Devenir Data Engineer en reconversion : le chemin réaliste

Vous avez un CDI, un salaire correct, mais vous voyez passer les offres Data Engineer avec des rémunérations qui font saliver. Le problème ? Chaque annonce mentionne Bac+5, trois ans d'expérience, et une liste de technos qui donne le tournis. La reconversion semble être un mur.

Bonne nouvelle : ce mur est plus bas qu'il n'y paraît. Mauvaise nouvelle : il n'y a pas d'ascenseur. Il faut construire l'échelle, barreau par barreau. Voici le plan d'attaque honnête, sans bullshit, pour passer de votre poste actuel à votre premier CDI de Data Engineer.

Qui regarde vraiment les diplômes ?#

Oubliez les postes en ESN qui demandent un "Bac+5 Informatique ou équivalent" pour du reporting. Ils veulent un profil calibré pour facturer un client cher. Le diplôme est souvent un filtre RH initial, pas une exigence technique.

Ciblez les bons recruteurs. Les startups et les scale-ups (10 à 500 employés) ont un problème de données concret à résoudre et pas assez de monde. Leur premier critère : "est-ce que cette personne peut déployer un pipeline qui tourne en production la semaine prochaine ?". Le diplôme arrive loin derrière le projet GitHub qui prouve que vous savez faire. Les grosses boîtes tech ont aussi des process plus ouverts qu'on ne le croit, surtout via les recommandations internes.

L'ordre des skills, pas de raccourci#

Vouloir apprendre Spark avant de maîtriser SQL, c'est comme vouloir piloter un avion sans savoir lire les instruments. La priorité absolue est la maîtrise de la donnée elle-même.

Voici la progression qui fonctionne, testée par des dizaines de reconvertis.

• SQL avancé. Pas juste SELECT * FROM. Les window functions, les CTE, l'optimisation de requêtes sur de gros volumes. C'est 50-70% du boulot au quotidien. Si vous n'êtes pas à l'aise, le reste ne sert à rien.
• Python et ses librairies de données (Pandas, PySpark). Pour écrire les transformations, les tests, et orchestrer les tâches.
• Les fondamentaux de l'ingénierie : Git pour le versioning, la ligne de commande, les bases de Linux. C'est le socle invisible.
• Le Cloud (AWS ou GCP). Apprenez à stocker des fichiers (S3/GCS), à lancer une instance de base de données, à utiliser un service de calcul serverless.
• Un outil d'orchestration moderne. Airflow est le standard du marché. Apprenez à créer un DAG simple qui exécute des tâches Python.
• Le concept de Data Warehouse moderne et de transformation (dbt est un bon point d'entrée).

Pour décoder les technos demandées dans les offres d'emploi, notre outil de décodage de fiches de poste peut vous aider à y voir plus clair.

Trois projets portfolio qui prouvent que vous savez faire#

Un CV de reconverti sans portfolio est juste une liste de vœux pieux. Votre GitHub est votre diplôme. Il doit contenir des projets qui répondent à une question de business, pas juste des tutoriels copiés-collés.

Projet 1 : le scraper de données de niche

Problème : les prix des produits X sur les sites Y et Z sont dispersés et changent tout le temps. Solution : vous écrivez un script Python (Scrapy ou BeautifulSoup) qui va chercher les prix chaque nuit, les stocke dans une base PostgreSQL, et envoie une alerte email si un prix baisse de plus de 10%. Déployez-le sur un serveur cloud gratuit (AWS Lambda, Google Cloud Functions). Ça montre que vous savez extraire, stocker et automatiser.

Projet 2 : le mini data warehouse local

Problème : vous avez des données CSV de ventes, de clients et de produits qui ne sont pas liées. Solution : vous utilisez dbt pour créer un modèle de données en étoile. Vous transformez les données sales en tables propres et cohérentes (une table de faits "ventes", des tables de dimensions "clients", "produits"). Vous documentez le projet et les tests de qualité des données. Ça prouve que vous comprenez la modélisation, un concept clé du métier.

Projet 3 : l'analyse de données publiques avec orchestration

Problème : les données ouvertes de votre ville (transport, pollution) sont là, mais personne ne les exploite. Solution : vous créez un pipeline Airflow qui télécharge les données chaque jour, les nettoie, les charge dans BigQuery, et met à jour un dashboard public sur Google Data Studio. Ça démontre que vous savez orchestrer un flux de données de bout en bout.

Formations : ce qui vaut le coup, le reste c'est du marketing#

Le marché est inondé de formations "devenez Data Engineer en 3 mois". La plupart vendent du rêve.

• Les bootcamps intensifs (type Le Wagon, Ironhack) : très bien pour les bases de la data et du code. Leur faiblesse pour un Data Engineer : ils manquent souvent de profondeur sur les concepts de production, d'optimisation SQL et de cloud. Ils coûtent entre 7 000 et 10 000 euros.
• Les nanodegrees (Udacity) : plus techniques et plus chers. Ils couvrent des sujets comme la data modeling ou la data lakes. Ils sont bien, mais il faut être autonome et prêt à coder dur.
• Les certifications cloud (AWS/GCP) : elles ne sont pas un sésame, mais elles forcent à comprendre les briques cloud. Un bon investissement une fois que vous maîtrisez les bases. Coût : environ 300 euros par examen.
• Les MOOCs (Coursera, edX) : la "Data Engineering with Google Cloud Professional Certificate" est l'une des meilleures. Elle est longue, exigeante, et vous donne un vrai aperçu du métier. Le coût est modique (abonnement mensuel).

Mon avis : commencez par un MOOC sérieux pour valider votre intérêt, puis construisez vos projets. La certification cloud vient en dernier, pour booster le CV.

La stratégie du premier poste#

Votre premier titre ne sera pas "Data Engineer". Visez juste.

• "Data Analyst" qui touche à l'ingénierie. Dans une petite structure, un analyste qui sait automatiser ses rapports et gérer ses propres données est déjà un ingénieur de fait. C'est la porte d'entrée la plus réaliste.
• "Data Engineer Junior" dans une ESN, mais uniquement si la mission est technique. Fuyez les postes de "consultant BI" déguisés.
• "Analytics Engineer" est un nouveau titre qui colle parfaitement à un profil reconverti qui maîtrise SQL, dbt et un peu de Python.

Utilisez nos offres d'emploi en data pour filtrer et trouver ces pépites. Personnalisez votre lettre de motivation avec les mots-clés de l'annonce. Utilisez notre analyseur de CV pour qu'il passe les filtres automatiques.

Checklist des 6 premiers mois#

• Mois 1 : Valider l'envie. Suivre un cours SQL avancé et un cours d'introduction à Python. Passer 2h par jour dessus.
• Mois 2 : Terminer le cours Python. Débuter le projet 1 (le scraper). Apprendre les bases de Git.
• Mois 3 : Approfondir Python (Pandas). Débuter le cours sur le Cloud (AWS ou GCP). Finaliser le projet 1.
• Mois 4 : Commencer le projet 2 (dbt). Suivre un cours sur Airflow. Mettre à jour son profil LinkedIn.
• Mois 5 : Finaliser le projet 2. Commencer le projet 3. Passer la certification Cloud (si budget).
• Mois 6 : Finaliser le projet 3. Rédiger des README clairs pour chaque projet. Postuler à 10 offres par jour.

Outils gratuits#

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

Questions fréquentes#

Faut-il un diplôme d'ingénieur pour devenir data engineer ?

Non. Un diplôme en informatique ou en maths aide à décrocher un premier entretien, surtout dans les grandes entreprises. Mais un portfolio solide sur GitHub et une bonne maîtrise de SQL et Python peuvent compenser l'absence de diplôme, en particulier dans les startups.

Combien de temps pour être opérationnel ?

En partant de zéro en code, il faut compter entre 6 et 9 mois de travail sérieux, à raison de 15 à 20 heures par semaine. C'est un marathon, pas un sprint. Les reconversions rapides en 3 mois sont possibles mais rares et très éprouvantes.

Quel est le salaire d'un data engineer junior en france ?

Les fourchettes varient selon la ville et l'entreprise. À Paris, on observe souvent entre 38 000 et 45 000 euros brut annuels pour un premier poste. En province, c'est plutôt entre 32 000 et 40 000 euros. Vérifiez les chiffres sur des sites comme Glassdoor ou Levels.fyi.

Python ou java pour commencer ?

Python. Il est plus facile à apprendre, plus polyvalent pour la data, et beaucoup d'entreprises l'utilisent pour leurs pipelines. Java est plus courant dans les très grosses structures avec des systèmes legacy. Vous pourrez toujours l'apprendre plus tard si besoin.

Les ESN sont-elles une bonne porte d'entrée ?

Ça dépend. Certaines ESN proposent de vraies missions techniques et forment leurs consultants. D'autres vous placeront en mission de "nettoyage de données Excel" en vous faisant miroiter un poste d'ingénieur. Posez des questions précises sur la mission technique, les outils utilisés et le client final avant d'accepter.