SQL sur votre CV : comment le mettre en valeur pour que les recruteurs le remarquent vraiment

SQL est la compétence technique la plus universellement exigée dans les offres d'emploi pour analystes de données et business intelligence. Chaque fiche de poste le mentionne. Chaque candidat le liste. Et parce que tout le monde le liste, il est devenu l'un des différenciateurs les plus faibles sur un CV d'analyste — à moins de bien s'y prendre.

Le problème est que « maîtrise de SQL » couvre un éventail énorme. Cela peut désigner quelqu'un qui connaît SELECT, WHERE et GROUP BY grâce à un seul cours. Cela peut aussi désigner quelqu'un qui écrit des fonctions de fenêtrage complexes sur des entrepôts de données de plusieurs milliards de lignes, débogue des plans de requête et conçoit le schéma que toute l'équipe analytique utilise. Ce sont des niveaux de compétence entièrement différents, et votre CV doit indiquer clairement lequel vous êtes.

Les recruteurs dans les entreprises data-driven — où le rôle d'analyste compte vraiment — testeront SQL en entretien. Ce que votre CV doit faire, c'est vous amener à cet entretien en montrant suffisamment de profondeur pour qu'ils s'attendent à trouver un praticien SQL solide lorsqu'ils sondera.

Ce que les recruteurs testent réellement

Avant de vous préoccuper de la présentation de SQL sur votre CV, il est utile de comprendre ce que les intervieweurs attendent à différents niveaux :

Analyste intermédiaire (3–5 ans) : Jointures maîtrisées (INNER, LEFT, FULL OUTER, CROSS), agrégation avec GROUP BY et HAVING, sous-requêtes, CTEs (clauses WITH), fonctions de fenêtrage de base (ROW_NUMBER, RANK, DENSE_RANK, LAG, LEAD), arithmétique sur les dates, expressions CASE. Capable d'écrire des requêtes lisibles et maintenables.

Analyste senior (5+ ans) : Fonctions de fenêtrage avancées (PARTITION BY avec des frames ordonnés), CTEs récursifs, intuition des performances de requête (index, plans de requête, scan vs seek, partition pruning), bonne connaissance des différences de dialecte entre PostgreSQL, BigQuery, Snowflake et Redshift. Capable de concevoir des schémas (star schema, tables de faits/dimensions), d'écrire des contrôles de qualité de données et de construire du SQL modulaire avec dbt.

Principal / analytics engineer : Conception de schéma approfondie, compréhension du stockage en colonnes et de l'optimisation des requêtes dans les bases MPP, orchestration de pipelines basés sur SQL, gouvernance des conventions SQL dans une équipe.

Votre CV doit refléter honnêtement votre niveau réel, et vos bullets doivent prouver le niveau que vous revendiquez.

Comment quantifier votre travail SQL sur un CV

Le défi avec SQL est que le travail semble souvent invisible — vous avez écrit une requête, quelqu'un a obtenu un tableau de bord, les affaires ont continué. La discipline consiste à tracer ce que votre SQL a rendu possible, pas seulement à décrire le SQL lui-même.

Avant : Écrit des requêtes SQL pour analyser les données clients.

Après : Développé une suite de 40+ requêtes SQL de production dans BigQuery alimentant le tableau de bord exécutif hebdomadaire — incluant un calcul de la valeur vie client sur 5M+ lignes avec des fonctions de fenêtrage et une analyse de cohorte de churn ayant identifié trois segments de comportement distincts ; les conclusions ont conduit à une campagne de réengagement ciblée générant 180K€ d'ARR récupéré.

Avant : Utilisé SQL pour l'extraction de données et le reporting.

Après : Migré 14 rapports SQL Oracle hérités vers une architecture Snowflake + dbt ; refactorisé des sous-requêtes corrélées en CTEs et matérialisé des modèles intermédiaires, réduisant le temps moyen d'exécution des requêtes de 8 minutes à 22 secondes et éliminant une fenêtre de reporting mensuel récurrente qui avait bloqué l'équipe finance pendant deux jours.

Avant : Optimisé des requêtes lentes dans l'entrepôt de données.

Après : Identifié et résolu trois goulots d'étranglement critiques dans Redshift via les plans EXPLAIN ; ajouté des sort keys et des distribution keys sur deux tables de faits principales, converti trois full table scans en requêtes avec partition pruning — réduit le temps de complétion du pipeline quotidien de 4,5 heures à 55 minutes, réduisant les coûts de calcul de 2 100 $/mois.

Outils et écosystème SQL : quoi lister

SQL n'existe pas de manière isolée. Les outils qui l'entourent comptent autant que le langage lui-même :

Dialectes d'entrepôt : PostgreSQL, BigQuery (Standard SQL), Snowflake (SQL), Redshift, SQL Server (T-SQL), MySQL, DuckDB (de plus en plus pertinent pour l'analytique locale). Notez les dialectes pour lesquels vous avez une expérience de production — ils diffèrent de manière significative dans le comportement des fonctions de fenêtrage, les fonctions de date et les approches de tuning.

Outillage de transformation : dbt (data build tool) est désormais une attente quasi universelle pour les rôles d'analytics engineering et de plus en plus attendu pour les rôles d'analyste senior. Si vous avez écrit des modèles dbt, des tests et de la documentation — dites-le. Précisez si vous avez utilisé dbt Cloud ou dbt Core.

Interfaces de requête : Tableau, Looker (LookML), Mode, Redash, Metabase, Apache Superset. Si vous avez écrit du SQL qui alimente des outils BI, mentionnez l'outil — cela signale l'utilisateur en aval de votre travail.

Orchestration : Airflow, Prefect, dbt Cloud Scheduler, AWS Glue. Si votre SQL s'exécute dans un pipeline, notez ce qui l'orchestre.

Contrôle de version pour SQL : Le SQL dans des modèles dbt sous Git est une véritable pratique d'ingénierie. Le mentionner distingue un analytics engineer de quelqu'un qui exécute des requêtes ad hoc dans un navigateur.

Où placer SQL sur votre CV

Section compétences : « SQL (avancé) — BigQuery, Snowflake, dbt, fonctions de fenêtrage, optimisation de requêtes » est clair et informatif. N'écrivez pas simplement « SQL » — ajoutez toujours le dialecte et au moins un signal de profondeur.

Bullets d'expérience : SQL doit apparaître dans les bullets réels où il a généré des résultats — pas seulement dans une liste de compétences. Si SQL était au cœur de votre travail d'analyste, il doit apparaître dans au moins deux bullets par rôle pertinent, avec le type de requête ou le système spécifié.

Projets : Si vous avez un GitHub avec des projets SQL, des dépôts dbt ou des tableaux de bord publics (Looker Studio, Tableau Public), linkez-les. Un projet dbt bien structuré avec des modèles documentés signale des habitudes SQL de niveau professionnel à toute équipe d'analytics engineering.

Certifications et accréditations

Les certifications SQL sont nombreuses mais pas universellement reconnues. Celles qui valent la peine d'être listées :

• dbt Certified Analytics Engineer : Une accréditation légitime et de plus en plus reconnue pour les rôles d'analytics engineering. Vaut la peine d'être poursuivie si vous travaillez avec dbt.
• Google Professional Data Engineer : Requiert de solides connaissances SQL BigQuery et des pipelines de données — pèse de manière significative pour les rôles axés GCP.
• Snowflake SnowPro Core / SnowPro Advanced: Data Engineer : Crédible pour les rôles Snowflake-intensifs, particulièrement dans les entreprises qui se sont standardisées sur la plateforme.
• Microsoft Certified: Azure Data Engineer Associate (DP-203) : Pertinent pour les environnements SQL Server et Azure Synapse.
• Certifications HackerRank / LeetCode SQL : Utiles pour les candidats débutants mais signal faible pour les analystes expérimentés — les intervieweurs sondera SQL en entretien de toute façon.

Pour la plupart des rôles d'analyste intermédiaire à senior, un portfolio solide de travail SQL visible dans vos bullets d'expérience l'emporte sur toute certification. Les certifications complètent ; elles ne se substituent pas.

Erreurs courantes qui affaiblissent les CV SQL

« Maîtrise de SQL » sans aucun détail. Cela n'apprend rien à un recruteur sur votre capacité à écrire une fonction de fenêtrage ou à expliquer pourquoi une requête est lente. Ajoutez le dialecte, le niveau de complexité, le contexte.

Ne pas mentionner dbt. Pour tout rôle d'analyste dans une entreprise mature en data en 2026, la maîtrise de dbt est de plus en plus attendue. Si vous ne l'avez pas utilisé, cela vaut la peine de l'apprendre avant de postuler. Si vous l'avez utilisé, il appartient en bonne place sur votre CV.

Décrire SQL comme un outil de support plutôt que comme une compétence centrale. Si SQL est la façon dont vous avez généré 80% de votre production analytique, il doit être traité comme une compétence principale sur votre CV — et non listé discrètement aux côtés d'Excel et PowerPoint.

Omettre le travail de performance des requêtes. La capacité à écrire une requête correcte est du niveau débutant. La capacité à écrire une requête rapide et maintenable est ce qui sépare les analystes des grands analystes. Si vous avez diagnostiqué des plans de requête, ajouté des index ou restructuré des requêtes pour la performance, dites-le.

Aucune mention de la compréhension du schéma. Les analystes qui interrogent seulement les données qu'on leur a remises sont moins précieux que ceux qui comprennent le schéma sous-jacent, peuvent tracer la lignée des données et identifier les problèmes de conception de modèle. Si vous avez travaillé avec des DBAs, contribué à des modèles de données ou conçu des schémas analytiques, incluez-le.

Conclusion

SQL est incontournable pour les rôles d'analyste — mais lister « SQL » est le minimum, pas le plafond. Les analystes qui obtiennent les meilleures offres sont ceux dont les CV montrent la complexité des requêtes, la maîtrise des entrepôts de données, la conscience de la performance et l'impact en aval. Chaque bullet SQL que vous écrivez doit relier la requête à quelque chose qui s'est produit dans l'entreprise en conséquence.

NextCV lit la description du poste d'analyste que vous postulez et met en avant le travail SQL dans votre profil — les dialectes d'entrepôt, la profondeur des requêtes, l'expérience dbt — qui correspond à ce dont cette équipe a réellement besoin.