Analytics Engineer Emplois France 2026: Nouveau Métier

Tu vois passer “Analytics Engineer” dans les offres, et tu te demandes si c’est juste un Data Analyst avec un titre plus sexy, ou un vrai nouveau métier. Surtout quand tu vois des salaires à 50k, 60k, parfois 75k€ à Paris, et des boîtes comme Doctolib, Back Market, BlaBlaCar ou Ledger qui en cherchent. Si tu veux bosser dans la data en 2026, sans forcément devenir pur Data Engineer ou Data Scientist, ce poste peut clairement être ton raccourci intelligent.

Analytics Engineer Emplois France 2026: Nouveau Métier#

L’Analytics Engineer, c’est un peu le chaînon manquant entre le Data Analyst et le Data Engineer.

Tu connais peut-être déjà le Data Analyst, il fait des dashboards, analyse les chiffres, répond aux questions business. Tu connais aussi le Data Engineer, il construit les pipelines, gère les flux de données, les bases, l’infrastructure.

L’Analytics Engineer est au milieu.

Son job, c’est de transformer la donnée brute en données propres, fiables, documentées, prêtes à être utilisées par les analystes, les équipes produit, marketing, finance, sales, RH, et parfois même les dirigeants.

En gros, il rend la data utilisable.

Et en 2026, c’est exactement ce que beaucoup d’entreprises françaises cherchent.

Parce que le problème n’est plus seulement “on n’a pas assez de données”. Le vrai problème maintenant, c’est plutôt:

• On a trop de données.
• Personne ne sait quelle table utiliser.
• Les dashboards donnent des chiffres différents.
• Le marketing dit 10 000 clients actifs, la finance dit 8 700.
• Les analystes passent plus de temps à nettoyer qu’à analyser.
• Le CTO veut de la qualité, le CEO veut des réponses rapides.

C’est là que l’Analytics Engineer devient précieux.

Pourquoi ce métier explose en France#

Le marché français de la data a mûri.

Il y a quelques années, beaucoup de boîtes recrutaient des Data Analysts pour faire des tableaux de bord sur Tableau, Power BI ou Looker. Puis elles ont recruté des Data Engineers pour connecter les sources de données, construire des data warehouses, gérer Snowflake, BigQuery, Redshift ou Databricks.

Mais entre les deux, il restait un trou.

Les Data Engineers construisaient les tuyaux, mais ne connaissaient pas toujours les besoins business dans le détail. Les Data Analysts connaissaient bien le business, mais passaient leur vie à écrire des requêtes SQL sales, copier-coller des définitions, corriger des incohérences.

Résultat: une dette data énorme.

En 2026, les entreprises veulent une couche propre entre la donnée brute et la décision business. C’est exactement le rôle de l’Analytics Engineer.

Tu le verras surtout dans:

• Les scale-ups tech, comme Doctolib, Back Market, BlaBlaCar, Ledger.
• Les grands groupes, comme TotalEnergies, BNP Paribas, L’Oréal, Orange, Société Générale.
• Les fintechs, healthtechs, marketplaces, SaaS B2B.
• Les cabinets de conseil data.
• Les équipes product analytics.
• Les départements finance, growth, CRM, revenue operations.

Ce métier monte aussi grâce à des outils comme dbt, qui a rendu le travail de transformation data beaucoup plus structuré.

Avant, chaque analyste écrivait ses requêtes SQL dans son coin. Maintenant, avec dbt, les équipes peuvent créer des modèles versionnés, testés, documentés, et réutilisables.

C’est un vrai changement dans la manière de travailler.

C’est quoi exactement un Analytics Engineer ?#

Un Analytics Engineer construit la couche analytique d’une entreprise.

Dit simplement, il prend des données brutes venues de plusieurs systèmes, puis il les transforme en tables propres que tout le monde peut utiliser.

Exemple concret.

Chez une entreprise comme Back Market, les données peuvent venir de:

• La plateforme e-commerce.
• Le CRM.
• Les outils marketing.
• Le système de paiement.
• Le support client.
• Les partenaires vendeurs.
• Les outils de logistique.
• Les données produit.

Chaque source a ses propres noms, formats, problèmes, doublons, erreurs.

L’Analytics Engineer va créer des modèles clairs comme:

• customers
• orders
• active_users
• revenue_daily
• product_performance
• seller_quality
• churn_risk
• marketing_attribution

Ces tables deviennent la “source de vérité” pour les dashboards et analyses.

Le but, c’est que quand l’équipe finance demande le chiffre d’affaires mensuel, l’équipe marketing et l’équipe produit utilisent la même définition.

Pas trois chiffres différents dans trois dashboards différents.

Les missions typiques

Dans une offre Analytics Engineer en France en 2026, tu verras souvent des missions comme:

1. Construire des modèles de données avec dbt.
2. Écrire du SQL propre et maintenable.
3. Transformer les données dans BigQuery, Snowflake, Redshift ou Databricks.
4. Créer des tests de qualité sur les données.
5. Documenter les définitions métier.
6. Travailler avec les Data Analysts, Product Managers, Finance Managers, Growth Managers.
7. Améliorer la performance des requêtes.
8. Gérer la gouvernance des métriques.
9. Définir des KPI fiables.
10. Participer à la mise en place d’une stack moderne data.

Tu remarques un truc important: ce n’est pas juste “faire des dashboards”.

Un Analytics Engineer peut faire des dashboards, oui. Mais son vrai rôle, c’est de construire la base qui permet aux dashboards d’être fiables.

Analytics Engineer vs Data Analyst vs Data Engineer#

C’est souvent là que les candidats se mélangent.

Alors garde cette image simple.

Le Data Engineer amène l’eau jusqu’à la maison.
L’Analytics Engineer filtre l’eau, la met à bonne température, la rend propre à boire.
Le Data Analyst boit l’eau, puis dit si elle est bonne, pourquoi, et quoi faire ensuite.

Bon, l’image est un peu bizarre, mais tu vois l’idée.

Data Analyst

Le Data Analyst est orienté questions business.

Il répond à:

• Pourquoi les ventes baissent ?
• Quel canal marketing marche le mieux ?
• Quel segment client convertit le plus ?
• Quel produit génère le plus de marge ?
• Où perd-on les utilisateurs dans le funnel ?

Ses outils typiques:

• SQL
• Excel ou Google Sheets
• Power BI, Tableau, Looker
• Python parfois
• Amplitude, Mixpanel, GA4 selon le poste

Salaire en France en 2026:

• Junior: 38k à 45k€
• Confirmé: 45k à 58k€
• Senior: 58k à 70k€
• Lead ou manager: 70k à 85k€ selon Paris, remote, boîte tech

Data Engineer

Le Data Engineer est orienté infrastructure et pipelines.

Il répond à:

• Comment ingérer les données ?
• Comment automatiser les flux ?
• Comment gérer les volumes ?
• Comment sécuriser les données ?
• Comment faire tourner les jobs de manière fiable ?

Ses outils typiques:

• Python
• SQL
• Spark
• Airflow
• Kafka
• BigQuery, Snowflake, Redshift, Databricks
• Terraform parfois
• AWS, GCP, Azure

Salaire en France en 2026:

• Junior: 42k à 50k€
• Confirmé: 55k à 70k€
• Senior: 70k à 90k€
• Staff ou lead: 90k à 110k€ dans certaines boîtes tech

Analytics Engineer

L’Analytics Engineer est orienté modélisation, qualité, métriques et collaboration business.

Il répond à:

• Quelle table doit-on utiliser pour calculer le revenu ?
• Comment modéliser les utilisateurs actifs ?
• Comment éviter les doublons dans les commandes ?
• Comment documenter les KPI ?
• Comment rendre les analyses plus rapides et fiables ?
• Comment permettre aux analystes de travailler sans repartir de zéro ?

Ses outils typiques:

• SQL avancé
• dbt
• BigQuery, Snowflake, Redshift, Databricks
• Git
• Looker, Tableau, Power BI
• Python parfois
• Airflow parfois
• Outils de catalogage data, comme Atlan, DataHub, Monte Carlo, Metaplane

Salaire en France en 2026:

• Junior: 42k à 50k€
• Confirmé: 52k à 68k€
• Senior: 68k à 85k€
• Lead Analytics Engineer: 85k à 100k€ dans les meilleures boîtes

À Paris, les salaires sont souvent plus hauts. À Lyon, Lille, Nantes, Bordeaux, Toulouse ou Marseille, tu peux enlever 5 à 15%, sauf si le poste est remote pour une boîte parisienne ou internationale.

Pourquoi les entreprises françaises recrutent ce profil#

Les entreprises ont compris un truc simple: une mauvaise donnée coûte cher.

Quand les dashboards sont faux, les équipes prennent de mauvaises décisions. Quand les définitions ne sont pas claires, les réunions deviennent interminables. Quand chaque équipe calcule ses KPI à sa manière, tout le monde perd confiance.

Imagine chez L’Oréal, si les équipes e-commerce, retail, marketing et finance n’ont pas la même définition d’un “client actif”.

Ou chez BNP Paribas, si les dashboards risques et reporting interne reposent sur des tables mal documentées.

Ou chez BlaBlaCar, si le nombre de trajets confirmés varie selon l’outil utilisé.

Ce n’est pas juste un petit bug. Ça peut impacter les budgets, les priorités produit, les décisions commerciales, la confiance des dirigeants.

L’Analytics Engineer aide à résoudre ça.

Il rend la donnée:

• Fiable.
• Claire.
• Réutilisable.
• Documentée.
• Testée.
• Facile à comprendre.
• Alignée avec les besoins métier.

Et ça, en entreprise, ça vaut très cher.

Les compétences nécessaires en 2026#

Bonne nouvelle: tu n’as pas besoin d’être un génie en maths pour devenir Analytics Engineer.

Ce n’est pas un poste de machine learning pur. Tu n’as pas besoin de passer tes soirées à coder des réseaux de neurones.

Mais tu dois être très solide sur la donnée.

1. SQL avancé

SQL est la base.

Pas juste “SELECT * FROM table”.

Tu dois savoir utiliser:

• JOIN
• CTE
• window functions
• GROUP BY avancés
• sous-requêtes
• déduplication
• gestion des dates
• agrégations
• optimisation de requêtes
• logique incrémentale

Si ton SQL est faible, commence ici. C’est ton pain quotidien.

Un bon exercice: prends un dataset e-commerce public et construis des tables propres pour les commandes, clients, produits, revenus, retours, panier moyen.

2. dbt

dbt est devenu presque obligatoire dans beaucoup d’offres Analytics Engineer.

Ce que tu dois comprendre:

• models
• sources
• refs
• tests
• documentation
• macros
• snapshots
• incremental models
• exposures
• packages

Tu n’as pas besoin d’être expert au départ, mais tu dois savoir créer un petit projet dbt propre.

Un mini-projet portfolio peut faire la différence.

Par exemple:

• Source brute: données de ventes.
• Modèles staging: nettoyage des colonnes.
• Modèles intermediate: logique métier.
• Modèles marts: tables finales pour dashboards.
• Tests: unicité, valeurs non nulles, relations.
• Documentation: descriptions des champs et KPI.

Ça montre que tu comprends vraiment le métier.

3. Data warehouse cloud

Tu dois être à l’aise avec au moins un entrepôt de données moderne.

Les plus fréquents en France:

• BigQuery, très utilisé dans les scale-ups et environnements GCP.
• Snowflake, très présent dans les grandes entreprises et équipes data matures.
• Redshift, encore utilisé dans des stacks AWS.
• Databricks, souvent dans les grands groupes et projets avec gros volumes.

Tu n’as pas besoin de tout maîtriser.

Mais si tu connais SQL + dbt + BigQuery, tu peux déjà postuler à pas mal d’offres.

4. Git

Tu dois savoir travailler comme un développeur léger.

Pas besoin d’être ingénieur logiciel, mais tu dois comprendre:

• branches
• commits
• pull requests
• code review
• conflits basiques
• versioning

Pourquoi ?

Parce que l’Analytics Engineer ne balance pas des requêtes dans un outil BI au hasard. Il construit du code data qui doit être relu, testé, versionné et maintenu.

5. Modélisation des données

C’est souvent ce qui sépare les débutants des bons profils.

Tu dois comprendre comment organiser la donnée pour qu’elle soit simple à utiliser.

Notions utiles:

• tables de faits
• dimensions
• grain d’une table
• schéma en étoile
• métriques calculées
• clés primaires
• clés étrangères
• relations
• historisation
• slowly changing dimensions

Exemple simple: une table de commandes.

Quel est le grain ?

Une ligne par commande ? Une ligne par produit dans une commande ? Une ligne par paiement ? Une ligne par événement ?

Si tu ne définis pas ça clairement, les chiffres partent vite en vrille.

6. Sens business

L’Analytics Engineer n’est pas enfermé dans un coin avec son SQL.

Tu vas parler avec:

• Product Managers
• équipes finance
• marketing
• sales
• customer success
• data analysts
• data engineers
• parfois C-level

Tu dois poser de bonnes questions.

Par exemple:

• Quand tu dis “client actif”, tu veux dire actif sur 7 jours, 30 jours, 90 jours ?
• Le revenu inclut-il les remboursements ?
• Le churn est calculé à partir de quelle date ?
• Une commande annulée compte-t-elle dans le volume ?
• Le test A/B est-il calculé sur utilisateurs ou sessions ?

C’est là que ton impact devient fort.

Comment devenir Analytics Engineer si tu es Data Analyst#

C’est probablement le chemin le plus naturel.

Si tu es déjà Data Analyst, tu as l’avantage de comprendre les besoins business. Tu sais ce que les équipes demandent, tu connais les dashboards, tu as déjà vécu les galères de métriques contradictoires.

Il te manque surtout la partie ingénierie analytics.

Voici ton plan.

Étape 1: Renforce ton SQL

Passe de “je sais écrire des requêtes” à “je sais construire des modèles fiables”.

Travaille particulièrement:

• CTE bien structurées.
• Window functions.
• Déduplication.
• Tables incrémentales.
• Performance.
• Requêtes lisibles.
• Conventions de nommage.

Un recruteur verra vite la différence entre un SQL bricolé et un SQL propre.

Étape 2: Apprends dbt

Fais un projet concret.

Pas juste regarder trois vidéos YouTube.

Crée un repo GitHub avec:

• un projet dbt
• des sources
• des modèles staging
• des modèles marts
• des tests
• de la documentation
• un README clair

Tu peux utiliser BigQuery en version gratuite ou un dataset public.

Étape 3: Mets ton CV à jour

Sur ton CV, évite de rester bloqué sur “création de dashboards”.

Ajoute des phrases comme:

• “Construction de modèles SQL réutilisables pour standardiser les KPI revenus et activation.”
• “Mise en place de tests de qualité sur les données critiques.”
• “Documentation des définitions métier pour les équipes marketing et finance.”
• “Réduction du temps de production des analyses récurrentes de 40% grâce à des tables propres.”

Même si ton titre actuel est Data Analyst, tu peux montrer que tu fais déjà une partie du job.

Étape 4: Postule à des rôles hybrides

Cherche aussi des titres proches:

• Data Analyst Analytics Engineer
• BI Engineer
• Analytics Developer
• Data Modeler
• Product Data Analyst avec dbt
• Modern BI Analyst
• Data Analytics Engineer

En France, toutes les entreprises n’utilisent pas encore le même vocabulaire.

Une offre “Senior Data Analyst” chez Doctolib peut parfois ressembler à un poste d’Analytics Engineer. Une offre “BI Engineer” chez BNP peut aussi être très proche.

Comment devenir Analytics Engineer si tu es Data Engineer#

Si tu viens du Data Engineering, tu as déjà une grosse partie technique.

Tu connais probablement les pipelines, les jobs, les bases, les environnements cloud. Ton défi sera surtout de te rapprocher du business.

Tu dois montrer que tu ne veux pas seulement déplacer de la donnée, mais aussi la rendre compréhensible.

Travaille:

• la modélisation analytique
• les KPI
• la documentation métier
• les outils BI
• les besoins utilisateurs
• la collaboration avec les équipes non techniques

Sur ton CV, évite de parler uniquement de pipelines Airflow ou Spark. Ajoute l’impact business.

Exemples:

• “Création d’une couche analytique Snowflake utilisée par 80 utilisateurs business.”
• “Standardisation des métriques revenus pour les équipes finance et growth.”
• “Réduction des écarts entre dashboards finance et sales de 15% à moins de 1%.”
• “Documentation de 120 champs critiques dans le data warehouse.”

Là, tu deviens beaucoup plus crédible pour un poste Analytics Engineer.

Exemple d’offre Analytics Engineer en France en 2026#

Pour que tu voies à quoi ça ressemble, voici une version réaliste d’une offre.

Analytics Engineer, Paris ou remote, 60k à 75k€

Entreprise: scale-up SaaS B2B, 300 employés, forte croissance en Europe.

Missions:

• Construire et maintenir les modèles dbt dans BigQuery.
• Créer une couche de données fiable pour les équipes product, finance et revenue.
• Définir les métriques clés avec les parties prenantes.
• Mettre en place des tests de qualité et de la documentation.
• Collaborer avec les Data Engineers sur l’ingestion des sources.
• Aider les Data Analysts à accélérer leurs analyses.
• Participer à la gouvernance des données.

Stack:

• BigQuery
• dbt
• Airflow
• Looker
• GitHub
• Fivetran
• Segment

Profil recherché:

• 2 à 5 ans d’expérience en data.
• Très bon niveau SQL.
• Expérience dbt appréciée.
• Bonne compréhension des enjeux business.
• Capacité à expliquer simplement des sujets techniques.
• Anglais professionnel.

Tu vois le profil: ce n’est ni un pur analyste, ni un pur ingénieur backend. C’est quelqu’un qui sait parler aux deux mondes.

Questions fréquentes en entretien#

Les entretiens Analytics Engineer sont souvent très pratiques.

On va tester ton SQL, ta logique, ta manière de modéliser, et ta capacité à discuter avec le business.

Questions SQL

Tu peux avoir des exercices comme:

• Trouver les utilisateurs actifs sur 30 jours.
• Calculer le revenu mensuel récurrent.
• Dédupliquer des événements.
• Identifier la première commande d’un client.
• Calculer un taux de conversion par cohorte.
• Utiliser une window function pour classer des événements.
• Créer une table agrégée par jour, pays et canal.

Le but n’est pas seulement d’avoir le bon résultat. Ils regardent si ta requête est lisible.

Questions dbt

On peut te demander:

• Quelle différence entre source et ref ?
• Comment organiserais-tu un projet dbt ?
• À quoi servent les tests ?
• C’est quoi un modèle incrémental ?
• Comment documenter une métrique ?
• Comment gérer une breaking change ?
• Comment structurer staging, intermediate et marts ?

Si tu as un projet GitHub, tu peux le montrer. C’est beaucoup plus fort qu’un simple “j’ai suivi une formation”.

Questions de modélisation

Exemple classique:

“On a une marketplace avec utilisateurs, vendeurs, commandes, paiements, remboursements et avis. Comment tu modélises les tables pour suivre le chiffre d’affaires, la qualité vendeur et la rétention client ?”

Ici, ils veulent voir si tu penses au grain des tables, aux relations, aux cas particuliers.

Tu peux répondre en structurant:

1. Sources brutes.
2. Tables staging.
3. Tables intermédiaires.
4. Tables finales business.
5. Métriques principales.
6. Tests de qualité.
7. Documentation.

Ça montre que tu as une méthode.

CV Analytics Engineer: ce que les recruteurs veulent voir#

Ton CV doit crier “je rends la donnée fiable”.

Pas “je fais des graphiques”.

Les bons mots-clés à inclure si c’est vrai:

• SQL
• dbt
• BigQuery
• Snowflake
• Redshift
• Databricks
• Looker
• Tableau
• Power BI
• Git
• data modeling
• data quality
• data documentation
• metrics layer
• semantic layer
• analytics engineering
• ETL ou ELT
• stakeholder management

Mais attention, ne bourre pas ton CV de mots-clés sans preuve.

Ajoute des résultats mesurables.

Exemples solides:

• “Mise en place de 35 modèles dbt utilisés par les équipes finance, marketing et produit.”
• “Réduction de 50% du temps nécessaire pour produire les analyses mensuelles.”
• “Standardisation de 12 KPI business, dont MRR, churn, activation et conversion.”
• “Ajout de 80 tests dbt pour réduire les incidents de qualité data.”
• “Migration de requêtes SQL ad hoc vers une couche analytique versionnée sur Git.”

Ça donne envie de te parler.

Salaire Analytics Engineer France 2026#

Soyons clairs: c’est un métier bien payé, surtout si tu as SQL + dbt + cloud + business.

Fourchettes réalistes en France:

• Junior ou transition depuis analyste: 42k à 50k€
• 2 à 4 ans d’expérience: 52k à 65k€
• Senior: 68k à 85k€
• Lead: 85k à 100k€
• Freelance: 500 à 800€ par jour selon profil et client

À Paris, un Analytics Engineer confirmé peut viser 60k à 70k€ dans une bonne scale-up.

Chez une entreprise comme Ledger, Doctolib, Back Market ou BlaBlaCar, un profil senior avec dbt, Snowflake ou BigQuery, et bon niveau anglais peut viser 75k à 90k€.

Dans un grand groupe comme BNP Paribas, TotalEnergies ou L’Oréal, le salaire peut être un peu plus encadré, mais les avantages, bonus, télétravail, mobilité interne et stabilité peuvent compenser.

Si tu parles anglais et que tu vis en France avec un contrat remote pour une boîte européenne, tu peux parfois aller plus haut.

Le portfolio qui peut te faire recruter#

Si tu n’as pas encore le titre Analytics Engineer, fais un portfolio.

Pas besoin de 10 projets. Un seul très bon projet peut suffire.

Projet recommandé

Crée un mini data warehouse e-commerce.

Données possibles:

• commandes
• clients
• produits
• paiements
• événements web
• campagnes marketing
• remboursements

Construis:

1. Des tables brutes.
2. Une couche staging.
3. Une couche intermediate.
4. Une couche marts avec:
   • daily_revenue
   • customer_lifetime_value
   • product_performance
   • marketing_funnel
   • active_customers
5. Des tests dbt.
6. Une documentation.
7. Un dashboard simple Looker Studio, Power BI ou Tableau.
8. Un README qui explique les choix de modélisation.

Dans ton README, explique:

• le problème business
• les sources
• les transformations
• les KPI
• les tests
• les limites
• les prochaines améliorations

Les recruteurs adorent quand tu expliques clairement. Ça prouve que tu sais communiquer.

Les erreurs à éviter#

Beaucoup de candidats ratent le virage Analytics Engineer pour des raisons simples.

Erreur 1: croire que c’est juste du dashboarding

Non.

Si tu te présentes uniquement comme quelqu’un qui fait des dashboards, tu seras vu comme Data Analyst ou BI Analyst.

Mets en avant la modélisation, la qualité, la documentation, la standardisation des métriques.

Erreur 2: négliger Git

En 2026, Git est presque obligatoire pour ce métier.

Si tu ne sais pas faire un commit propre, une branche et une pull request, apprends vite. C’est accessible, et ça rassure énormément les équipes data.

Erreur 3: ne pas parler business

Un Analytics Engineer trop technique mais incapable d’expliquer un KPI va galérer.

Tu dois être capable de dire simplement pourquoi une définition change un chiffre, et quelles décisions peuvent être impactées.

Erreur 4: avoir un CV trop flou

“Analyse de données et création de dashboards” ne suffit pas.

Préférable:

“Création de modèles SQL standardisés pour calculer le revenu net, utilisés par les équipes finance et marketing, réduction des écarts de reporting de 18% à 2%.”

Là, on comprend ton impact.

Est-ce vraiment un nouveau métier ?#

Oui et non.

Le besoin existait déjà avant. Dans beaucoup d’équipes, des Data Analysts seniors ou BI Developers faisaient déjà ce travail sans avoir le titre.

Mais en 2026, le métier est beaucoup mieux défini.

La stack moderne a clarifié les responsabilités:

• Les Data Engineers gèrent l’ingestion, les pipelines, l’infrastructure.
• Les Analytics Engineers gèrent la transformation analytique, la qualité, la documentation et les modèles business.
• Les Data Analysts utilisent cette base pour produire des analyses, recommandations et dashboards.

Donc oui, le titre est relativement nouveau en France. Mais surtout, il répond à un vrai problème.

Et ça, c’est bon signe pour l’emploi.

Faut-il viser Analytics Engineer en 2026 ?#

Franchement, oui, si tu aimes la data concrète.

C’est un excellent choix si:

• Tu aimes SQL.
• Tu veux être proche du business.
• Tu veux un poste plus technique que Data Analyst.
• Tu ne veux pas forcément faire du machine learning.
• Tu aimes structurer, nettoyer, clarifier.
• Tu veux un métier recherché et bien payé.
• Tu veux travailler dans des boîtes tech, scale-ups ou grands groupes.

Ce n’est peut-être pas pour toi si:

• Tu détestes les détails.
• Tu veux seulement faire des présentations.
• Tu n’aimes pas les tests et la documentation.
• Tu ne veux pas apprendre Git.
• Tu préfères coder des applications plutôt que modéliser la donnée.

Mais si tu es Data Analyst et que tu sens que tu plafonnes, ce métier peut te donner un vrai boost.

Tu peux passer d’un poste à 45k€ à un rôle à 60k€, puis viser 75k€ en senior avec quelques années solides.

Plan d’action sur 30 jours#

Si tu veux avancer maintenant, fais simple.

Semaine 1: SQL avancé

• Revois les JOIN, CTE, window functions.
• Fais 10 exercices SQL orientés business.
• Travaille sur des cas e-commerce, SaaS ou marketplace.

Semaine 2: dbt

• Installe dbt.
• Connecte-le à BigQuery ou DuckDB.
• Crée tes premiers modèles.
• Ajoute des tests et une documentation.

Semaine 3: projet portfolio

• Choisis un dataset.
• Structure staging, intermediate, marts.
• Écris un README propre.
• Mets tout sur GitHub.

Semaine 4: CV et candidatures

• Mets à jour ton CV avec les bons mots-clés.
• Ajoute des résultats mesurables.
• Postule à 15 offres:
  • Analytics Engineer
  • BI Engineer
  • Data Analyst avec dbt
  • Analytics Developer
  • Data Modeler

Et surtout, adapte ton CV à chaque offre. Les ATS filtrent beaucoup sur les mots-clés comme dbt, SQL, BigQuery, Snowflake, data modeling et Git.

Avant d’envoyer ton CV pour des postes Analytics Engineer, teste-le gratuitement avec l’outil JobRise pour voir s’il passe les filtres ATS et s’il colle bien aux offres: vérifie ton CV gratuitement ici.