Data Analyst Emplois Paris 2026: SQL, Tableau

Tu cherches un job de Data Analyst à Paris, tu ouvres LinkedIn, Welcome to the Jungle ou Indeed, et tu vois toujours les mêmes mots: SQL, Tableau, Python, Power BI, KPI, dashboards, stakeholder management. Le souci, c’est que tout le monde postule aux mêmes offres, souvent avec le même CV “analytique”, et toi tu te demandes comment sortir du lot sans avoir 5 ans d’expérience chez Doctolib ou BNP.

Data Analyst Emplois Paris 2026: SQL, Tableau#

Paris reste l’un des meilleurs endroits en France pour trouver un emploi de Data Analyst en 2026. Entre les grands groupes, les startups, les scale-ups, les cabinets de conseil, la fintech, le luxe, la santé, l’énergie et l’e-commerce, il y a de vraies opportunités.

Mais soyons clairs: le marché est plus sélectif qu’avant.

Les entreprises veulent des profils capables de faire plus que “sortir des dashboards”. Elles veulent quelqu’un qui comprend le business, pose les bonnes questions, nettoie les données, écrit des requêtes SQL solides, construit des tableaux de bord lisibles, et explique les résultats sans noyer tout le monde dans du jargon.

En gros, tu dois être à la fois:

• un peu détective,
• un peu storyteller,
• un peu business partner,
• et très à l’aise avec SQL.

Si tu vises un poste de Data Analyst à Paris en 2026, cet article va t’aider à comprendre les salaires, les compétences attendues, les outils à maîtriser, les entreprises qui recrutent, et surtout comment améliorer ton CV pour passer les filtres ATS.

Le marché Data Analyst à Paris en 2026#

Paris concentre une grosse partie des postes data en France. Tu trouveras des offres dans presque tous les secteurs, mais certaines familles d’entreprises recrutent plus régulièrement que d’autres.

Les grands groupes

Les groupes comme BNP Paribas, Société Générale, AXA, TotalEnergies, L’Oréal ou Carrefour recrutent des Data Analysts pour des équipes marketing, finance, risques, supply chain, RH, CRM ou digital.

L’avantage: les équipes sont structurées, les volumes de données sont importants, et les salaires sont souvent corrects.

L’inconvénient: les process de recrutement peuvent être longs, les fiches de poste très précises, et le CV doit être très bien aligné avec l’offre.

Dans une banque comme BNP Paribas, un Data Analyst peut travailler sur:

• le suivi de la performance commerciale,
• l’analyse du risque client,
• la détection d’anomalies,
• la segmentation,
• les reportings réglementaires,
• les tableaux de bord pour les équipes métiers.

Chez L’Oréal, tu peux plutôt tomber sur:

• l’analyse des ventes,
• les performances e-commerce,
• les campagnes marketing,
• les parcours clients,
• les données retail,
• les prévisions de demande.

Les startups et scale-ups

Les boîtes comme Doctolib, BlaBlaCar, Back Market, Ledger, Qonto, Alan ou PayFit ont souvent besoin de profils data très proches des équipes produit, marketing, growth, finance ou opérations.

Tu peux y apprendre très vite, parce que les décisions se prennent souvent plus rapidement. Par contre, tu seras parfois moins encadré, et on attendra de toi une certaine autonomie dès les premières semaines.

Dans ce type d’entreprise, on aime les profils qui savent:

• passer de SQL à un dashboard Tableau ou Looker,
• expliquer une baisse de conversion,
• prioriser les analyses importantes,
• repérer un problème de tracking,
• proposer des recommandations concrètes,
• automatiser des reportings répétitifs.

Les cabinets de conseil et ESN

Capgemini, Accenture, Sopra Steria, Sia Partners, Wavestone, Artefact ou fifty-five recrutent aussi des Data Analysts.

C’est une bonne porte d’entrée si tu veux voir plusieurs secteurs rapidement. Tu peux bosser sur une mission banque pendant six mois, puis une mission retail ou luxe juste après.

Le piège, c’est que certaines offres mélangent Data Analyst, BI Analyst, Consultant Data, Data Engineer junior et parfois même Product Analyst. Lis bien les missions avant de postuler.

Les salaires Data Analyst à Paris en 2026#

À Paris, les salaires Data Analyst varient beaucoup selon ton expérience, ton secteur, tes outils, ton niveau SQL, et ta capacité à parler business.

Voici des fourchettes réalistes en brut annuel.

Junior, 0 à 2 ans d’expérience

Un Data Analyst junior à Paris peut viser entre €38k et €48k.

Si tu viens d’une bonne école, d’un master data, d’une alternance solide, ou que tu as déjà des projets SQL/Tableau propres, tu peux viser le haut de la fourchette.

Exemples réalistes:

• Junior Data Analyst chez une startup SaaS: €40k à €45k
• Data Analyst junior en banque: €42k à €48k
• BI Analyst junior en ESN: €38k à €44k
• Product Data Analyst junior chez une scale-up: €43k à €48k

Confirmé, 2 à 5 ans d’expérience

Un profil confirmé tourne souvent entre €50k et €65k.

À ce niveau, on attend que tu sois capable de gérer des analyses avec peu d’encadrement, de challenger les demandes métiers, de construire des dashboards propres, et d’avoir un vrai impact sur les décisions.

Exemples:

• Data Analyst CRM chez L’Oréal: €52k à €62k
• Data Analyst finance chez TotalEnergies: €55k à €65k
• Product Data Analyst chez BlaBlaCar: €55k à €68k
• Data Analyst growth chez Back Market: €52k à €65k

Senior, 5 ans et plus

Un Data Analyst senior à Paris peut viser entre €65k et €85k, parfois plus dans la tech, la finance ou certains rôles très business.

À ce niveau, tu ne fais pas juste des analyses. Tu aides à définir les KPIs, tu construis des modèles de décision, tu accompagnes les équipes, tu améliores la qualité des données, et tu peux parfois encadrer des profils juniors.

Exemples:

• Senior Data Analyst chez Doctolib: €70k à €85k
• Senior Product Analyst chez Ledger: €70k à €90k
• Lead Data Analyst fintech: €75k à €95k
• Senior BI Analyst dans un grand groupe: €65k à €80k

Bien sûr, ce sont des fourchettes. Mais si une entreprise parisienne te propose €34k pour un poste Data Analyst avec SQL, Tableau, Python, reporting, stakeholder management et 3 ans d’expérience, tu peux respirer deux secondes et comparer avec le marché.

SQL: la compétence qui fait vraiment la différence#

Tu peux connaître Tableau, Power BI, Excel, Python, dbt, Snowflake ou BigQuery. Très bien.

Mais pour un poste de Data Analyst à Paris en 2026, SQL reste la base.

Pas “j’ai vu SELECT en formation”. Pas “je peux modifier une requête existante”. Il faut être capable de récupérer, filtrer, agréger, joindre et vérifier des données sans paniquer.

Ce qu’on attend vraiment en SQL

Pour un poste junior, tu dois maîtriser:

1. SELECT, WHERE, GROUP BY, ORDER BY
2. JOIN, surtout LEFT JOIN et INNER JOIN
3. agrégations: COUNT, SUM, AVG, MIN, MAX
4. CASE WHEN
5. sous-requêtes simples
6. CTE avec WITH
7. filtres dates
8. détection de doublons
9. calculs de taux, moyennes, ratios
10. lecture d’un schéma de base de données

Pour un poste confirmé, ajoute:

• window functions: ROW_NUMBER, RANK, LAG, LEAD,
• optimisation simple de requêtes,
• compréhension des tables de faits et dimensions,
• analyses cohortes,
• funnels de conversion,
• segmentation client,
• contrôle qualité des données,
• écriture de requêtes réutilisables.

Si tu veux bosser chez Doctolib, BlaBlaCar ou Back Market, tu peux avoir un test technique SQL. Souvent, ce n’est pas impossible, mais il faut être rapide, propre et logique.

Exemple de test SQL courant

On peut te donner trois tables:

• users
• orders
• sessions

Puis te demander:

• le chiffre d’affaires par mois,
• le taux de conversion par canal,
• les clients ayant commandé au moins deux fois,
• le panier moyen par segment,
• les utilisateurs actifs sur les 30 derniers jours,
• l’évolution des nouveaux clients.

Le recruteur ne regarde pas seulement si la réponse est bonne. Il regarde aussi si ta requête est lisible.

Petit conseil de grand frère: entraîne-toi à écrire des requêtes propres avec des CTE. C’est plus lisible, et ça montre que tu sais structurer ton raisonnement.

Comment montrer SQL sur ton CV

Ne mets pas juste:

• SQL: avancé

C’est trop vague.

Écris plutôt:

• Analyse de 2,3M de lignes de transactions avec SQL pour identifier une baisse de conversion de 12%
• Création de requêtes SQL automatisées pour suivre le chiffre d’affaires hebdomadaire par canal
• Construction d’une analyse de cohorte avec CTE et window functions sur BigQuery
• Réduction de 6h de reporting manuel par semaine via extraction SQL et dashboard Tableau

Là, on comprend ce que tu sais faire.

Tableau: l’outil qui vend ton analyse#

Tableau reste très demandé à Paris, surtout dans les grands groupes, le luxe, l’industrie, la banque, l’assurance et certaines équipes marketing.

Power BI est aussi très présent, surtout dans les environnements Microsoft. Looker et Looker Studio sont fréquents en scale-up. Mais si l’offre dit Tableau, ton CV doit montrer Tableau clairement.

Ce qu’un bon dashboard Tableau doit faire

Un dashboard Tableau ne doit pas juste être joli. Il doit aider une équipe à prendre une décision.

Un bon dashboard répond à des questions comme:

• Est-ce qu’on atteint nos objectifs ?
• Où est-ce que ça baisse ?
• Depuis quand ?
• Sur quel segment ?
• Quel canal performe le mieux ?
• Quel produit pose problème ?
• Quelle action doit-on prendre ?

Si ton dashboard est beau mais inutilisable, ce n’est pas bon. Si ton dashboard est simple mais clair, filtrable, rapide et actionnable, tu marques des points.

Compétences Tableau à maîtriser

Pour 2026, vise au minimum:

1. connexion à une source de données,
2. préparation simple des champs,
3. calculated fields,
4. paramètres,
5. filtres dynamiques,
6. hiérarchies,
7. actions entre feuilles,
8. cartes simples si besoin,
9. gestion des dates,
10. publication et partage de dashboards.

Pour un profil plus avancé:

• LOD expressions,
• optimisation de performance,
• design orienté décision,
• sécurité des accès,
• dashboards exécutifs,
• storytelling data,
• documentation des KPIs.

Comment parler de Tableau sur ton CV

Évite:

• Création de dashboards Tableau

C’est trop plat.

Mets plutôt:

• Création de 5 dashboards Tableau pour suivre les ventes, la marge et le stock sur 12 pays
• Conception d’un dashboard exécutif utilisé chaque semaine par 30 managers commerciaux
• Automatisation du reporting marketing dans Tableau, réduction de 8h de travail manuel par mois
• Mise en place d’un suivi KPI sur Tableau pour améliorer le pilotage du taux de conversion produit

Tu vois la différence ? On sent l’impact.

Les autres compétences qui comptent en 2026#

SQL et Tableau sont essentiels, mais ils ne suffisent pas toujours.

Les entreprises parisiennes veulent des profils data qui savent comprendre le contexte. Tu dois être capable de traduire une question floue en analyse claire.

Python, utile mais pas toujours obligatoire

Python est souvent un plus. Dans certains postes, il est obligatoire, surtout si tu fais beaucoup de nettoyage, d’automatisation, d’analyses avancées ou de scripts.

Pour un Data Analyst, tu n’as pas besoin d’être Data Scientist. Mais tu peux apprendre:

• pandas,
• numpy,
• matplotlib ou seaborn,
• notebooks,
• lecture et écriture de fichiers,
• APIs simples,
• automatisation de tâches répétitives.

Sur ton CV, Python doit être lié à un usage concret:

• Nettoyage de données clients avec Python, suppression de 18% de doublons
• Automatisation d’un reporting hebdomadaire avec pandas
• Analyse exploratoire des ventes sur 500k lignes avec Python

Excel reste encore très demandé

Oui, même en 2026.

Excel est encore partout dans les équipes finance, sales, marketing et opérations. Tu n’as pas besoin d’en faire ton identité entière, mais si tu sais utiliser:

• tableaux croisés dynamiques,
• XLOOKUP ou RECHERCHEX,
• Power Query,
• formules avancées,
• graphiques propres,
• modèles de suivi,

ça peut t’aider, surtout pour des postes plus proches des équipes métiers.

Compréhension business

C’est souvent ça qui sépare un bon Data Analyst d’un profil moyen.

Un bon analyste ne répond pas juste à la question posée. Il comprend pourquoi elle est posée.

Exemple:

Un manager te demande: “Tu peux me sortir le nombre d’utilisateurs actifs cette semaine ?”

Un analyste moyen sort le chiffre.

Un bon analyste demande:

• Quelle définition d’utilisateur actif ?
• Comparé à quelle période ?
• Sur quel pays ?
• Sur quelle plateforme ?
• Pour quelle décision ?
• Est-ce qu’on veut aussi voir la rétention ?

Ce réflexe est très apprécié en entretien.

Les types de postes Data Analyst à Paris#

Toutes les offres “Data Analyst” ne se ressemblent pas. Avant de postuler, essaie de comprendre le vrai rôle derrière le titre.

Data Analyst marketing

Tu analyses les campagnes, les canaux d’acquisition, le ROI, le CRM, l’emailing, la conversion, le comportement client.

Outils fréquents:

• SQL,
• Tableau ou Power BI,
• Google Analytics,
• Looker Studio,
• Excel,
• parfois Python.

Salaires à Paris:

• junior: €38k à €46k
• confirmé: €48k à €62k
• senior: €62k à €78k

Entreprises possibles: L’Oréal, Back Market, ManoMano, Deezer, Vestiaire Collective.

Product Data Analyst

Tu travailles avec les Product Managers, designers, développeurs et équipes growth. Tu suis l’usage du produit, les funnels, la rétention, les A/B tests, les parcours utilisateurs.

Outils fréquents:

• SQL,
• Amplitude,
• Mixpanel,
• Tableau,
• Looker,
• Python,
• outils de tracking.

Salaires à Paris:

• junior: €42k à €50k
• confirmé: €55k à €70k
• senior: €70k à €90k

Entreprises possibles: Doctolib, BlaBlaCar, Ledger, Qonto, Alan.

BI Analyst

Tu construis beaucoup de reportings, dashboards, modèles de données simples, suivis de KPIs.

Outils fréquents:

• SQL,
• Tableau,
• Power BI,
• Snowflake,
• BigQuery,
• dbt parfois,
• Excel.

Salaires à Paris:

• junior: €38k à €45k
• confirmé: €48k à €62k
• senior: €62k à €80k

Entreprises possibles: TotalEnergies, BNP Paribas, AXA, Carrefour, Orange.

Data Analyst finance

Tu analyses des données liées aux revenus, coûts, marges, budgets, risques, fraude ou performance financière.

Outils fréquents:

• SQL,
• Excel avancé,
• Power BI ou Tableau,
• Python parfois,
• outils internes finance.

Salaires à Paris:

• junior: €42k à €50k
• confirmé: €55k à €70k
• senior: €70k à €90k

Entreprises possibles: BNP Paribas, Société Générale, Qonto, PayFit, AXA.

Comment trouver des offres Data Analyst à Paris sans perdre ton temps#

Le réflexe classique, c’est de taper “Data Analyst Paris” et postuler partout.

Mais tu peux faire mieux.

Mots-clés à rechercher

Essaie plusieurs recherches:

• Data Analyst Paris
• SQL Tableau Paris
• BI Analyst Paris
• Product Analyst Paris
• Marketing Data Analyst Paris
• Data Analyst junior SQL
• Analyste Data Tableau
• Consultant Data Analyst
• Business Intelligence Analyst
• Growth Data Analyst
• Data Analyst alternance Paris
• Stage Data Analyst SQL

Certains postes intéressants ne s’appellent même pas “Data Analyst”. Ils peuvent apparaître sous des titres comme:

• Business Analyst Data,
• Reporting Analyst,
• Analyste BI,
• Customer Insights Analyst,
• Revenue Analyst,
• Performance Analyst,
• CRM Analyst.

Plateformes à surveiller

Tu peux regarder:

• LinkedIn Jobs,
• Welcome to the Jungle,
• Indeed,
• ChooseMyCompany,
• Apec,
• Glassdoor,
• sites carrières des entreprises,
• cabinets spécialisés data,
• Slack et communautés data françaises.

Mais ne passe pas toute ta journée à scroller.

Fais plutôt une routine simple:

1. 30 minutes de recherche ciblée le matin,
2. 5 offres vraiment pertinentes,
3. adaptation rapide du CV pour chaque offre,
4. candidature propre,
5. suivi dans un tableau,
6. relance après 7 à 10 jours si possible.

Mieux vaut 5 candidatures bien ciblées que 40 candidatures envoyées avec le même CV.

Ton CV Data Analyst doit parler aux ATS#

Beaucoup d’entreprises utilisent des ATS, des logiciels qui lisent ton CV avant qu’un humain le voie. Si ton CV ne contient pas les bons mots-clés, ou s’il est mal structuré, tu peux être écarté même si tu as le niveau.

Frustrant, oui. Mais tu peux t’adapter.

Les mots-clés à inclure

Si tu vises des offres Data Analyst Paris avec SQL et Tableau, ton CV doit inclure des termes comme:

• Data Analyst,
• SQL,
• Tableau,
• dashboard,
• KPI,
• reporting,
• analyse de données,
• visualisation de données,
• Excel,
• Python si tu le maîtrises,
• Power BI si pertinent,
• BigQuery,
• Snowflake,
• Looker,
• Google Analytics,
• segmentation,
• cohort analysis,
• A/B testing,
• data quality,
• CRM,
• business intelligence.

Attention, ne bourre pas ton CV de mots-clés n’importe comment. Intègre-les dans tes expériences.

Structure simple pour ton CV

Garde une structure claire:

1. Titre du poste visé: Data Analyst, SQL, Tableau
2. Résumé court de 3 lignes
3. Compétences techniques
4. Expériences professionnelles
5. Projets data si tu es junior
6. Formation
7. Certifications si utiles
8. Langues

Évite les designs trop créatifs, les colonnes dans tous les sens, les icônes bizarres, les jauges de compétences, et les CV en image. Les ATS peuvent mal les lire.

Exemple de résumé CV

Tu peux écrire:

“Data Analyst avec 2 ans d’expérience en SQL, Tableau et analyse KPI. Expérience en création de dashboards, automatisation de reportings et analyse de performance marketing. Capable de transformer des données brutes en recommandations claires pour les équipes business.”

C’est simple, mais efficace.

Exemple de bullet points forts

Au lieu de:

• Responsable des dashboards
• Analyse des données
• Reporting hebdomadaire

Écris:

• Création de 4 dashboards Tableau suivis par 25 utilisateurs internes pour piloter les ventes et la marge
• Analyse SQL de 1,2M de lignes de données clients pour identifier une baisse de rétention de 9%
• Automatisation du reporting hebdomadaire, réduction de 6h de travail manuel par semaine
• Définition de 12 KPIs avec les équipes marketing, sales et finance
• Mise en place d’un contrôle qualité des données, baisse de 30% des erreurs de reporting

Là, tu montres des résultats.

Comment réussir les entretiens Data Analyst#

Les entretiens Data Analyst à Paris suivent souvent un schéma assez classique.

Tu peux avoir:

1. un appel RH,
2. un entretien manager,
3. un test SQL ou étude de cas,
4. un entretien métier,
5. parfois un entretien final avec un directeur ou une équipe.

Ce qu’on va te demander

Prépare-toi à répondre à:

• Pourquoi ce poste ?
• Pourquoi notre entreprise ?
• Raconte une analyse dont tu es fier.
• Comment tu construis un dashboard ?
• Comment tu vérifies la qualité des données ?
• Quelle différence entre INNER JOIN et LEFT JOIN ?
• Comment mesurer la rétention ?
• Comment analyser une baisse de conversion ?
• Comment prioriser plusieurs demandes urgentes ?
• Comment expliques-tu un résultat à une équipe non technique ?

La méthode simple pour répondre

Utilise une structure claire:

1. contexte,
2. problème,
3. données utilisées,
4. méthode,
5. résultat,
6. décision ou impact.

Exemple:

“Dans mon alternance, l’équipe marketing voyait une baisse du taux de conversion. J’ai extrait les données de sessions et commandes avec SQL, puis segmenté par canal, device et pays. J’ai identifié que la baisse venait surtout du mobile sur le trafic paid social. J’ai créé un dashboard Tableau pour suivre le funnel, et l’équipe a corrigé une étape du parcours. Le taux de conversion mobile a remonté de 8% sur les trois semaines suivantes.”

Tu vois, pas besoin de parler comme un consultant à 900€ la journée. Il faut être clair, concret, crédible.

Si tu es junior ou en reconversion#

Bonne nouvelle: tu peux décrocher un poste Data Analyst à Paris sans venir d’une école ultra connue.

Mauvaise nouvelle: il faut prouver ton niveau autrement.

Construis 2 ou 3 projets sérieux

Un projet sérieux vaut mieux que dix mini notebooks abandonnés.

Exemples de projets utiles:

1. Analyse e-commerce avec SQL et Tableau
   KPIs: chiffre d’affaires, panier moyen, conversion, rétention, top produits.

2. Dashboard marketing
   KPIs: coût par acquisition, ROI, conversion par canal, cohortes.

3. Analyse produit type Doctolib ou BlaBlaCar
   KPIs: activation, rétention, fréquence d’usage, funnel d’inscription.

4. Analyse finance personnelle ou fintech
   KPIs: revenus, dépenses, churn, segments clients, anomalies.

Mets tes projets sur GitHub, Notion ou portfolio simple. Pour chaque projet, explique:

• la question business,
• les données,
• les outils,
• les étapes,
• les résultats,
• les limites,
• ce que tu recommanderais.

Fais une version “recruteur pressé”

Les recruteurs ne vont pas passer 25 minutes sur ton projet. Prépare une version courte:

• un screenshot du dashboard,
• 5 lignes de contexte,
• 3 insights,
• 2 recommandations,
• lien vers le projet.

C’est parfait pour ton CV et ton LinkedIn.

Les erreurs qui te coûtent des entretiens#

Tu peux avoir le niveau et quand même te saboter avec des erreurs simples.

Voici les plus courantes.

Erreur 1: un CV trop vague

“Analyse de données”, “reporting”, “participation à des projets data”, ça ne suffit pas.

Ajoute des outils, des volumes, des KPIs, des résultats.

Erreur 2: trop d’outils, pas assez d’impact

Mettre SQL, Tableau, Python, R, Power BI, Spark, AWS, Azure, dbt, Airflow, Excel, Looker, SAS, Qlik, Snowflake, BigQuery, ça peut faire liste de courses.

Choisis les outils vraiment utiles pour l’offre, puis montre ce que tu as fait avec.

Erreur 3: postuler sans adapter ton CV

Si l’offre parle de Tableau, SQL, KPI marketing et segmentation CRM, ton CV doit refléter ça.

Pas besoin de tout réécrire. Mais adapte:

• le titre,
• le résumé,
• l’ordre des compétences,
• 2 ou 3 bullet points.

Erreur 4: négliger LinkedIn

À Paris, beaucoup de recruteurs data passent par LinkedIn.

Ton titre peut être:

“Data Analyst | SQL, Tableau, Python | KPI, dashboards, business intelligence”

Ta section “Infos” doit dire ce que tu fais, ce que tu cherches, et tes outils principaux.

Erreur 5: ne pas préparer le test SQL

Le test SQL est souvent éliminatoire. Même si tu comprends la logique, le stress peut te faire perdre du temps.

Entraîne-toi sur:

• joins,
• group by,
• dates,
• window functions,
• cohortes,
• funnels,
• cas business.

Plan d’action sur 14 jours#

Si tu veux avancer vite, fais simple.

Jours 1 à 2: cible ton poste

Choisis ton angle:

• Data Analyst marketing,
• Product Data Analyst,
• BI Analyst,
• Data Analyst finance,
• Data Analyst junior généraliste.

Puis collecte 20 offres à Paris et repère les mots-clés qui reviennent.

Jours 3 à 5: refais ton CV

Mets ton CV au format ATS simple.

Ajoute:

• titre clair,
• résumé ciblé,
• compétences SQL/Tableau visibles,
• expériences avec résultats,
• projets si besoin.

Jours 6 à 8: renforce SQL

Travaille:

• joins,
• group by,
• CTE,
• window functions,
• dates,
• cohortes,
• funnels.

Fais au moins 20 exercices.

Jours 9 à 10: améliore Tableau

Crée ou améliore un dashboard.

Il doit contenir:

• 4 à 6 KPIs,
• filtres utiles,
• visualisations propres,
• une page claire,
• 3 insights écrits.

Jours 11 à 14: postule intelligemment

Chaque jour:

1. sélectionne 5 offres pertinentes,
2. adapte ton CV,
3. postule,
4. ajoute l’offre dans ton suivi,
5. contacte une personne de l’équipe ou un recruteur si possible.

En deux semaines, tu peux déjà avoir un CV plus fort, un meilleur profil LinkedIn, et des candidatures plus ciblées.

Dernier conseil avant de postuler#

Le marché Data Analyst à Paris en 2026 est compétitif, mais pas fermé. Si tu maîtrises SQL, que tu sais construire des dashboards Tableau utiles, et que tu présentes ton expérience avec des résultats concrets, tu peux clairement te démarquer.

Ne cherche pas à ressembler à un Data Scientist si l’offre demande un Data Analyst. Sois excellent sur les bases: comprendre une question business, extraire les bonnes données, vérifier la qualité, analyser proprement, visualiser clairement, recommander une action.

Et surtout, fais vérifier ton CV avant d’envoyer 50 candidatures. Un petit problème de format, de mots-clés ou de structure peut te coûter des entretiens sans que tu le saches.

Teste ton CV gratuitement avec l’outil ATS de JobRise ici: https://jobrise.io/fr/free-ats-checker/