data Analyst transforme les chiffres en insights stratégiques pour guider les décisions d’entreprise.
→ Un profil clé que notre cabinet de recrutement data a l’habitude de chasser.
Expertise DATA
Data Analyst
Le quotidien d'un Data Analyst
Spécialiste de l'analyse des données, ce professionnel transforme les données brutes en insights actionnables pour l'entreprise. Ses responsabilités incluent :
- 01
Collecte et nettoyage
Collecter et nettoyer les données provenant de diverses sources pour garantir leur fiabilité.
- 02
Analyse statistique
Utiliser des techniques statistiques pour analyser les données et identifier des modèles significatifs.
- 03
Reporting et Dashboards
Présenter les résultats d'analyses à travers des rapports détaillés et des dashboards interactifs.
- 04
Collaboration métier
Collaborer avec les différents départements pour comprendre et définir leurs besoins spécifiques en données.
- 05
Amélioration décisionnelle
Contribuer à l'amélioration des processus décisionnels et révéler des tendances cachées grâce aux insights extraits.
À qui reporte un Data Analyst ?
Trois cas de figure dominent en France en 2026.
- Rattachement à un Head of Data ou un CDO dans une équipe data centralisée. Le Data Analyst sert alors plusieurs métiers à tour de rôle.
- Rattachement direct à un métier précis (Sales, Marketing, Finance ou Product). Le Data Analyst devient un membre de l'équipe métier et parle leur langue.
- Plus rare : rattachement à un COO ou un directeur opérations, avec un mandat très large.
Le choix du rattachement compte plus qu'on ne le pense. Un Data Analyst rattaché au Marketing fera de la marketing analytics toute la journée.
Un Data Analyst rattaché à un Head of Data touchera à plus de sujets mais sera moins proche des décisions opérationnelles.
Le quotidien type d'un Data Analyst
La répartition réelle observée chez les profils que nous plaçons est proche de celle-ci :
- 35 % en SQL pur, à interroger les entrepôts.
- 25 % en construction et maintenance de dashboards.
- 20 % en restitutions, présentations et préparation de notes de synthèse.
- 15 % en deep dives ad hoc demandés par les métiers.
- 5 % en réunions data et alignement avec les Analytics Engineers.
La maintenance de dashboards existants est sous-estimée par les candidats. Un Data Analyst senior passe parfois plus de temps à réparer des dashboards qu'à en créer.
Différence entre Data Analyst et Data Scientist
Le Data Analyst fait de l'analyse descriptive : combien de clients perdus ce mois-ci, pourquoi, quels segments.
Le Data Scientist fait de l'analyse prédictive : quels clients vont partir le mois prochain, avec quelle probabilité.
Cette distinction reste floue dans certaines fiches de poste, surtout en grands groupes. Quand un recruteur cherche un Data Analyst mais demande des modèles ML en production, c'est un signal que le poste est mal cadré.
Spécificités selon le métier
- Sales analytics : suivi du pipeline, taux de conversion, performance des SDR, prévision de chiffre d'affaires. Outils CRM type Salesforce ou HubSpot connectés à l'entrepôt.
- Marketing analytics : attribution multi-canal, calcul du LTV, suivi des campagnes payantes, analyse de cohortes. Connaissance de Mixpanel, Amplitude ou GA4 obligatoire.
- Finance analytics : reporting de gestion automatisé, analyse de marge, projections budgétaires. Sortie de poste très valorisée car ce profil reste rare.
- Product analytics : funnels d'activation, rétention, analyse d'impact des features. Stack Mixpanel ou Amplitude indispensable, plus de SQL sur les events bruts dans les boîtes matures.
Ce qu'un Data Analyst performant maîtrise.
Pour exceller dans son rôle, le Data Analyst doit posséder un ensemble de compétences techniques et analytiques spécifiques :
Maîtrise des outils d'analyse
Maîtrise avancée d'outils comme SQL pour l'extraction et Python pour le traitement de la donnée.
Interprétation complexe
Capacité à interpréter des données complexes et à communiquer les insights de manière claire et persuasive.
Statistiques et modélisation
Compétences solides en statistiques et en modélisation prédictive pour anticiper les besoins futurs.v
Visualisation de données
Connaissance des meilleures pratiques pour rendre les solutions techniques accessibles via la Data Viz.
Sens stratégique
Compréhension business profonde pour convertir des chiffres bruts en informations stratégiques exploitables.
Les compétences à valider en entretien
Notre question préférée pour évaluer un Data Analyst en entretien : raconte-moi un dashboard que tu as créé qui a réellement changé une décision.
Si le candidat répond par une description technique du dashboard, ce n'est pas un bon signe. S'il commence par expliquer le contexte business, l'enjeu, la décision finale prise par le métier, on tient un bon profil.
Deuxième test utile : donner un cas pratique simple en SQL avec des données un peu sales, et observer comment le candidat réagit aux incohérences.
Un bon Data Analyst pose des questions sur la qualité des données avant d'écrire la première ligne de code.
Maîtrise SQL et BI
Le SQL avancé reste non négociable : window functions, CTE imbriqués, jointures complexes.
Tout candidat qui hésite sur un LAG ou un ROW_NUMBER en entretien sera disqualifié dans la plupart des scale-ups.
La lecture des modèles dbt devient un standard en 2026. Pas besoin de savoir écrire un projet dbt complet, mais comprendre la logique des couches staging, intermediate et marts est désormais attendu.
Côté BI, la maîtrise d'au moins un outil entre Looker, Tableau et Metabase est requise. Les candidats qui ne connaissent que Power BI auront du mal en startup, où Looker domine.
Soft skills : storytelling et restitution
C'est ici que se joue la différence entre un Data Analyst correct et un Data Analyst que les métiers réclament.
Savoir restituer un sujet complexe à un Head of Sales en cinq minutes, sans noyer la conversation dans les chiffres, est une compétence rare.
La capacité à dire non est sous-estimée. Un bon Data Analyst refuse poliment de produire un dashboard qui ne servira à personne. Il propose une analyse ad hoc à la place.
Cette posture demande de la confiance et une vraie compréhension du métier.
L'écrit compte aussi. Une bonne note de synthèse en deux pages vaut souvent mieux qu'un dashboard de plus.
Sa capacité à marier expertise technique et vision business est indispensable pour créer de la valeur à l'ère de l'IA.
Comment devenir Data Analyst
Plusieurs parcours mènent à ce métier, voici les plus reconnus.
Diplôme académique
Un diplôme de niveau Bac+5 en statistiques, informatique ou en data science.
Bootcamps spécialisés
Des formations pratiques accélérées offrant une immersion totale dans les outils comme SQL et Python.
Spécialisation continue
L'acquisition constante de nouvelles méthodes en analyse exploratoire et Business Intelligence.
Comment devenir un bon Data Analyst ?
Trois voies dominent les profils que nous plaçons :
- Écoles de commerce avec spécialisation data, type HEC, ESSEC ou EM Lyon.
- Écoles d'ingénieur généralistes avec une option data.
- Masterères spécialisés analytics, type ENSAE, X HEC Data Science for Business ou masterères ESSEC.
Les profils issus de bootcamps comme DataScientest ou Le Wagon existent, mais sont mieux acceptés en startup early stage qu'en grande entreprise.
Ils compensent par l'expérience terrain accumulée en deux ou trois ans.
Les autodidactes existent encore, surtout les anciens contrôleurs de gestion ou consultants qui ont basculé. Le point commun : ils ont tous validé leur SQL sur des projets réels.
L'expérience type avant le poste
Le parcours classique : un stage de fin d'études de six mois en data dans une scale-up ou un cabinet de conseil.
Première embauche junior dans la foulée, soit dans la même boîte soit dans une boîte similaire.
Une variante : deux ans en cabinet de conseil en stratégie ou en audit, puis bascule en interne sur un poste de Data Analyst.
Ce profil est très demandé car il combine la rigueur analytique et la compréhension business.
Reconversions possibles
Vers le poste de Data Analyst : les contrôleurs de gestion font de très bonnes reconversions, surtout vers la finance analytics.
Les consultants en stratégie passent bien aussi, à condition d'investir sérieusement le SQL. Les journalistes data, plus rares, ont un vrai sens de la narration mais doivent monter en technique.
Depuis le poste de Data Analyst : beaucoup partent vers Product Manager après trois ou quatre ans. D'autres glissent vers Analytics Engineer.
Quelques-uns visent Data Scientist mais cela demande un investissement statistiques significatif.
Le salaire d'un Data Analyst
Fourchette annuelle brute, marché 2026. Données issues des placements Lity.
Junior
0-2 ans
40-45K€
Confirmé
3-6 ans
Junior : 40-45K€ | Médian : ~50K€ | Senior : 70K€+
Senior
7+ ans
70K€+
● Médiane marché : 43K€
Composition package
Profil médian, package cible
43K€ + 4K€
Salaire par contexte d'entreprise
| Contexte | Junior | Confirmé | Senior |
|---|---|---|---|
| Startup early stage (Série A) | 38-44K€ | 46-56K€ | 60-72K€ |
| Scale-up Série B/C | 42-48K€ | 52-65K€ | 70-85K€ |
| Éditeur SaaS établi / GAFAM Europe | 45-52K€ | 58-72K€ | 78-95K€ |
| Banque / Assurance / Industrie | 40-46K€ | 50-62K€ | 68-82K€ |
Startup early stage (Série A)
Junior
38-44K€
Confirmé
46-56K€
Senior
60-72K€
Scale-up Série B/C
Junior
42-48K€
Confirmé
52-65K€
Senior
70-85K€
Éditeur SaaS établi / GAFAM Europe
Junior
45-52K€
Confirmé
58-72K€
Senior
78-95K€
Banque / Assurance / Industrie
Junior
40-46K€
Confirmé
50-62K€
Senior
68-82K€
En 2026, les Data Analysts figurent parmi les profils les plus recherchés, ce qui se reflète dans leur rémunération.
Combien gagne un Data Analyst en 2026 ?
Sur Paris en 2026, voici les fourchettes que nous observons sur le terrain :
- Junior zéro à deux ans : 38 à 48 K€ de fixe.
- Confirmé deux à cinq ans : 48 à 65 K€.
- Senior cinq à huit ans : 65 à 85 K€.
- Lead Data Analyst : 85 à 110 K€.
En province, comptez 15 à 25 % de moins, sauf à Lyon et Bordeaux où l'écart se resserre.
Une part variable modérée
La part variable d'un Data Analyst dépasse rarement les 12 % du fixe.
Pour la plupart des profils, on tourne entre 5 et 10 %, sous forme de prime annuelle liée aux objectifs de l'équipe ou de la boîte.
Cette modération s'explique : le Data Analyst ne vend pas et n'a pas d'objectifs commerciaux directs.
Sa contribution, mesurée par la qualité des décisions prises grâce à ses analyses, reste difficile à chiffrer.
Les rares cas où la part variable monte : les Lead Data Analysts dans des scale-ups en hyper-croissance, qui touchent parfois 15 à 20 %.
Et les profils embauchés dans des éditeurs SaaS américains, où les bonus suivent les standards US.
Salaire Data Analyst par taille d'entreprise
- Startup early stage Série A : salaires plus bas mais BSPCE généreux. La promesse, c'est l'upside potentiel et la responsabilité élargie dès le premier jour.
- Scale-up Série B ou C : le sweet spot du marché en 2026. Bonnes rémunérations en cash, BSPCE encore intéressants, équipe data déjà structurée mais marges de progression réelles.
- Éditeur SaaS établi ou bureau européen d'un GAFAM : les meilleurs salaires en cash, plus des RSU pour les positions seniors. Process plus lents et structures plus rigides.
- Banque, assurance, industrie : salaires solides, surtout côté banque parisienne. Cadres CDI confortables, télétravail souvent généreux. Outils parfois moins modernes que dans les scale-ups.
Salaire international et freelance
À Londres, ajoutez 20 à 30 % par rapport à Paris pour un poste équivalent.
À Berlin, comptez à peu près le même niveau qu'à Paris. Amsterdam tire un peu vers le haut.
Le freelance Data Analyst à Paris en 2026 facture entre 500 et 800 € HT/jour selon l'expérience.
Les profils Lead avec une vraie spécialité métier, type marketing analytics ou finance, montent jusqu'à 900 €. Les missions sous 500 € sont à éviter, le marché les a quittées depuis deux ans.
Outil gratuit · Baromètre Lity 2026
Combien devriez-vous gagner comme Data Analyst ?
Affinez votre fourchette selon votre stack, votre expérience et votre localisation. Estimation en 30 secondes, basée sur nos données propriétaires Lity.
Et après Data Analyst ?
Les passerelles naturelles vers le management ou l'expertise.
Senior / Lead Data Analyst
Prendre la tête d'une équipe analytics et superviser la qualité des insights produits.
Data Scientist
Se tourner vers le Machine Learning et la modélisation prédictive avancée.
Data Product Manager
Allier gestion de projet produit et analyse de données pour maximiser l'impact utilisateur.
Trajectoires à 5 ans
Le chemin par défaut : Senior Data Analyst dans la même boîte ou en changeant pour une scale-up plus grande.
Évolution naturelle pour les profils qui aiment vraiment l'analyse et veulent rester proches des données.
Une bascule fréquente : Analytics Engineer, pour les profils qui prennent goût à dbt et au modeling.
C'est une vraie évolution, pas une régression, malgré ce que pensent certains candidats.
Plus rare : Data Scientist pour les profils qui ont investi statistiques et machine learning en parallèle. Demande souvent un effort de formation continue significatif.
Trajectoires à 10 ans
Head of Analytics dans une scale-up de taille moyenne. Poste typique pour un profil qui a su grandir avec son entreprise et a pris la responsabilité d'une équipe.
Head of Data ou CDO dans une PME ou ETI. Périmètre plus large incluant la data engineering et la data science.
Demande de vraies compétences de management.
Director BI dans un grand groupe. Trajectoire plus institutionnelle, souvent dans la banque, l'assurance ou l'industrie.
Salaires confortables, périmètre clair, environnement plus politique.
Et si on quitte l'analyse ? PM, conseil, fondateur
Vers Product Manager : la bascule la plus fréquente après quatre ou cinq ans.
Le Data Analyst comprend déjà les utilisateurs et les métriques produit. Les boîtes apprécient ce profil pour les postes PM data-driven.
Vers le conseil data : quelques cabinets spécialisés recrutent des Data Analysts seniors comme consultants. Bonne option pour ceux qui aiment la variété des sujets et le contact client.
Vers la création d'entreprise : une poignée de Data Analysts deviennent fondateurs, souvent sur des outils data ou des SaaS verticaux. Profil rare mais qui se développe en France depuis 2024.
Les outils du Data Analyst
Le quotidien numérique d'un data analyst repose sur ces logiciels, à connaître avant un entretien.
SQL
Langage de requêteBase technique du métier, utilisé tous les jours pour interroger les bases.
Looker
Outil BIModélisation LookML et dashboards partagés au métier.
Tableau
Outil BIVisualisation interactive, surtout en grandes entreprises et industrie.
dbt
TransformationLecture des modèles dbt et écriture de requêtes propres en aval.
BigQuery
Data warehouseRequêtes sur entrepôt cloud, standard côté startups françaises.
Snowflake
Data warehouseStandard côté scale-ups et grandes entreprises pour stocker les données.
Mixpanel
Product analyticsSuivi des événements produit pour les analyses comportementales.
Hex
Notebooks SQLCombinaison SQL et Python pour les deep dives et la restitution.
Data Analyst vs autres métiers proches
Les confusions sont fréquentes, voici les vraies différences pour bien recruter.
Data AnalystvsData Scientist
Voir la ficheLe Data Analyst répond à la question "qu'est ce qui s'est passé". Le Data Scientist répond à "qu'est ce qui va se passer". Deux métiers distincts qu'on confond encore trop souvent en entretien.
Data AnalystvsAnalytics Engineer
Voir la ficheLe Data Analyst utilise les données. L'Analytics Engineer construit les couches de données que le Data Analyst consomme. Sur le papier proche, dans la réalité deux postes très différents.
On répond à vos questions sur Data Analyst.
Quels sont les points les plus importants dans le recrutement d'un Data Analyst ?
Valorisez une expertise en analyse de données, une maîtrise des outils analytiques et une capacité à traduire les données en insights stratégiques pour la prise de décision.
Pourquoi devenir Data Analyst ?
Devenir Data Analyst vous donne l’opportunité d’extraire des insights précieux à partir de données, influençant les décisions stratégiques et améliorant les performances de l’entreprise.
Quels sont les principaux métiers liés au métier de Data Analyst ?
Analyste BI (Business Intelligence), data scientist (à ne pas confondre avec le data analyst), ingénieur de données, analyste CRM, spécialiste en visualisation de données.
Les métiers proches en Data
Pour aller plus loin sur le métier Data Analyst
Recruter des profils tech en France : les bonnes pratiques en 2026
Le marché tech français de 2026 ne ressemble plus à celui de 2021. Offres en chute de 80% sur 3 ans, mais tension forte sur ML Engineer, Platform et SecOps. Ce guide pose les bonnes pratiques 2026 : grille salariale à jour, sourcing GitHub + LinkedIn, pair-programming live, contre-offres et impact de l'IA générative.
Lire l'article
Stockly lève 26 millions d’euros pour transformer la gestion des stocks grâce à l’IA
Stockly boucle une Série B de 26 millions d'euros menée par 83North et Eurazeo pour scaler sa plateforme de mutualisation des stocks e-commerce. 30 recrutements Tech, Data, Product et Sales prévus sur 2025. Décryptage Lity et angle marché sur les profils que la scale-up va chasser.
Lire l'article
Parallel lève 3,5 M$ pour automatiser les tâches administratives hospitalières avec l’IA
Lire l'articleConfiez-nous le recrutement de votre Data Analyst.
Une approche de terrain pour des recrutements qui durent.
Échange (30 min)
Une visio pour cerner vos enjeux et vous présenter notre approche.
Immersion
Une rencontre sur place pour qualifier, en profondeur, votre culture et vos projets de recrutement.
Chasse ciblée
Lancement de la mission. Nous vous présentons uniquement les profils en parfaite adéquation avec vos attentes.