Day in the Life of a Data Analyst

Vous voulez savoir à quoi ressemble vraiment une journée de Data Analyst, pas la version brochure de recrutement. Voici le déroulé réaliste d'un analyste de niveau intermédiaire, avec deux ans et demi d'expérience, dans une entreprise de taille moyenne.

Le contexte avant tout#

Le poste décrit ici, c'est un Data Analyst confirmé dans une équipe data de cinq personnes. Il travaille sur le cycle commercial d'une entreprise qui vend des logiciels aux entreprises. Il a deux ans et demi d'expérience.

Son quotidien n'est pas fait de modèles prédictifs spectaculaires. Il est fait de questions posées à la hâte, de données sales, et de tableaux de bord que personne ne regarde parfois. C'est le point qu'on oublie souvent quand on lit une offre d'emploi.

Le matin : les réunions et le tri des demandes#

La journée commence rarement par du code. Entre 9h et 11h, c'est la plage de réunions.

D'abord le point quotidien de l'équipe data, quinze minutes debout. Ensuite une réunion avec le responsable commercial qui veut comprendre pourquoi le pipeline a baissé le mois dernier. Puis parfois un point produit sur un nouveau parcours client à instrumenter.

Entre deux réunions, le Data Analyst traite son Slack et son email. Il y a toujours trois demandes qui attendent, et deux sont urgentes selon celui qui les envoie. C'est le premier point de pression du métier : arbitrer sans arrêt entre les demandes, parce que tout le monde veut sa réponse tout de suite.

Une règle qui marche : chaque demande passe par un ticket, même quand elle arrive en message privé. Ça paraît lourd, mais ça évite de faire des analyses dont personne ne se souvient.

Le milieu de journée : le travail de fond#

Entre 11h30 et 16h, c'est là que se fait le vrai travail, quand personne ne vient interrompre. C'est rare. Le Data Analyst confirme que le bloc de deux heures sans réunion est le luxe le plus recherché du métier.

Ce qu'il fait concrètement dans ces créneaux :

• Écrire des requêtes SQL pour répondre à une question posée en réunion
• Nettoyer un export CSV dont les colonnes ne correspondent pas à la doc
• Mettre à jour un tableau de bord Looker ou Power BI
• Vérifier qu'un chiffre ne bouge pas d'un jour à l'autre sans raison
• Documenter une table pour que la personne suivante s'y retrouve

Les outils réellement utilisés au quotidien sont peu nombreux : SQL (souvent Postgres ou BigQuery), un outil de visualisation type Looker ou Power BI, Excel ou Google Sheets pour les contrôles rapides, Python quand il faut automatiser un traitement. Git pour versionner les requêtes, Slack pour tout le reste.

On nous vend parfois des stacks à douze outils. Dans la pratique, un analyste maîtrise deux ou trois outils en profondeur et se débrouille avec le reste.

Exemple concret : une demande traitée de bout en bout#

Le responsable commercial demande en réunion : « Pourquoi le pipeline a baissé en septembre ? » Voici comment la demande est traitée dans la réalité.

D'abord, clarifier la question. Pipeline de quel montant, sur quel segment, comparé à quoi ? Souvent, la question posée n'est pas la question à laquelle il faut répondre. Ici, on découvre que ce qui inquiète, c'est le nombre d'opportunités créées, pas le montant.

Ensuite, la requête. Une version simple en SQL :

SELECT
  DATE_TRUNC('month', created_at) AS mois,
  segment,
  COUNT(*) AS nb_opportunites
FROM crm.opportunites
WHERE created_at >= '2025-06-01'
GROUP BY 1, 2
ORDER BY 1, 2;

Le résultat montre une baisse concentrée sur le segment PME. Avant de conclure, le Data Analyst vérifie que la source n'a pas changé. C'est le piège classique : une migration CRM a eu lieu en août, et les opportunités créées via l'ancien formulaire sont remontées avec un statut différent. Sans cette vérification, la conclusion aurait été fausse.

Enfin, la restitution. Pas un rapport de vingt pages. Un message Slack de cinq lignes avec le chiffre, la cause probable, et la limite de l'analyse. Puis un tableau de bord mis à jour si la question revient souvent.

Les points de pression qu'on ne voit pas venir#

Le premier, c'est la qualité des données. Une part surprenante du temps part dans la vérification, pas dans l'analyse. Une jointure qui duplique des lignes, un champ nullable qui casse un calcul, un doublon dans la table clients. Le Data Analyst qui ne vérifie pas livre des chiffres faux avec assurance.

Le deuxième, c'est l'urgence permanente. Tout le monde veut sa réponse hier, et l'analyste n'a souvent pas la légitimité pour dire non. Apprendre à prioriser et à dire « je peux le faire, mais ça décale autre chose » est une compétence qui se gagne avec l'expérience.

Le troisième, c'est la solitude du chiffre. Quand un tableau de bord annonce une mauvaise nouvelle, c'est l'analyste qui la porte en réunion. Il faut assumer un chiffre, expliquer la méthode, et accepter qu'on conteste le résultat sans contester la compétence.

Ce qui surprend les nouveaux venus#

Le premier choc, c'est le temps passé à parler aux gens. On imagine un métier solitaire face à un écran. En réalité, il faut comprendre le besoin avant de coder, et il faut expliquer le résultat après. La communication mange une bonne partie de la semaine.

Le deuxième choc, c'est que la donnée est presque toujours cassée quelque part. Les offres d'emploi présentent des jeux de données propres. La vraie vie, c'est un champ qui change de définition sans prévenir, une table qui n'est plus alimentée, un export manuel envoyé par un collègue tous les lundis matin.

Le troisième, c'est que la réponse simple est souvent la bonne. Un nouveau diplômé veut construire un modèle. La question demandait juste un comptage par mois. Le discernement pour savoir quand la complexité est justifiée met des mois à se développer.

Junior ou confirmé : ce qui change vraiment#

Chez un junior, la demande arrive déjà cadrée. On lui dit quelle table utiliser, quelle période regarder, quel format de sortie attendre. Il passe son temps sur l'écriture de requêtes et la mise en forme.

Chez un confirmé, la demande arrive floue, souvent orale, parfois fausse. Son travail commence par recadrer, identifier la bonne source, et décider si la question mérite une réponse ou un renvoi. La technique compte moins que le jugement.

Le salaire suit cette évolution. En France, un Data Analyst junior se situe souvent autour de 32 000 à 38 000 euros brut annuel, et un confirmé autour de 40 000 à 50 000 euros, parfois davantage dans la finance ou la tech. Les fourchettes varient fortement selon la ville, le secteur et la taille de l'entreprise. Vérifiez les chiffres actuels sur les sources officielles et les grilles en vigueur avant toute négociation.

Si vous préparez une candidature dans ce métier, le comparateur d'offres par secteur peut vous aider à situer les fourchettes réelles, et nos conseils de rédaction de CV donnent des exemples concrets pour valoriser ce type d'expérience.

Comment préparer son entrée dans le métier#

Pour arriver avec un peu d'avance le premier jour :

• Maîtriser SQL jusqu'aux jointures, sous-requêtes et fonctions de fenêtre
• Savoir faire un tableau de bord simple dans un outil de visualisation
• Comprendre la notion de table de fait et de table de dimension
• S'entraîner à expliquer un résultat à quelqu'un qui ne fait pas de data
• Lire une offre d'emploi en détail pour comprendre le vocabulaire attendu
• Accepter qu'une bonne partie du travail sera de la vérification

Le métier est accessible sans école d'ingénieur. Ce qui fait la différence, c'est la rigueur sur les chiffres et la capacité à parler clairement à quelqu'un qui ne code pas.

Outils gratuits#

• jobrise.io/fr/free-ats-checker/
• jobrise.io/fr/free-jd-decoder/
• jobrise.io/fr/jobs/
• jobrise.io/fr/blog/

Questions fréquentes#

Combien de réunions par jour pour un Data Analyst ?

Entre une et trois selon l'entreprise et le niveau de séniorité. Un confirmé passe plus de temps en réunion qu'un junior, parce qu'il est plus souvent sollicité pour cadrer des demandes.

Faut-il savoir coder en Python pour être Data Analyst ?

Non, ce n'est presque jamais requis au départ. SQL et un outil de visualisation suffisent pour décrocher un poste junior. Python devient utile plus tard pour automatiser des traitements répétitifs.

Quelle est la partie la plus difficile du métier ?

La qualité des données et l'arbitrage des demandes. On passe beaucoup de temps à vérifier qu'un chiffre est juste, et à expliquer pourquoi on ne peut pas tout faire en même temps.

Le métier est-il menacé par l'automatisation ?

Les tâches répétitives de production de rapports se simplifient, mais le cadrage des questions et l'interprétation restent humains. Un analyste qui sait parler aux métiers garde de la valeur.

Combien de temps faut-il pour devenir Data Analyst confirmé ?

En général deux à quatre ans selon l'entreprise et la diversité des sujets traités. Ce qui compte, c'est d'avoir géré des analyses de bout en bout, pas seulement le nombre d'années.