Reconversion From Customer Support Representative to Data Analyst

Vous passez vos journées à répondre à des tickets, et vous voulez devenir data analyst sans repartir de zéro. Bonne nouvelle : une partie de votre métier actuel est déjà du travail de données. Mauvaise nouvelle : une partie ne l'est pas du tout, et c'est là que ça coince.

Ce que votre poste de support vous a déjà appris#

Un analyste passe une grande partie de son temps à poser la bonne question avant de toucher à un tableur. Vous faites ça déjà. Un client écrit "ça ne marche pas", et votre boulot consiste à trouver ce qui ne marche pas vraiment, pour qui, depuis quand.

La lecture de tickets vous a aussi appris quelque chose que beaucoup de candidats juniors n'ont pas : le sens du contexte métier. Vous savez ce que vivent les utilisateurs. Vous connaissez les irritants réels du produit. C'est un atout réel quand il faut choisir quelles métriques suivre.

Autres compétences qui se transfèrent telles quelles :

• Reformuler un problème flou en une question précise
• Rédiger une réponse claire pour quelqu'un qui n'est pas technique
• Gérer un volume élevé de demandes sans perdre la rigueur
• Croiser plusieurs sources d'information (ticket, compte, logs, documentation)
• Repérer les anomalies, parce que vous voyez les mêmes signalements revenir
• Travailler avec des objectifs de délai et de qualité

Gardez ça en tête pour votre CV. Ces points ne sont pas des compétences "soft" floues. Ce sont des tâches d'analyse déguisées.

Ce qu'il faut apprendre à partir de zéro#

La partie technique, il n'y a pas de raccourci. Vous ne l'avez pas pratiquée, et un recruteur le verra en trois questions.

Le socle minimum, par ordre de priorité :

• Excel avancé : tableaux croisés dynamiques, RECHERCHEX, INDEX EQUIV, nettoyage de données
• SQL : SELECT, JOIN, GROUP BY, sous-requêtes, fenêtres analytiques
• Un outil de visualisation : Power BI ou Tableau, un seul au début
• Python de base : pandas pour charger, nettoyer et agréger des données
• Les notions de données : définition d'une métrique, granularité, biais de sélection, qualité des données

Ne vous dispersez pas. Trois outils maîtrisés valent mieux que sept survolés. Et SQL est le filtre n°1 des entretiens juniors, alors commencez par là si vous hésitez.

Ce qui change vraiment dans le quotidien#

En support, on vous pose une question, vous répondez. En analyse de données, on vous pose une question, et souvent vous devez la reformuler avant d'y répondre. Le brief arrive rarement propre.

Autre différence : le temps de production. Une réponse de support se rédactionne en quelques minutes. Une analyse fiable prend des heures, parfois des jours, et on vous demandera de tenir ce rythme sans céder à la facilité.

Enfin, vous allez devoir défendre vos résultats. Pas à des clients, mais à des managers qui ont déjà une idée en tête. Si vos chiffres contredisent leur intuition, il faudra le dire avec des faits et sans agressivité. Votre expérience du conflit en support sert ici.

Trois projets de portfolio qui prouvent votre niveau#

Un portfolio ne doit pas montrer que vous savez cliquer dans un outil. Il doit montrer que vous savez répondre à une question métier. Voici trois projets qui tirent parti de votre passé.

Projet 1 : analyser les motifs de tickets d'une équipe support

Prenez un export de tickets (anonymisé, ou simulez-le avec un jeu de données public sur le support client). Objectif : identifier les cinq motifs de contact qui génèrent le plus de volume et le plus de temps de traitement.

Livrables : un notebook SQL ou Python documenté, un dashboard Power BI, et une note d'une page avec trois recommandations. Le point fort : le recruteur voit que vous comprenez le sujet métier depuis l'intérieur.

Projet 2 : construire un tableau de bord de suivi d'activité

Partez d'un jeu de données public (ventes, abonnements, mobilité). Définissez vous-même cinq indicateurs, justifiez-les par écrit, puis construisez le dashboard. Ajoutez une section "limites de l'analyse" : valeurs manquantes, périodes incomplètes, hypothèses retenues.

Cette partie est celle que les candidats juniors zappent. C'est souvent elle qui fait la différence en entretien, parce qu'elle montre votre esprit critique.

Projet 3 : automatiser un reporting récurrent

Prenez une tâche que vous faisiez à la main en support : un export hebdomadaire, un point de suivi, un rapport de volume. Automatisez-la avec Python (pandas + ouverture/écriture de fichier), et documentez le gain de temps estimé.

Ce projet est votre meilleur argument pour un poste en équipe produit ou en opérations, parce qu'il relie la donnée à un processus réel que vous connaissez.

Publiez les trois sur GitHub avec un README qui répond à quatre questions : le problème, les données, la méthode, la conclusion. Pas de README, pas de projet.

Le calendrier honnête, en étudiant à côté du travail#

En travaillant à temps plein, comptez 9 à 12 mois entre le premier exercice SQL et un poste d'analyste. Si vous pouvez dégager 15 à 20 heures par semaine, comptez plutôt 6 à 9 mois. Ces durées varient selon votre point de départ, votre rythme et le marché local.

Répartition réaliste sur neuf mois :

• Mois 1 à 3 : Excel et SQL, avec des exercices quotidiens courts
• Mois 3 à 5 : Power BI ou Tableau, premier projet de portfolio
• Mois 5 à 7 : Python de base, deuxième et troisième projets
• Mois 7 à 9 : candidatures, entretiens, corrections du portfolio

Les candidatures démarrent avant la fin. Dès le mois 6, postulez. Vous apprendrez plus en trois entretiens ratés qu'en un mois d'exercices supplémentaires.

Si vous êtes en poste actuellement, ne misez pas tout sur "je quitte et j'étudie à plein temps". La fatigue financière se voit dans les entretiens. Gardez votre revenu, étudiez le soir et le week-end, et partez quand une offre arrive.

Rédiger le CV de reconversion sans mentir#

Votre CV ne doit pas raconter votre passé de support. Il doit raconner votre futur d'analyste, avec le support comme preuve. Changez le titre en haut : "Data Analyst junior, spécialisation analyse de données clients". Ensuite, réécrivez vos expériences en mettant en avant les tâches liées aux données.

Exemple concret de reformulation :

Avant : "Répondais aux tickets clients et assurais le suivi des demandes."

Après : "Suivi de 60 à 80 tickets par jour dans Zendesk, catégorisation des motifs de contact et remontée mensuelle des cinq principaux points de friction à l'équipe produit, ayant alimenté deux correctifs."

La version réécrite montre un volume, une méthode, une action et un résultat. Elle ne ment pas. Elle cadre différemment.

Ajoutez une section "Projets" placée avant "Expérience professionnelle" avec vos trois projets, et une section "Outils" qui liste SQL, Power BI, Python, Excel. Passez votre CV dans un outil de vérification de compatibilité ATS pour éviter les problèmes de mise en page avant de postuler. Et si une offre d'emploi vous semble floue, utilisez un outil de lecture d'offres d'emploi pour identifier les compétences réellement demandées.

Stratégie pour décrocher le premier poste#

Le poste de rêve "Data Analyst" à Paris dans une grande marque attire 300 candidatures. Visez plus large et plus près de vous :

• Data Analyst junior en PME ou en ETI, moins de concurrence
• Analyste reporting, analyste opérations, analyste qualité
• Postes hybrides dans des équipes support ou customer success, où votre double culture est un avantage direct
• Missions freelance courtes ou intérim de données pour une première ligne sur le CV

Le poste hybride est votre meilleure porte d'entrée. Une équipe qui vend un logiciel de support client a besoin de quelqu'un qui parle le métier ET la donnée. Vous êtes cette personne.

Répondez même aux offres qui demandent un ou deux ans d'expérience. Dans les faits, beaucoup d'équipes assouplissent ce critère quand le candidat arrive avec un portfolio solide et une compréhension du domaine. Consultez les offres d'emploi data analyst régulièrement et postulez avec une lettre courte qui explique votre angle : je connais déjà votre utilisateur final.

Pour approfondir chaque étape, les guides pratiques sur le blog détaillent la préparation des entretiens techniques et la négociation du premier salaire.

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 reprendre un master pour devenir data analyst ?

Non, pas nécessairement pour un premier poste junior. Un master aide pour des postes senior ou très techniques, mais un portfolio solide, de bonnes bases en SQL et une expérience métier pertinente suffisent dans beaucoup d'entreprises. Vérifiez les offres dans votre région : les exigences varient d'un secteur à l'autre.

Combien de temps faut-il vraiment pour se reconvertir en travaillant à temps plein ?

Comptez généralement 9 à 12 mois avec 10 à 15 heures d'étude par semaine. C'est une fourchette indicative : elle dépend de votre aisance avec les chiffres, de la qualité de votre portfolio et de l'état du marché local. Méfiez-vous des formations qui promettent un poste en trois mois.

Quel salaire viser en premier poste de data analyst ?

Les fourchettes varient fortement selon le pays, la ville et le secteur. En France, les débutants se situent souvent autour de 32 000 à 40 000 euros brut annuels, mais ce sont des ordres de grandeur à confirmer sur les sources officielles et les offres en cours avant toute négociation.

Mon expérience de support est-elle un frein en entretien ?

Elle est un frein seulement si vous la présentez comme un handicap. Présentez-la comme une connaissance du métier et des utilisateurs, et montrez que vous avez comblé la partie technique par des projets concrets. Les recruteurs qui connaissent votre secteur apprécieront cet angle.

Faut-il choisir Power BI ou Tableau pour commencer ?

Choisissez celui qui est le plus demandé dans les offres que vous visez, en regardant les annonces pendant une semaine. Power BI domine souvent dans les entreprises utilisant Microsoft, Tableau reste très présent ailleurs. Un seul outil bien maîtrisé suffit pour un premier poste.