Reconversion From Sales Executive to Data Analyst

Votre carnet d'adresses ne vous servira pas à décrocher un poste de data analyst. Votre obsession du chiffre, si. C'est la première chose à comprendre quand on quitte un job de commercial terrain pour la data : la moitié de ce que vous avez appris se recycle, l'autre moitié s'apprend de zéro, et personne ne vous dira où passe la frontière. Voici la carte.

Ce qui se transfère vraiment du commercial terrain#

Oubliez les discours motivationnels sur les compétences douces. Regardez plutôt ce que vous faites chaque semaine sans y penser.

Vous lisez un CRM tous les jours. Vous filtrez des listes, vous croisez des champs, vous repérez les doublons, vous identifiez les comptes qui glissent. C'est de la manipulation de données, juste sans SQL.

Vous argumentez avec des chiffres. Un bon commercial ne dit pas "votre produit est mieux", il dit "voici ce que vous économisez sur douze mois". C'est exactement ce qu'attend un manager d'une analyse : un chiffre, une conséquence, une décision.

Vous savez reformuler pour votre public. Le directeur financier et le responsable terrain ne reçoivent pas le même message. Ce réflexe de traduction, la plupart des profils techniques le mettent des années à l'acquérir.

Vous connaissez les processus de vente de l'intérieur. Un data analyst qui a déjà porté un quota sait pourquoi le pipeline gonfle en fin de trimestre. Le data analyst formé en école ne le sait pas. C'est votre avantage.

Et vous tenez un objectif sous pression. Le rythme de la data en entreprise est lent comparé au terrain, mais la rigueur d'un commercial qui clôt ses mois, ça se transmet.

Ce qui s'apprend de zéro#

Soyons francs : trois blocs techniques vous manquent, et aucun n'est négociable.

SQL d'abord. Pas du SQL de développeur, du SQL d'analyse : jointures, agrégations, sous-requêtes, fonctions de fenêtre. C'est le premier filtre des recruteurs, avant Excel, avant Power BI.

Excel avancé ensuite. Tableaux croisés dynamiques avec mesures, INDEX-EQUIV, gestion des erreurs, nettoyage de colonnes. Vous pensez connaître Excel. Vous connaissez la partie visible.

Un outil de visualisation. Power BI domine en France dans les ETI et grands comptes, Tableau reste présent dans les startups et les filiales anglo-saxonnes. Choisissez-en un, apprenez-le en profondeur, mentionnez l'autre en connaissance de base.

Le Python d'analyse (pandas, matplotlib) arrive en quatrième position. Utile, pas bloquant pour un premier poste. La statistique descriptive aussi : médiane, écart-type, corrélation, saisonnalité. Rien de théorique, juste de quoi ne pas raconter d'erreurs.

Pour savoir ce qui compte vraiment pour un poste donné, décodez l'offre avec notre outil de lecture d'offre d'emploi : vous verrez apparaître les compétences réellement exigées, pas la liste de vœux pieux du recruteur.

Trois projets de portfolio qui parlent à un recruteur#

Un portfolio de data analyst ne se remplit pas de notebooks sur le Titanic. Il se remplit de cas que votre futur manager a déjà vus. Voici trois projets qui passent la porte.

Projet 1 : l'analyse de pipeline commerciale

Prenez un jeu de données de type CRM (fictif, généré ou public), avec colonnes : compte, étape, montant, date de création, date de clôture, commercial. Calculez le taux de conversion par étape, le cycle de vente médian, la concentration du chiffre sur les dix premiers comptes.

Livrable : un dashboard Power BI de trois pages, plus une note d'une page : "20 % des comptes concentrent 70 % du chiffre, et l'étape 'proposition' perd 60 % des affaires après 45 jours". Ce projet montre que vous parlez le langage de l'entreprise.

Projet 2 : le nettoyage de données commerciales sales

C'est le projet qui différencie un candidat crédible d'un débutant. Prenez un export CRM volontairement sale : doublons, formats de téléphone incohérents, dates à l'américaine, champs vides.

Documentez tout : combien de doublons, quelle règle de dédoublonnage, quel pourcentage de champs manquants, comment vous avez arbitré. Le livrage n'est pas un graphique, c'est un fichier de journalisation et un script SQL ou Python reproductible. C'est ça, le quotidien réel d'un data analyst.

Projet 3 : l'analyse de saisonnalité des ventes

Prenez deux ou trois ans de ventes mensuelles. Isolez la saisonnalité, comparez année N et année N-1, identifiez les mois creux et le mois de pic. Ajoutez une projection simple et, surtout, une phrase de prudence sur la limite de votre modèle.

Livrable : un rapport court, cinq diapositives maximum, écrit pour un directeur commercial. Ce projet prouve que vous savez synthétiser et nuancer, deux qualités qui manquent aux profils purement techniques.

Le calendrier honnête avec un emploi à temps plein#

Un commercial en poste qui étudie le soir : comptez huit à douze mois avant d'être présentable en entretien. Pas trois. Les bootcamps de trois mois supposent que vous étudiez à plein temps, ce qui n'est pas votre cas.

Mois 1 à 3 : SQL et Excel avancé, une heure par jour en semaine, trois heures le samedi. Objectif : écrire une jointure sans réfléchir.

Mois 4 à 6 : Power BI, premier projet de portfolio, et commencez à suivre les offres sur notre page d'offres d'emploi pour repérer les intitulés qui recrutent dans votre région.

Mois 7 à 9 : deuxième et troisième projets, refonte du CV, premières candidatures ciblées. Comptez trente à cinquante candidatures avant les premiers entretiens sérieux.

Mois 10 à 12 : entretiens, ajustements, et souvent le premier poste qui arrive quand on l'attend plus.

Si vous êtes au chômage et que vous pouvez étudier à plein temps, divisez ces durées par deux environ. Si vous avez des enfants en bas âge, ajoutez deux mois. Ce ne sont pas des chiffres de motivation, c'est ce qu'on observe autour de soi.

Rédiger un CV de reconversion sans se saborder#

Le format chronologique classique vous dessert. Utilisez un format fonctionnel léger : un titre clair en haut, une section compétences techniques juste en dessous, puis l'expérience en mettant en avant les réalisations chiffrées.

Un exemple concret. Au lieu de :

"Responsable du développement commercial sur la région Sud-Ouest, gestion d'un portefeuille clients et atteinte des objectifs."

Écrivez :

"Suivi hebdomadaire d'un pipeline de 120 comptes dans Salesforce, construction de tableaux de bord Excel de reporting commercial, analyse des causes d'écart sur un objectif annuel de 1,8 M€, présentation mensuelle au directeur régional."

Même poste, même réalité, mais le recruteur de data voit des données, des tableaux de bord, de l'analyse.

Ajoutez une section "Projets data" juste après les compétences, avec vos trois projets et un lien vers un dépôt public. Ne mentez jamais sur le niveau de SQL : un faux intermédiaire se repère en dix minutes.

Enfin, faites passer votre CV dans notre vérificateur de compatibilité ATS avant d'envoyer quoi que ce soit. La plupart des CV de reconversion échouent sur des détails de format, pas sur le fond.

La stratégie du premier poste#

Visez d'abord les entreprises que vous connaissez : vos anciens clients, vos anciens fournisseurs, les éditeurs de logiciels que vous utilisiez. Un data analyst qui connaît déjà le secteur coûte moins cher en formation.

Les intitulés à cibler en premier : "data analyst junior", "analyste reporting", "chargé d'analyse commerciale", "business analyst junior", "analyste CRM". Le poste de rêve peut attendre deux ans.

Côté rémunération, les fourchettes varient fortement selon la région, la taille d'entreprise et votre niveau technique. Un premier poste de data analyst se situe souvent entre 32 000 et 42 000 euros brut annuels en France, parfois plus en Île-de-France ou dans la banque. Vérifiez les chiffres à jour sur le site de l'Insee ou sur les baromètres officiels avant toute négociation.

Enfin, ne restez pas seul. Le marché bouge vite et les retours d'expérience de terrain valent plus que les conseils génériques : nos articles de blog sur la data reviennent régulièrement sur les pièges des reconversions.

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 des études ou se former en autodidacte ?

Les deux fonctionnent, mais pas pour les mêmes profils. Une formation certifiante aide pour structurer et pour le réseau, l'autodidacte convient si vous êtes déjà à l'aise avec la logique technique et que vous avez du temps.

Est-ce que mon âge sera un frein pour une reconversion en data ?

Un recruteur regardera surtout la qualité de vos projets et votre aisance à expliquer une analyse. La partie "commercial terrain" se vend mieux après 40 ans qu'un CV de junior sorti d'école, à condition de la mettre en avant.

Combien de temps faut-il pour décrocher un premier entretien ?

Avec un CV correct et trois projets solides, les premiers retours arrivent généralement entre le deuxième et le quatrième mois de candidatures actives. En dessous de vingt candidatures ciblées, il est trop tôt pour tirer des conclusions.

Dois-je accepter une baisse de salaire en changeant de métier ?

C'est fréquent, surtout si vous étiez commercial avec une part variable importante. Calculez le salaire fixe réel de votre poste actuel avant de comparer, et gardez en tête que la progression en data est souvent plus régulière.

Le freelance est-il une option pour démarrer ?

Oui, mais pas comme tout de suite après la formation. Les missions freelance demandent une autonomie que les premiers mois ne donnent pas, et le portage salarial ou les missions courtes via votre réseau de commercial restent la porte d'entrée la plus simple.