Reconversion Data Analyst Depuis Zéro 2026

Tu veux te reconvertir en data analyst, mais là, tout de suite, tu as peut-être l’impression d’arriver trop tard. Tu vois passer des offres avec Python, SQL, Power BI, “3 ans d’expérience”, et tu te demandes si une personne qui part de zéro a encore une vraie chance en 2026.

Bonne nouvelle, oui, c’est possible. Mauvaise nouvelle, ce n’est pas magique. Si tu veux passer de “je regarde des vidéos YouTube le soir” à “j’ai un CV crédible pour postuler”, il va falloir une stratégie simple, régulière, et surtout orientée emploi.

Dans cet article, on va parler concret : compétences à apprendre, ordre d’apprentissage, projets à mettre dans ton portfolio, salaires réalistes, erreurs à éviter, et comment te vendre même sans expérience data.

Reconversion Data Analyst Depuis Zéro 2026 : pourquoi ce métier attire autant#

Le métier de data analyst plaît parce qu’il coche beaucoup de cases.

Tu travailles avec des données, tu aides une entreprise à prendre de meilleures décisions, tu peux évoluer vers des postes bien payés, et tu n’as pas forcément besoin d’un diplôme d’ingénieur pour commencer.

En 2026, les entreprises continuent de recruter des profils data, mais elles sont plus sélectives. Elles ne cherchent pas juste quelqu’un qui a suivi une formation en ligne. Elles veulent une personne capable de comprendre un problème business, nettoyer des données, produire une analyse claire, et expliquer les résultats simplement.

Un data analyst peut travailler chez :

• TotalEnergies, pour analyser la consommation, la production, les coûts ou les données industrielles.
• BNP Paribas, pour suivre les risques, les clients, les ventes ou la fraude.
• L’Oréal, pour analyser les ventes, les campagnes marketing ou les stocks.
• Doctolib, pour suivre l’usage produit, les rendez-vous, les parcours utilisateurs.
• BlaBlaCar, pour comprendre les trajets, les prix, la demande.
• Back Market, pour analyser les ventes, la qualité des vendeurs, les retours clients.
• Ledger, pour travailler sur des données produit, croissance ou support.

Et ce n’est pas réservé aux grosses boîtes. Les PME, startups, cabinets de conseil, agences marketing et acteurs e-commerce cherchent aussi des personnes capables de transformer des tableaux bordéliques en décisions utiles.

C’est quoi exactement un data analyst ?#

Un data analyst prend des données et les transforme en réponses.

Pas en jolies courbes juste pour faire joli. En réponses utilisables.

Exemples :

• Pourquoi les ventes ont baissé en mars ?
• Quel canal marketing rapporte le plus de clients rentables ?
• Quels produits sont souvent retournés ?
• Quelles villes ont le plus fort potentiel ?
• Où perd-on des utilisateurs dans l’application ?
• Quels clients risquent de partir ?

Dans une journée type, tu peux faire plusieurs choses :

1. Récupérer des données depuis une base SQL, un fichier Excel, un outil CRM ou un outil analytics.
2. Nettoyer les données, supprimer les doublons, gérer les valeurs manquantes.
3. Analyser les tendances, comparer des périodes, créer des segments.
4. Construire un dashboard avec Power BI, Tableau ou Looker Studio.
5. Présenter les conclusions à une équipe marketing, produit, finance ou commerciale.
6. Proposer des actions simples à partir des chiffres.

Le meilleur data analyst n’est pas forcément celui qui connaît le plus de langages. C’est celui qui sait poser les bonnes questions.

Si tu viens du commerce, de la finance, du marketing, des RH, de la logistique ou du support client, tu as déjà un avantage : tu comprends les problèmes terrain. Il faut maintenant ajouter la couche technique.

Peut-on devenir data analyst sans diplôme en 2026 ?#

Oui, mais il faut être malin.

Un diplôme en data, statistiques ou informatique aide clairement. Mais beaucoup de recruteurs acceptent des profils en reconversion si le dossier est solide.

Ton dossier doit montrer trois choses :

• Tu sais manipuler des données.
• Tu sais créer des analyses lisibles.
• Tu comprends les enjeux business.

Si tu n’as pas de diplôme data, tu compenses avec :

• Un portfolio propre.
• Des projets réalistes.
• Un CV orienté résultats.
• Des compétences techniques visibles.
• Une bonne explication de ta reconversion.
• Des candidatures ciblées.

Le piège, c’est de croire qu’un certificat suffit. “Formation Data Analyst terminée” sur un CV, tout seul, ça ne pèse pas lourd. En revanche, “Analyse des ventes e-commerce sur 50 000 lignes, dashboard Power BI, recommandations business”, là tu commences à devenir intéressant.

Les recruteurs veulent voir ce que tu sais faire, pas seulement ce que tu as regardé.

Les compétences à apprendre dans le bon ordre#

Si tu pars de zéro, ne fais pas l’erreur de vouloir tout apprendre en même temps.

Tu vas voir des gens parler de Python, SQL, machine learning, cloud, BigQuery, dbt, Airflow, R, Tableau, Power BI, statistiques avancées. Respire.

Pour décrocher un premier poste de data analyst junior, tu dois d’abord maîtriser les bases qui reviennent dans les offres.

1. Excel ou Google Sheets

Oui, Excel est encore partout.

Même chez BNP, L’Oréal ou TotalEnergies, tu trouveras des équipes qui utilisent Excel tous les jours. Et dans les petites structures, c’est parfois l’outil principal.

Tu dois savoir faire :

• Tableaux croisés dynamiques.
• Recherche X, INDEX EQUIV.
• Nettoyage de données.
• Formules conditionnelles.
• Graphiques simples.
• Segmentation.
• Analyse de tendances.

Ne méprise pas Excel. Un bon niveau Excel peut déjà te faire passer devant des candidats qui connaissent Python mais ne savent pas répondre à une question business simple.

2. SQL

SQL est probablement la compétence la plus importante pour un data analyst.

Pourquoi ? Parce que les données des entreprises sont souvent dans des bases. Tu dois savoir les interroger.

Tu dois apprendre :

• SELECT, WHERE, ORDER BY.
• GROUP BY, HAVING.
• JOIN.
• CASE WHEN.
• Fonctions de dates.
• Sous-requêtes.
• CTE.
• Fonctions de fenêtre, au moins les bases.

Un recruteur peut te tester sur SQL très vite. Si tu postules chez Doctolib, BlaBlaCar ou Back Market, attends-toi à avoir au minimum un exercice SQL.

Objectif réaliste : être capable de répondre à des questions comme :

• Nombre de clients actifs par mois.
• Taux de conversion par canal.
• Panier moyen par catégorie.
• Top 10 produits par marge.
• Rétention des utilisateurs après 30 jours.

3. Power BI ou Tableau

Tu n’as pas besoin de maîtriser tous les outils de dataviz. Choisis-en un.

En France, Power BI est très demandé, surtout dans les grandes entreprises et les équipes finance, supply, commerce. Tableau est aussi présent, souvent dans les boîtes tech ou les équipes plus orientées analytics.

Avec Power BI, apprends :

• Importer des données.
• Créer un modèle simple.
• Faire des relations entre tables.
• Construire des visuels propres.
• Utiliser DAX pour les mesures de base.
• Créer des filtres utiles.
• Raconter une histoire avec un dashboard.

Un dashboard ne doit pas être un sapin de Noël. Il doit répondre à une question.

4. Python, utile mais pas toujours obligatoire au début

Python est un gros plus, surtout si tu vises des entreprises tech, des équipes data plus matures ou une évolution vers data scientist.

Mais pour un premier poste, SQL + Excel + Power BI peuvent suffire dans beaucoup de cas.

Si tu apprends Python, concentre-toi sur :

• pandas.
• numpy.
• matplotlib ou seaborn.
• Jupyter Notebook.
• Import de fichiers CSV.
• Nettoyage de données.
• Agrégations.
• Visualisations simples.

Ne perds pas trois mois à apprendre des algorithmes de machine learning si tu ne sais pas encore faire une jointure SQL propre.

5. Statistiques de base

Pas besoin d’être statisticien pour commencer, mais tu dois comprendre :

• Moyenne, médiane, écart-type.
• Corrélation.
• Distribution.
• Échantillon.
• Biais.
• Taux de conversion.
• Taux de rétention.
• Tests A/B, au moins le principe.

La statistique sert à éviter les conclusions bizarres. Par exemple, ne pas dire “ce produit cartonne” si tu n’as que 12 ventes.

Plan de reconversion data analyst en 6 mois#

Tu peux te reconvertir en 6 mois si tu es régulier. Pas forcément décrocher le job exact de tes rêves en 6 mois, mais devenir crédible, oui.

Si tu as un emploi à côté, vise 8 à 12 heures par semaine. Si tu es à temps plein sur ta reconversion, tu peux accélérer.

Mois 1 : comprendre le métier et reprendre Excel

Objectif : arrêter de fantasmer le métier, commencer à manipuler.

À faire :

1. Lire 20 offres de data analyst junior en France.
2. Noter les compétences qui reviennent.
3. Reprendre Excel ou Google Sheets sérieusement.
4. Faire 3 mini-analyses avec des jeux de données simples.
5. Apprendre à présenter une conclusion en 5 lignes.

Exemple de mini-projet :

Tu prends un fichier de ventes e-commerce avec date, produit, catégorie, prix, quantité, région. Tu réponds à :

• Quelle catégorie vend le plus ?
• Quel mois est le plus fort ?
• Quelle région a le panier moyen le plus élevé ?
• Quels produits tirent les ventes ?

Puis tu écris une synthèse :

“Les ventes sont portées par la catégorie accessoires, qui représente 38 % du chiffre d’affaires. La région Île-de-France a le panier moyen le plus élevé à 74 €. Recommandation : renforcer les campagnes accessoires en mars et avril, où la demande accélère.”

Ça, c’est déjà plus pro que “j’ai fait un tableau croisé dynamique”.

Mois 2 : apprendre SQL à fond

Objectif : être à l’aise sur les requêtes classiques.

À faire :

• Pratiquer SQL tous les jours ou presque.
• Résoudre des exercices sur des bases clients, commandes, produits.
• Comprendre les jointures sans paniquer.
• Créer un petit projet SQL documenté.

Projet possible :

Analyse d’une base de commandes type marketplace.

Questions :

• Combien de commandes par mois ?
• Quel est le chiffre d’affaires mensuel ?
• Quels vendeurs génèrent le plus de ventes ?
• Quel taux de clients repassent commande ?
• Quelles catégories ont le plus de retours ?

Tu mets tes requêtes dans un fichier propre, avec un petit README sur GitHub. Même si ce n’est pas parfait, ça montre ton sérieux.

Mois 3 : Power BI et dashboards

Objectif : créer un dashboard consultable et propre.

À faire :

• Apprendre les bases de Power BI.
• Importer des données.
• Créer des mesures.
• Construire 2 dashboards.
• Travailler le design simple : peu de couleurs, titres clairs, filtres utiles.

Projet possible :

Dashboard “performance commerciale” inspiré d’une entreprise comme L’Oréal ou Back Market.

Pages possibles :

1. Vue générale : chiffre d’affaires, commandes, panier moyen, évolution mensuelle.
2. Produits : top catégories, produits en baisse, taux de retour.
3. Clients : nouveaux clients, clients récurrents, segmentation.
4. Recommandations : 3 actions proposées.

Le recruteur doit comprendre en 30 secondes ce que tu as analysé.

Mois 4 : Python et analyse plus poussée

Objectif : ajouter une compétence différenciante.

À faire :

• Apprendre pandas.
• Nettoyer un dataset.
• Faire des groupby.
• Créer des graphiques simples.
• Écrire un notebook lisible.

Projet possible :

Analyse des avis clients d’une plateforme type BlaBlaCar ou Doctolib.

Tu peux analyser :

• Note moyenne par ville.
• Évolution des avis dans le temps.
• Mots fréquents dans les avis.
• Corrélation entre délai de réponse et note.
• Problèmes récurrents.

Même une analyse simple peut être forte si elle est bien expliquée.

Mois 5 : portfolio et CV

Objectif : transformer tes apprentissages en preuves.

Ton portfolio doit contenir 3 projets maximum au début. Pas besoin d’en mettre 12.

Choisis :

1. Un projet SQL.
2. Un dashboard Power BI.
3. Un projet Python ou Excel business.

Pour chaque projet, indique :

• Le problème business.
• Les données utilisées.
• Les outils.
• Les étapes.
• Les résultats.
• Les recommandations.

Exemple :

“J’ai analysé 100 000 transactions e-commerce pour identifier les catégories les plus rentables. Résultat : 22 % des produits généraient 61 % de la marge. J’ai recommandé de réduire la visibilité des produits à faible marge et de renforcer les bundles sur les catégories les plus rentables.”

Tu vois la différence ? On ne parle pas juste d’outil. On parle de décision.

Mois 6 : candidatures, réseau et entretiens

Objectif : postuler intelligemment.

Tu dois viser :

• Data analyst junior.
• Business analyst junior.
• Analyste reporting.
• Chargé d’études data.
• Analyste CRM junior.
• Product data analyst junior.
• Marketing analyst junior.
• Revenue analyst junior.
• Sales operations analyst.

Ne te limite pas au titre exact “Data Analyst”. Beaucoup de premiers postes data se cachent derrière d’autres noms.

Chaque semaine :

• 10 candidatures ciblées.
• 5 messages LinkedIn.
• 2 améliorations portfolio.
• 2 sessions SQL.
• 1 simulation d’entretien.

Message LinkedIn simple :

“Bonjour Claire, je me reconvertis vers l’analyse data après une expérience en marketing. J’ai vu que vous travaillez chez Back Market sur des sujets analytics. Je serais ravi d’avoir 10 minutes pour comprendre les compétences vraiment utiles en poste junior. Merci beaucoup.”

Pas besoin d’écrire un roman. Sois poli, précis, humain.

Quels salaires pour un data analyst junior en France en 2026 ?#

Les salaires varient beaucoup selon la ville, l’entreprise, le secteur et ton expérience précédente.

En ordre d’idée :

• Data analyst junior à Paris : 38k à 45k € brut par an.
• Data analyst junior en région : 32k à 40k € brut par an.
• Business analyst junior : 35k à 45k €.
• Analyste reporting : 32k à 42k €.
• Product data analyst junior : 40k à 50k €.
• Data analyst avec 3 à 5 ans d’expérience : 50k à 65k €.
• Senior data analyst dans une boîte tech : 60k à 75k €.
• Analytics engineer ou lead data analyst : 65k à 85k €.

Chez une grande entreprise comme BNP Paribas, TotalEnergies ou L’Oréal, tu peux avoir une rémunération correcte, un cadre structuré, des avantages, mais parfois des process plus longs.

Chez Doctolib, BlaBlaCar, Back Market ou Ledger, les attentes techniques peuvent être plus élevées, surtout sur SQL, produit, tracking et expérimentation. Mais la progression peut être rapide si tu apprends vite.

Si tu viens déjà d’un métier proche, par exemple finance, contrôle de gestion, marketing digital, CRM, supply chain, tu peux négocier mieux. Tu n’es pas “débutant total”, tu es débutant en data avec une expertise métier.

Les meilleurs profils de départ pour une reconversion data#

Tu peux venir de presque partout, mais certaines expériences se connectent très bien au métier.

Si tu viens du marketing

Tu as déjà vu des KPIs, des campagnes, des taux de conversion, du trafic, des coûts d’acquisition.

Tu peux viser :

• Marketing data analyst.
• CRM analyst.
• Growth analyst.
• Web analyst.

Mets en avant :

• Analyse de campagnes.
• Google Analytics.
• Reporting.
• Segmentation client.
• A/B testing si tu en as fait.

Si tu viens de la finance ou comptabilité

Tu as l’habitude des chiffres, des écarts, des budgets, des tableaux.

Tu peux viser :

• Business analyst.
• Financial data analyst.
• Revenue analyst.
• Analyste reporting.

Mets en avant :

• Excel avancé.
• Contrôle budgétaire.
• Fiabilité des données.
• Analyse mensuelle.
• Automatisation de reportings.

Si tu viens du commerce

Tu connais les ventes, les clients, les objectifs, le terrain.

Tu peux viser :

• Sales operations analyst.
• Revenue operations analyst.
• Analyste performance commerciale.
• CRM analyst.

Mets en avant :

• Suivi du pipeline.
• Taux de transformation.
• Objectifs commerciaux.
• Analyse de portefeuille client.
• Prévisions de ventes.

Si tu viens des RH

Tu peux aller vers la people analytics.

Tu peux analyser :

• Turnover.
• Recrutement.
• Temps de recrutement.
• Formation.
• Engagement.
• Absentéisme.

Les RH data se développent, surtout dans les grandes entreprises.

Si tu viens de la logistique ou supply chain

Très bon point de départ.

Tu peux analyser :

• Stocks.
• Délais.
• Ruptures.
• Prévisions.
• Coûts de transport.
• Performance fournisseurs.

Des entreprises comme L’Oréal, TotalEnergies ou de gros acteurs retail ont besoin de profils qui comprennent ces sujets.

Les erreurs qui bloquent une reconversion data analyst#

Tu peux perdre beaucoup de temps si tu pars dans tous les sens. Voici les pièges classiques.

Erreur 1 : apprendre trop d’outils sans projet

Tu peux suivre 200 heures de cours et ne rien avoir à montrer.

Un recruteur ne veut pas seulement savoir que tu connais pandas. Il veut voir ce que tu as fait avec.

Règle simple : chaque compétence apprise doit finir dans un projet.

Erreur 2 : faire des projets trop scolaires

Les projets type Titanic, Iris, météo, Pokémon, c’est bien pour apprendre. Mais pour postuler, ce n’est pas suffisant.

Fais des projets proches du business :

• Ventes e-commerce.
• Rétention client.
• Performance marketing.
• Analyse produit.
• Fraude simple.
• Stocks.
• Satisfaction client.
• Revenus par segment.

Si tu veux bosser chez Back Market, fais une analyse marketplace. Si tu veux Doctolib, fais un projet santé ou rendez-vous. Si tu veux BNP, fais une analyse risque client ou transactions. Sans copier des données privées, bien sûr.

Erreur 3 : ignorer la communication

Un data analyst qui ne sait pas expliquer son analyse devient vite inutile.

Tu dois apprendre à dire :

• “Voici le problème.”
• “Voici ce que montrent les données.”
• “Voici les limites.”
• “Voici ce que je recommande.”

Évite les phrases floues comme “on constate une évolution intéressante”. Dis plutôt :

“Le taux de conversion mobile baisse de 18 % depuis février, alors que le trafic mobile augmente. Le problème semble venir du tunnel de paiement, où le taux d’abandon est passé de 42 % à 57 %.”

Là, tu parles comme quelqu’un qu’on peut embaucher.

Erreur 4 : attendre d’être prêt à 100 %

Tu ne seras jamais prêt à 100 %.

Tu dois commencer à postuler quand :

• Tu sais faire des requêtes SQL avec jointures.
• Tu as au moins 2 projets montrables.
• Tu sais expliquer ton parcours.
• Ton CV est clair.
• Tu peux répondre aux questions de base en entretien.

Tu vas progresser aussi grâce aux refus. Oui, c’est frustrant. Mais chaque entretien te montre ce qu’il manque.

Erreur 5 : envoyer le même CV partout

Un CV générique finit souvent dans la pile “non”.

Adapte ton CV selon le poste :

• Pour un poste marketing analyst, mets tes projets marketing en haut.
• Pour un poste business analyst, insiste sur reporting, KPI, Excel, Power BI.
• Pour un poste product data analyst, insiste sur parcours utilisateur, rétention, funnel.
• Pour un poste finance data, insiste sur fiabilité, contrôles, analyse d’écarts.

Les ATS, les logiciels qui filtrent les CV, repèrent les mots-clés. Si l’offre dit SQL, Power BI, dashboard, KPI, reporting, analyse commerciale, ces mots doivent apparaître naturellement dans ton CV si tu les maîtrises.

Comment construire un CV data analyst quand tu pars de zéro#

Ton CV doit rassurer.

Le recruteur doit comprendre rapidement :

1. Qui tu es.
2. Ce que tu sais faire.
3. Pourquoi ta reconversion tient debout.
4. Quels projets prouvent tes compétences.

Accroche CV

Évite :

“Motivé, dynamique, passionné par la data.”

Tout le monde écrit ça.

Préférable :

“Profil en reconversion vers l’analyse data après 4 ans en marketing digital. Compétences en SQL, Power BI, Excel avancé et analyse de campagnes. Portfolio incluant un dashboard de performance e-commerce et une analyse de rétention client.”

C’est clair, précis, crédible.

Compétences

Organise-les bien :

• Analyse : KPI, reporting, segmentation, analyse de cohortes, taux de conversion.
• Outils : SQL, Power BI, Excel, Python pandas.
• Data visualisation : dashboards, storytelling, dataviz.
• Business : marketing, finance, commerce, supply, selon ton passé.

Ne mets pas “Python expert” si tu as fait trois notebooks. Sois honnête.

Projets

C’est la partie la plus importante si tu n’as pas encore d’expérience data.

Format simple :

Dashboard Power BI, analyse e-commerce

• Analyse de 80 000 commandes avec CA, marge, panier moyen et retours.
• Création d’un dashboard Power BI avec filtres par catégorie, mois et région.
• Identification de 3 catégories responsables de 64 % de la marge.
• Recommandations sur priorisation produit et réduction des retours.

Ça donne envie d’en savoir plus.

Expérience précédente

Ne la cache pas. Traduis-la.

Si tu étais commercial :

• Avant : “Gestion d’un portefeuille clients.”
• Après : “Suivi d’un portefeuille de 120 clients, analyse du taux de transformation et priorisation des opportunités à plus forte valeur.”

Si tu étais chargé marketing :

• Avant : “Gestion de campagnes email.”
• Après : “Analyse des performances de campagnes email, taux d’ouverture, clic, conversion, segmentation des audiences.”

Si tu étais assistant administratif :

• Avant : “Mise à jour de fichiers.”
• Après : “Nettoyage et consolidation de fichiers Excel, suivi d’indicateurs opérationnels, amélioration de la qualité des données.”

Tu vois l’idée. Tu ne mens pas, tu mets en valeur la partie analytique.

Où trouver des données pour tes projets#

Tu n’as pas besoin d’avoir accès aux données de TotalEnergies ou Doctolib pour t’entraîner.

Tu peux utiliser :

• Kaggle.
• data.gouv.fr.
• Google Dataset Search.
• Données publiques de l’INSEE.
• Jeux de données e-commerce open source.
• Données de transports publics.
• Données financières publiques.
• Données générées toi-même avec ChatGPT puis nettoyées.

Le plus important n’est pas que les données soient énormes. Le plus important, c’est que ton analyse réponde à une question réaliste.

Exemples de projets forts :

1. Analyse des retards de trains par région.
2. Dashboard de ventes pour une marque cosmétique inspirée de L’Oréal.
3. Analyse de transactions bancaires fictives inspirée d’un cas BNP.
4. Étude de rétention pour une application de rendez-vous type Doctolib.
5. Analyse de prix et disponibilité sur une marketplace type Back Market.
6. Analyse de trajets et demande par ville type BlaBlaCar.
7. Suivi d’indicateurs énergie avec données publiques, inspiré de TotalEnergies.

Comment réussir les entretiens data analyst junior#

L’entretien data analyst teste souvent trois choses :

• Ton raisonnement.
• Ta technique.
• Ta communication.

Tu peux avoir :

• Questions SQL.
• Cas business.
• Présentation d’un projet.
• Questions sur ton parcours.
• Test Excel ou Power BI.
• Discussion avec un manager métier.

Questions fréquentes

Prépare des réponses à :

• Pourquoi la data ?
• Pourquoi maintenant ?
• Pourquoi notre entreprise ?
• Quel projet data as-tu réalisé ?
• Comment vérifies-tu la qualité des données ?
• Quelle est la différence entre moyenne et médiane ?
• Comment analyser une baisse de chiffre d’affaires ?
• Comment mesurer la performance d’une campagne ?
• Comment construire un dashboard utile ?

Cas business classique

Question :

“Le nombre de commandes baisse de 15 % ce mois-ci. Que fais-tu ?”

Bonne approche :

1. Vérifier si la donnée est fiable.
2. Comparer avec les mois précédents et l’année précédente.
3. Segmenter par canal, produit, région, device, type de client.
4. Regarder si le trafic baisse ou si la conversion baisse.
5. Identifier le moment exact où la baisse commence.
6. Chercher un changement récent : prix, campagne, bug, stock, concurrence.
7. Présenter 2 ou 3 hypothèses avec données à l’appui.

Tu n’as pas besoin d’avoir la réponse parfaite. Tu dois montrer que tu penses clairement.

Faut-il faire une formation payante ?#

Ça dépend de ta situation.

Une formation peut t’aider si tu as besoin :

• D’un cadre.
• D’un rythme.
• De projets guidés.
• De mentors.
• D’un groupe.
• D’aide pour le CV et les entretiens.

Mais fais attention au marketing trop agressif.

Avant de payer, vérifie :

• Les projets réalisés.
• Les avis d’anciens élèves.
• Le niveau SQL réel.
• La place donnée à Power BI ou Tableau.
• L’accompagnement emploi.
• La transparence sur les résultats.
• Le temps de travail demandé.

Tu peux aussi apprendre gratuitement ou presque, avec YouTube, documentation, exercices SQL, datasets publics et beaucoup de discipline.

Le meilleur choix est celui que tu vas vraiment suivre jusqu’au bout.

Ta stratégie de candidature en 2026#

En 2026, le marché n’est pas fermé, mais il récompense les candidats précis.

Ne postule pas à 200 offres au hasard. Tu vas t’épuiser.

Fais plutôt :

1. Choisis 2 ou 3 types de postes.
2. Crée une version de CV pour chaque type.
3. Prépare 3 projets alignés avec ces postes.
4. Fais une liste de 50 entreprises.
5. Contacte des personnes en interne.
6. Postule avec un message court et adapté.
7. Suis tes candidatures dans un tableau.

Ton tableau peut contenir :

• Entreprise.
• Poste.
• Date de candidature.
• Contact.
• Statut.
• Relance.
• Retour reçu.
• Points à améliorer.

Oui, c’est un peu méta : tu utilises une méthode d’analyste pour trouver un job d’analyste.

Conclusion : tu peux devenir data analyst, mais joue sérieux#

Si tu pars de zéro, ton objectif n’est pas de devenir le meilleur data analyst de France en trois mois. Ton objectif est de devenir assez crédible pour décrocher un premier poste, puis apprendre vite sur le terrain.

Concentre-toi sur les bases qui paient vraiment :

• Excel solide.
• SQL propre.
• Power BI ou Tableau.
• Python en bonus.
• Statistiques utiles.
• Projets business.
• Communication claire.
• CV adapté aux offres.

Ta reconversion sera plus simple si tu relies la data à ton ancienne expérience. Un ancien commercial qui comprend les ventes, un ancien marketeur qui comprend les campagnes, une personne finance qui comprend les marges, ce sont des profils intéressants.

Maintenant, ne laisse pas ton CV gâcher tes efforts. Tu peux avoir les compétences, les projets et la motivation, mais si ton CV ne passe pas les filtres ATS, les recruteurs ne le verront même pas.

Teste ton CV gratuitement avec l’outil JobRise et vois ce qui bloque avant d’envoyer tes candidatures : https://jobrise.io/fr/free-ats-checker/