Guide CV Data Analyst : ce que les recruteurs recherchent vraiment en 2026

Data analyst est l'un de ces intitulés de poste qui signifie quelque chose de légèrement différent dans chaque entreprise. Dans une startup de 10 personnes, vous pourriez être la seule personne faisant quoi que ce soit d'analytique — construire des tableaux de bord, écrire du SQL depuis zéro, présenter directement au PDG. Dans une entreprise de 5 000 personnes, vous pourriez siéger dans une équipe aux contours bien définis, travailler avec des datasets pré-nettoyés, passant les résultats à un data scientist pour la modélisation. Les deux sont des rôles de data analyst. Les deux se présentent différemment sur un CV.

Cela crée un défi spécifique : un « modèle de CV data analyst » générique va représenter incorrectement votre expérience pour la plupart des postes auxquels vous postulez. Les recruteurs dans ce domaine sont attentifs aux signaux d'envergure — ils peuvent très rapidement déterminer si vous avez possédé l'intégralité du pipeline de données ou si vous n'étiez qu'un consommateur à son extrémité. Avoir ce positionnement juste est la première chose que votre CV doit accomplir.

Le second défi est le problème de l'impact business. Les data analysts qui restent dans un langage technique — « écrit des requêtes », « construit des tableaux de bord », « nettoyé des datasets » — se sous-estiment fortement. Ceux qui sont recrutés pour les postes qui valent quelque chose rédigent des CV qui sonnent comme ceci : « construit un tableau de bord de rétention qui a mis en évidence une baisse de 12 % de la rétention à j+30 pour les utilisateurs mobile, conduisant à une re-priorisation de l'équipe produit qui a récupéré 180 k€ ARR en un trimestre. » Le travail technique est là, mais la conséquence business est au premier plan. C'est le changement que ce guide va vous aider à opérer.

Ce que les recruteurs cherchent dans un CV de data analyst

La maîtrise de SQL, et des précisions sur la façon dont vous l'avez utilisé. Le SQL est incontournable pour les data analysts, mais le lister ne suffit pas. Ce que les recruteurs veulent voir, c'est une preuve de profondeur : fonctions de fenêtrage, CTEs, jointures complexes, optimisation de requêtes, travail avec des tables à une échelle significative (des millions de lignes changent la façon dont vous écrivez des requêtes). Si vous avez travaillé avec un entrepôt de données particulier — BigQuery, Redshift, Snowflake, Databricks — nommez-le et montrez comment.

L'expérience en visualisation et outils BI. Tableau, Power BI, Looker, Metabase, Superset — lesquels vous connaissez compte, et compte différemment selon la stack de l'entreprise. Plus important, les recruteurs veulent voir que vos tableaux de bord n'étaient pas seulement techniquement corrects mais réellement utilisés : « tableau de bord utilisé par 40+ parties prenantes dans trois départements chaque semaine » est plus convaincant que « construit un tableau de bord des ventes dans Tableau ».

La familiarité avec le domaine business. Un data analyst qui a travaillé dans le e-commerce comprend intuitivement la LTV, le churn, la conversion d'entonnoir et l'analyse de cohorte. Celui qui a travaillé en fintech connaît la détection d'anomalies de transactions, le scoring de risque et les contraintes de reporting réglementaire. Quel que soit votre domaine, rendez-le visible sur votre CV — c'est un signal majeur que vous pouvez être opérationnel rapidement.

La preuve de communication avec les parties prenantes et de présentation. Le secret de polichinelle du recrutement des data analysts, c'est que beaucoup de candidats savent interroger une base de données mais très peu peuvent traduire des conclusions en décisions. Si vous avez présenté à des équipes dirigeantes, animé des réunions de revue de données, rédigé des rapports d'insights qui ont orienté une stratégie, ces éléments appartiennent à votre CV et doivent être mis en avant.

L'exposition à Python ou R. Tous les rôles d'analyst ne le requièrent pas, mais la capacité à utiliser pandas ou numpy quand le SQL ne suffit pas — pour l'analyse statistique, l'automatisation ou le travail de modélisation légère — élargit significativement le niveau des postes accessibles. Même si ce n'est pas votre outil principal, mentionnez-le.

Compétences clés à mettre en valeur

Compétences techniques :

• SQL (précisez : fonctions de fenêtrage avancées, optimisation de requêtes, entrepôt spécifique — BigQuery, Snowflake, Redshift, etc.)
• Outils BI : Tableau, Power BI, Looker, Metabase — avec accent sur les tableaux de bord que vous avez construits et qui étaient activement utilisés
• Python / pandas / NumPy pour la manipulation de données et l'analyse exploratoire
• Excel / Google Sheets pour le travail ad hoc et les résumés destinés aux parties prenantes
• Concepts de modélisation de données : schémas en étoile, modélisation dimensionnelle, dbt si vous l'avez utilisé
• Contrôle de version : Git pour le travail analytique est de plus en plus standard et vaut la peine d'être mentionné

Compétences comportementales (avec preuve) :

• Acuité business — montrez-la via des exemples reliant les données aux résultats de chiffre d'affaires, de rétention ou de coûts
• Communication auprès d'audiences non techniques — mentionnez les présentations à la direction, les rapports d'insights écrits, les revues de données en équipe
• Curiosité intellectuelle — mettez en avant des analyses auto-initiées qui ont révélé quelque chose que l'entreprise ne savait pas

Bullet points forts vs faibles

Rôle : Analyst dans une entreprise SaaS

Faible : Analysé les données clients et créé des rapports pour l'équipe produit.

Fort : Identifié une chute de 23 % de la complétion de l'onboarding pour les comptes enterprise en construisant une analyse d'entonnoir dans BigQuery ; les conclusions ont orienté une refonte produit qui a amélioré la complétion de l'onboarding de 18 % dans les 6 semaines suivant le déploiement.

Rôle : Analyst supportant une équipe marketing

Faible : Construit des tableaux de bord pour suivre les performances des campagnes marketing.

Fort : Construit un tableau de bord d'attribution multi-touch dans Looker couvrant 8 canaux payants ; l'analyse a révélé que les dépenses de retargeting étaient sur-indexées de 40 % par rapport à la valeur de conversion, ce qui a incité à une réallocation qui a réduit le CAC de 14 € par client.

Rôle : Analyst dans le e-commerce

Faible : Utilisé SQL pour extraire des données et générer des rapports hebdomadaires.

Fort : Automatisé les rapports commerciaux hebdomadaires avec Python + BigQuery, réduisant le temps de préparation manuelle de 4 heures à 20 minutes ; les rapports étaient distribués à 35 parties prenantes dont le CCO chaque lundi.

Erreurs courantes dans les CV de data analysts

Lister des outils plutôt que des résultats. « Maîtrise de Tableau, SQL, Python, Excel, Power BI » est une liste de compétences. Elle dit au recruteur que vous avez utilisé ces outils — rien de plus. Ce qu'il veut savoir, c'est ce que vous avez produit avec eux et ce qui a changé grâce à cela. Recadrez chaque mention de compétence autour d'un résultat concret ou d'une décision qu'elle a permis.

Ignorer complètement la dimension parties prenantes. Certains analysts rédigent des CV qui ressemblent à des CV d'ingénieurs — pur travail technique, aucune mention de la façon dont les conclusions ont été communiquées ou utilisées. C'est une erreur. L'analyse de données qui n'influence jamais une décision ne vaut rien, et les recruteurs le savent. Montrez que votre travail a eu un impact.

Sous-préciser l'expérience SQL. « Expérience avec SQL » est une affirmation faible que n'importe qui peut faire. Si vous avez écrit des CTEs récursives, optimisé des requêtes sur des tables d'un milliard de lignes, travaillé avec des données partitionnées dans BigQuery ou des vues matérialisées dans Snowflake, dites-le. Les précisions sont ce qui vous différencie des 60 autres candidats qui ont aussi listé « SQL ».

Ne pas montrer la profondeur du domaine. Un data analyst qui a passé trois ans en fintech a une connaissance du domaine qui est genuinement difficile à reproduire — connaissance des contraintes de conformité, des formes de données transactionnelles, des patterns de fraude et de la terminologie réglementaire. Ne supposez pas que l'expertise du domaine est évidente dans vos intitulés de poste. Rendez-la explicite dans vos bullet points.

Comment adapter votre CV pour chaque offre de data analyst

Lisez attentivement la description du poste et identifiez lequel des trois profils ils recrutent réellement : un analyst reporting (BI, tableaux de bord, gestion des parties prenantes), un analyst adjacent data scientist (Python, modélisation, expérimentation), ou un analyst adjacent data engineer (pipelines, SQL à l'échelle, infrastructure de données). La plupart des JDs penchent vers l'un de ces trois, et votre CV devrait refléter les aspects de votre parcours qui s'alignent.

Si le rôle est axé sur le travail avec les parties prenantes business, mettez en avant vos bullet points de communication et d'impact. S'il est technique et implique dbt ou Python, mettez vos outils sous les projecteurs. Votre profondeur technique et vos compétences de communication business sont toutes deux de vrais atouts — lequel prend la tête dépend de ce dont cette équipe spécifique a le plus besoin.

La terminologie compte dans ce domaine. Si une description de poste mentionne « A/B testing et expérimentation », assurez-vous que ces mots apparaissent dans votre CV si vous avez fait ce travail. S'ils utilisent « analytics self-service », « démocratisation des données » ou « analytics embarqué », reflétez leur vocabulaire dans la façon dont vous décrivez votre travail.

Réécrire votre CV pour chaque rôle ne doit pas prendre 90 minutes. NextCV lit l'offre que vous collez et remodèle votre expérience pour y correspondre — mettant en avant les bonnes compétences, réordonnant vos bullet points et ajustant automatiquement votre cadrage. Utile quand vous postulez à plusieurs rôles d'analyst dans différents secteurs et que vous avez besoin que chaque candidature semble intentionnelle.

Pour conclure

Un CV de data analyst qui donne des résultats se lit comme une série de petites missions de conseil — chaque rôle montre une question business qui a été résolue par les données, et une décision ou un résultat qui a suivi. Sortez du jargon technique dans la façon dont vous décrivez votre travail, et vous constaterez que votre expérience parle beaucoup plus puissamment aux personnes qui prennent les décisions d'embauche.