Scorecard Data Analyst
Voici comment évaluer un Data Analyst en entretien : les compétences à noter, les questions à poser et les signaux d'alerte. Une grille de base, à ajuster selon votre contexte et vos priorités.
Un exemple à adapter. Cette scorecard est un modèle, pas une grille à appliquer telle quelle. Gardez les critères qui correspondent à votre poste et à votre équipe, ajustez ou retirez les autres. Le bon profil dépend de votre contexte.
Data Analyst
La mission en une phrase
Répondre aux questions business avec des analyses fiables
Cadrer le besoin réel, sortir le chiffre juste et l'expliquer, sans erreurs qui faussent une décision.
Rendre la donnée lisible et actionnable
Des dashboards et des restitutions clairs, réellement utilisés par les équipes, pas des rapports que personne n'ouvre.
Fiabiliser les indicateurs clés
Des définitions de métriques stables et documentées, pour que tout le monde parle des mêmes chiffres.
Faire gagner du temps aux équipes
Automatiser les analyses récurrentes et rendre les métiers autonomes sur la donnée du quotidien.
✗ Faible · Bricole des requêtes qui tournent par chance, se perd sur les jointures, ignore la performance.
✓ Excellent · Écrit des requêtes propres et performantes, joint et agrège sans se tromper, comprend ce qui coûte cher.
✗ Faible · Sort des chiffres sans contexte, conclut trop vite, confond volume de données et qualité d'analyse.
✓ Excellent · Part de la question business, choisit la bonne méthode, distingue corrélation et causalité, sait dire quand un chiffre n'est pas fiable.
✗ Faible · Empile les graphiques, surcharge ses dashboards, laisse l'utilisateur deviner le message.
✓ Excellent · Construit des dashboards lisibles orientés décision, choisit la bonne représentation, va à l'essentiel.
✗ Faible · Exécute la demande au pied de la lettre, ne questionne jamais le besoin, reste déconnecté des enjeux.
✓ Excellent · Comprend comment l'entreprise gagne de l'argent, reformule un besoin flou, anticipe la question derrière la demande.
✗ Faible · Reste bloqué dès que le tableur ne suffit plus, copie du code sans le comprendre.
✓ Excellent · Automatise ses analyses, manipule de gros jeux de données, gagne en autonomie sur les sujets lourds.
✗ Faible · Ignore d'où viennent ses données, prend tout pour argent comptant.
✓ Excellent · Comprend où vit la donnée, sait ce qu'est une table de faits, dialogue efficacement avec les data engineers.
✗ Faible · Tire des conclusions d'un échantillon non représentatif, ne connaît pas les limites de ses méthodes.
✓ Excellent · Maîtrise les bases (significativité, biais d'échantillon, lecture d'un test A/B) et évite les pièges classiques.
Esprit critique
✗ Faible · Prend les données pour acquises, ne se relit pas, propage des erreurs.
✓ Excellent · Doute du chiffre avant de le diffuser, vérifie ses sources, repère une donnée incohérente.
Communication et pédagogie
✗ Faible · Noie son interlocuteur sous le jargon, présente des chiffres sans message.
✓ Excellent · Explique un résultat complexe à un non-initié, raconte une histoire avec les chiffres, adapte son discours.
Curiosité et autonomie
✗ Faible · Attend qu'on lui dise quoi regarder, s'arrête au premier obstacle.
✓ Excellent · Creuse au-delà de la demande, explore la donnée de lui-même, débloque ses sujets.
Rigueur
✗ Faible · Travaille dans le désordre, ne sait plus comment il a obtenu un chiffre.
✓ Excellent · Documente ses définitions et ses calculs, rend ses analyses reproductibles, soigne le détail.
Compétences techniques
On a une table de commandes et une table de clients. Comment tu calcules le panier moyen par mois, et qu'est-ce qui peut fausser ce chiffre ?
→ SQL et lucidité sur les pièges
Un indicateur clé baisse de 15% d'un coup. Comment tu pars investiguer ?
→ Méthode d'analyse structurée
Réalisations & expérience
Raconte-moi une analyse qui a vraiment changé une décision dans ton équipe : la question de départ, ce que tu as trouvé, et ce qui a bougé ensuite.
→ Impact réel sur une décision
Mise en situation
Le métier te demande un chiffre pour demain matin, mais la donnée est sale et incomplète. Tu fais quoi ?
→ Pragmatisme et gestion du compromis
Deux équipes te donnent deux chiffres différents pour le même KPI. Comment tu tranches ?
→ Rigueur sur les définitions
Motivation & fit
Qu'est-ce qui te plaît plus dans l'analyse que dans la construction de pipelines ou la data science ?
→ Fit avec le rôle d'analyste
Savoir-être & collaboration
Explique-moi un concept data un peu technique comme si je n'y connaissais rien.
→ Pédagogie
Parle outils et dashboards mais jamais de la décision derrière
Produira de jolis rapports que personne n'utilise.
Ne questionne jamais la fiabilité d'une donnée
Diffusera des chiffres faux avec assurance, le pire pour la confiance dans la data.
Incapable d'expliquer une analyse sans jargon
Ses résultats ne convaincront pas les décideurs.
Conclut une tendance sur un échantillon minuscule
Fera prendre de mauvaises décisions sur du bruit statistique.
Aucune curiosité pour le métier de l'entreprise
Restera un exécutant de requêtes, jamais un partenaire d'analyse.
Lecture du score
Notez chaque compétence et savoir-être de 1 à 5. Repère de décision : moyenne supérieure ou égale à 4 sur les must-have et aucun red flag majeur = go ; 3 à 4 avec réserves = à challenger en second tour ; un must-have sous 3 ou un red flag majeur = no-go. Un nice-to-have faible ne doit jamais éliminer un bon profil.
Qu'est-ce qu'une scorecard pour recruter un Data Analyst ?
Une scorecard data analyst est une grille d'évaluation structurée : elle liste les compétences et savoir-être à noter de 1 à 5, les questions d'entretien à poser et les signaux d'alerte. Elle permet de comparer les candidats sur des critères objectifs plutôt que sur une impression. On parle aussi de scorecard analyste data, scorecard analyste de données, scorecard bi analyst.
Comment utiliser cette scorecard Data Analyst ?
Téléchargez-la en PDF, Excel ou Notion, notez chaque critère de 1 à 5 pendant l'entretien, puis additionnez les scores du panel pour décider sur des faits. La version Excel calcule la moyenne et la décision automatiquement.
Quelle différence entre un Data Analyst et un Data Engineer ?
Le Data Engineer construit et fiabilise les pipelines qui acheminent la donnée ; le Data Analyst exploite cette donnée pour répondre aux questions business. L'un prépare la matière première, l'autre en tire des décisions. Cette scorecard note l'analyse et la restitution, pas la construction d'infrastructure.
Data Analyst ou Data Scientist : lequel recruter ?
Un Data Analyst répond aux questions présentes et passées (que s'est-il passé, pourquoi) avec du SQL et de la visualisation. Un Data Scientist va vers la prédiction et le machine learning. Pour piloter l'activité et outiller les décisions du quotidien, c'est un Data Analyst qu'il vous faut.