Data Analyst : missions, analyses et salaire

Qu'est-ce qu'un Data Analyst ?

Un Data Analyst transforme une question d'équipe en requête, puis la requête en réponse claire. Il écrit du SQL, construit des tableaux de bord et rédige des analyses qui finissent en décision.

Son client est interne : une directrice marketing, un chef de produit, un responsable des ventes. Il passe autant de temps à comprendre leur métier qu'à manipuler les chiffres. Un analyste qui ignore comment se calcule une marge ou un taux de conversion produit des graphiques justes et inutiles.

Data Analyst en français

La traduction est simple : analyste de données. Le titre de Product Analyst désigne un analyste rattaché à une équipe produit, qui travaille sur les événements de l'application. Business Data Analyst et Analyste BI se croisent dans les grands groupes et les ESN.

Lead Data Analyst : ce qui change

Le Lead Data Analyst encadre deux à six analystes, sans forcément de lien hiérarchique formel. Il trie les demandes des équipes, fixe les définitions communes et relit les analyses avant qu'elles partent en comité.

Sur nos recrutements, nous regardons surtout sa capacité à dire non. Un lead qui accepte toutes les demandes noie son équipe sous des tableaux de bord que personne n'ouvre.

Dans quelles entreprises ?

Presque toutes les entreprises de plus de cent personnes en emploient. Les sites marchands, les applications grand public et les éditeurs de logiciels en recrutent beaucoup, car chaque clic laisse une trace. La banque, l'assurance et la grande distribution en comptent aussi, avec des données plus anciennes et des outils plus lourds.

Sur les missions de notre cabinet data, le premier analyste arrive souvent avant toute équipe data. Il récupère alors aussi la construction des premiers flux, ce qui l'oblige à être plus technique que la moyenne.

Les missions d'un Data Analyst

Le poste mêle demandes ponctuelles, suivi récurrent et chantiers de fond. L'équilibre entre les trois décide de la qualité de vie d'une équipe d'analystes.

Les analyses qu'un Data Analyst mène vraiment

Derrière la variété des demandes, quatre types d'analyse reviennent sans cesse. Les maîtriser sur un cas concret distingue un analyste confirmé d'un créateur de graphiques.

L'analyse d'entonnoir

Un entonnoir suit les utilisateurs d'étape en étape : visite, inscription, ajout au panier, paiement. On calcule le taux de passage entre chaque étape pour trouver celle qui perd le plus de monde.

Exemple : sur 10 000 visiteurs, 2 000 créent un compte, 600 ajoutent un produit, 450 paient. La perte la plus lourde se situe entre la visite et l'inscription. L'analyste découpe alors cette étape par appareil et découvre que le formulaire bloque sur mobile.

L'analyse de cohortes

Une cohorte regroupe les clients arrivés à la même période. On suit ensuite la part de chaque cohorte encore active un mois, deux mois, six mois après. Cette lecture évite un piège : un chiffre global peut monter grâce aux nouveaux clients, alors que chaque génération reste moins longtemps.

Ici, chaque nouvelle cohorte décroche plus vite que la précédente. Le chiffre d'affaires total peut pourtant progresser si l'acquisition accélère. L'analyste alerte avant que la tendance n'apparaisse dans les comptes.

Décomposer un écart : effet volume, effet prix, effet mix

Le chiffre d'affaires a baissé de 5 % sur le trimestre. Le Data Analyst sépare trois causes. L'effet volume mesure la baisse du nombre d'articles vendus. L'effet prix mesure les remises ou hausses tarifaires. L'effet mix mesure le glissement vers des produits moins chers.

Dans un cas que nous donnons souvent en exemple, le volume est stable et les prix aussi. Tout l'écart vient du mix : les clients achètent davantage l'entrée de gamme. La réponse n'est alors ni une campagne d'acquisition ni une hausse de prix, mais une revue de l'assortiment.

Le piège des moyennes agrégées

Un taux de conversion peut baisser au total alors qu'il monte sur chaque canal. Il suffit que le canal qui convertit le moins pèse davantage dans le trafic. Les statisticiens appellent ce phénomène le paradoxe de Simpson. Un analyste confirmé découpe toujours par segment avant de conclure.

Analytics produit ou BI de gestion

Le Product Analyst travaille sur des événements : clics, écrans vus, fonctions utilisées, souvent dans Mixpanel ou Amplitude. L'analyste de gestion travaille sur des transactions, des factures et des budgets, dans l'entrepôt de l'entreprise. Les méthodes se ressemblent, les interlocuteurs et le vocabulaire diffèrent.

Les compétences que nous vérifions en recrutement

Tous les candidats citent SQL et un outil de BI. Nous cherchons ceux qui posent les bonnes questions avant d'écrire la première requête, et qui savent conclure.

• SQL avancé : calculs sur fenêtre glissante, comparaison d'une période à la précédente, requêtes en plusieurs étapes et jointures maîtrisées.
• Un outil de BI maîtrisé en profondeur : DAX pour Power BI, LookML pour Looker, ou les calculs de Tableau.
• Statistiques de base : moyenne contre médiane, saisonnalité, significativité d'un test, biais de sélection.
• Compréhension du métier : marge, panier moyen, coût d'acquisition, rétention. Sans ce vocabulaire, l'analyse reste hors sol.
• Esprit critique sur la donnée : repérer un chiffre trop beau, un doublon, une période manquante.
• Restitution : une note d'une page ou trois diapositives qui disent quoi faire, pas seulement ce qu'on a observé.

Salaire d'un Data Analyst en 2026

Selon notre baromètre, un Data Analyst confirmé touche 42 à 52 K€ de fixe brut annuel à Paris. Le senior se situe entre 53 et 64 K€. Secteur, taille de l'entreprise, diplôme et part de technique dans le poste font varier le placement dans la fourchette.

Paris et régions

Lyon, Lille, Nantes et Bordeaux recrutent beaucoup d'analystes. Le fixe y est inférieur de 10 à 15 % à celui de Paris, environ 10 % à Lyon. Un contrat en télétravail intégral se cale souvent 8 % sous la grille parisienne.

Comment devenir Data Analyst

C'est l'un des métiers de la donnée les plus ouverts. Les recruteurs regardent les preuves de travail autant que le diplôme.

Les formations

Nos candidats viennent d'écoles de commerce avec une majeure data, d'écoles d'ingénieurs généralistes ou de masters en statistiques et en économie. Un bac+3 suffit parfois pour un premier poste, surtout après une alternance.

La certification Microsoft PL-300 sur Power BI aide à passer les premiers filtres dans les grands groupes. Elle ne remplace pas une analyse réelle à montrer.

Les passerelles

Les contrôleurs de gestion basculent souvent avec succès : ils connaissent les chiffres et Excel, il leur manque SQL. Les chargés d'études marketing et les chefs de projet CRM font le même chemin. Côté technique, un analyste peut s'appuyer sur l'Ingénieur BI pour la modélisation de l'entrepôt.

La reconversion

Une formation intensive de quelques mois donne les bases de SQL et d'un outil de BI. Ce qui décroche un poste, c'est un projet sur des données publiques, avec une question, une analyse et une recommandation écrite. Un tableau de bord sans conclusion convainc rarement.

Évolutions de carrière

Après quatre à six ans, le Data Analyst choisit entre l'expertise, la technique, la modélisation, le produit ou l'encadrement.

La bascule vers Data Scientist demande un vrai effort en statistiques. Celle vers Product Manager est fréquente chez les Product Analysts, qui connaissent déjà les utilisateurs. L'encadrement mène au poste de Head of Data.

Data Analyst, Business Analyst ou contrôleur de gestion : les différences

Les trois métiers manipulent des chiffres et parlent aux directions. Leur point de départ et leurs outils ne sont pas les mêmes.

Le Business Analyst traduit un besoin métier en évolution d'un système, sans forcément analyser des données. Le contrôleur de gestion pilote la performance financière ; il devient souvent un client fidèle de l'analyste.

Les outils d'un Data Analyst

SQL est la langue commune. Autour, l'outil de BI et l'entrepôt dépendent des choix de l'entreprise, et l'analytics produit ajoute ses propres outils d'événements.

• SQLBase technique du métier, utilisé tous les jours pour interroger les bases.
• LookerModélisation LookML et dashboards partagés au métier.
• TableauVisualisation interactive, surtout en grandes entreprises et industrie.
• dbtLecture des modèles dbt et écriture de requêtes propres en aval.
• BigQueryRequêtes sur entrepôt cloud, standard côté startups françaises.
• SnowflakeStandard côté scale-ups et grandes entreprises pour stocker les données.
• MixpanelSuivi des événements produit pour les analyses comportementales.
• HexCombinaison SQL et Python pour les deep dives et la restitution.