Compétences data analyst 2025 : la liste complète par niveau

Un data analyst compétent en 2025 maîtrise SQL avancé (window functions, CTE), Python de manipulation (Polars ou Pandas), un outil de visualisation (Streamlit ou Power BI), les statistiques descriptives et la communication de résultats à des non-techniques. Les compétences ML et data engineering sont des bonus, pas des prérequis.

Voici la carte complète des compétences — organisée par niveau et par domaine, avec ce que regardent vraiment les recruteurs.

Vue d'ensemble : les 5 domaines de compétences

Domaine	Compétences clés	Poids dans les JD
SQL analytique	Window functions, CTE, optimisation	★★★★★
Python data	Polars/Pandas, manipulation, automatisation	★★★★☆
Visualisation	Streamlit, Plotly, Power BI	★★★☆☆
Statistiques	Descriptives, distributions, tests simples	★★★☆☆
Communication	Storytelling data, slides, présentation	★★★☆☆

Compétences SQL : du basique aux window functions

Le SQL est la compétence #1 — présente dans 95% des offres, elle est souvent l'objet d'un test technique en entretien.

Niveau junior :

• SELECT, WHERE, GROUP BY, ORDER BY, LIMIT
• JOIN (INNER, LEFT) entre 2–3 tables
• Fonctions d'agrégation : COUNT, SUM, AVG, MAX, MIN
• Filtres sur dates, BETWEEN, IN, LIKE

Niveau confirmé :

• Window functions : ROW_NUMBER, RANK, LAG, LEAD, SUM OVER PARTITION BY, AVG OVER
• CTE (Common Table Expressions) avec WITH
• Sous-requêtes corrélées
• CASE WHEN pour les segmentations
• Jointures multi-tables (4+), FULL OUTER JOIN

Niveau senior :

• Optimisation des requêtes (EXPLAIN, index, partitionnement)
• Modélisation dimensionnelle (schéma en étoile, SCD)
• SQL sur des tables de 100M+ lignes
• dbt pour les transformations versionnées

Les window functions sont citées dans 78% des fiches de poste data analyst senior. C'est le seuil invisible entre junior et confirmé. Testez votre niveau maintenant : quiz SQL data analyst.

Pour maîtriser SQL analytique de A à Z : SQL Mastery — 10 modules, 87 exercices sur DuckDB, datasets NYC Taxi (2,4M lignes), Northwind et Chinook.

Compétences Python : manipulation avant tout

Python n'est pas exigé pour tous les postes data analyst — mais les profils qui l'ont sont systématiquement mieux payés et plus employables.

Niveau junior :

• Lire un CSV ou Parquet avec Pandas
• Filtrer, trier, groupby, merge des DataFrames
• Plotly ou Matplotlib pour les graphiques basiques
• Boucles, fonctions, gestion des erreurs

Niveau confirmé :

• Polars : API lazy (.lazy(), .collect()), expressions chaînées, jointures performantes
• Nettoyage avancé : gestion des nulls, doublons, outliers, types
• Automatisation : scripts planifiés, lecture d'APIs REST, envoi d'emails
• Tests basiques sur les pipelines (Pointblank, Pandera)

Niveau senior :

• Optimisation mémoire (chunking, types appropriés)
• Intégration dans des orchestrateurs (Prefect, Airflow)
• Packaging de scripts en CLI ou modules réutilisables
• CI/CD avec GitHub Actions

Ce qui n'est PAS attendu d'un data analyst : PyTorch, TensorFlow, scikit-learn avancé, déploiement de modèles ML. Ces compétences appartiennent au data scientist.

Compétences visualisation et dashboards

Streamlit (profils modernes, startups, équipes tech) :

• Construire un dashboard multi-pages avec filtres
• Gérer le cache (@st.cache_data) et le state (st.session_state)
• Déployer sur Streamlit Community Cloud ou Railway
• Authentification basique pour les apps internes

Power BI (grands groupes, banques, industrie, conseil) :

• Modélisation de données (relations, tables de faits/dimensions)
• DAX pour les mesures calculées
• Publication sur Power BI Service, partage avec les équipes

Plotly / Altair : graphiques interactifs dans des notebooks ou Streamlit.

La compétence différenciante : savoir présenter un graphique à un décideur non-technique. Un bon graphique sans narration ne sert à rien.

Pour maîtriser Streamlit de A à Z : Streamlit Unleashed — architecture, state management, CSS, auth, déploiement Railway.

Compétences statistiques : le minimum requis

Un data analyst n'a pas besoin d'un master en statistiques. Ce qui est attendu :

Indispensables :

• Moyenne, médiane, écart-type, percentiles — et savoir quand utiliser quoi
• Corrélations (Pearson, Spearman) sans les confondre avec des causalités
• Distributions (normale, Poisson, loi binomiale) — comprendre sans démontrer
• Tests A/B simples (t-test, chi-carré) — interpréter un p-value

Utiles (pas toujours requis) :

• Régression linéaire et logistique simples — interpréter les coefficients
• Analyse de cohortes et churn
• Détection d'anomalies par méthodes statistiques (z-score, IQR)

Ce qui appartient au data scientist : statistiques bayésiennes, inférence causale, validation croisée ML, optimisation d'hyperparamètres.

Compétences communication : le différenciateur sous-estimé

Les managers recruteurs citent systématiquement la communication comme la compétence la plus rare — et la plus décisive pour les promotions.

Ce qu'on attend :

• Reformuler une question métier vague en question analytique précise
• Synthétiser 3 heures d'analyse en 3 slides actionnables
• Présenter des résultats à des non-techniques sans jargon
• Documenter ses requêtes SQL et scripts pour la maintenabilité

Ce qui fait la différence :

• Raconter une histoire avec les données (storytelling) — pas juste afficher des chiffres
• Anticiper les objections ("et si c'est une saisonnalité ?")
• Savoir dire "je ne sais pas" et décrire comment trouver la réponse

La matrice de progression : junior → confirmé → senior

Compétence	Junior	Confirmé	Senior
SQL	SELECT + JOIN basiques	Window functions + CTE	Optimisation + dbt
Python	Pandas basique	Polars + automatisation	Pipelines + CI
Visualisation	Graphiques simples	Dashboard interactif	App production déployée
Statistiques	Moyenne / médiane	Tests A/B, corrélations	Cohortes, modèles simples
Communication	Compte-rendu écrit	Présentation décideurs	Influence stratégique
Git	Commits basiques	Pull requests	CI/CD, revues

Compétences les plus recherchées en 2025 (selon les JD)

Analyse des offres LinkedIn France sur 90 jours :

1. SQL — 95% des offres
2. Python — 78% des offres (Pandas/Polars)
3. Power BI ou Tableau — 65% des offres
4. Statistiques descriptives — 52% des offres
5. Excel — 48% des offres (encore présent)
6. Git — 41% des offres
7. Streamlit ou Dash — 28% des offres (en forte hausse)
8. dbt — 18% des offres (profils senior)

Par où commencer ?

Si vous débutez la reconversion : commencez par SQL. C'est la compétence avec le meilleur ratio effort/employabilité, et elle structure votre compréhension des données avant d'apprendre Python.

Parcours recommandé :

1. SQL Mastery — fondation SQL analytique sur DuckDB
2. Python (Polars) + visualisation (Plotly)
3. Streamlit Unleashed — dashboards et apps data
4. Un projet GitHub visible qui combine les trois — les 15 blueprints projets data analyst donnent des problématiques métier réelles avec dataset et stack pour démarrer. Pour le README, le générateur README data analyst produit un README GitHub professionnel + 5 questions d'entretien en 2 minutes.

Pour le parcours complet vers un premier poste : comment devenir data analyst en 2025.

---

FAQ : compétences data analyst 2025

Quelles compétences techniques sont indispensables pour un data analyst ?

SQL avancé (window functions, CTE), Python de manipulation (Polars ou Pandas), un outil de visualisation (Streamlit ou Power BI) et Git. Sans SQL solide, aucun autre outil ne compense.

Faut-il faire du machine learning pour être data analyst ?

Non. Le ML appartient au data scientist. Un DA peut avoir des notions de régression logistique ou de clustering pour des analyses ponctuelles, mais construire et déployer des modèles n'est pas dans sa fiche de poste standard.

Quelle est la compétence la plus sous-estimée par les débutants ?

La communication. Beaucoup de bootcamps forment au code mais pas au storytelling data. Or les managers recrutent systématiquement les profils capables de présenter des insights actionnables à des décideurs non-techniques.

Les compétences Excel comptent-elles encore ?

Oui dans beaucoup d'entreprises, surtout en PME, finance et retail. Un DA qui refuse Excel se coupe de 40–50% des offres. La stratégie gagnante : Excel + SQL + Python, pas Excel ou SQL.

Combien de temps faut-il pour développer ces compétences ?

SQL solide : 2–4 mois. Python opérationnel : 2–3 mois supplémentaires. Streamlit ou Power BI : 1–2 mois. Soit 6 à 12 mois pour un profil junior employable, à raison de 10–15h par semaine de pratique sur des projets réels.