CV data analyst : exemple, compétences et mots-clés

Un data analyst transforme des données brutes en décisions. Votre CV doit refléter exactement ce même raisonnement : il ne suffit pas de lister SQL, Python et Power BI, il faut montrer ce que vos analyses ont permis de décider, d'économiser ou d'améliorer. Les recruteurs lisent beaucoup de CV qui ressemblent à des inventaires d'outils ; ceux qui racontent un résultat métier se détachent immédiatement.

En France, les data analysts travaillent dans des secteurs très variés : banque et assurance, distribution, industrie, santé, énergie, sociétés de conseil, start-up. Les intitulés se recoupent : analyste de données, chargé d'études statistiques, analyste BI, data analyst marketing. Lisez attentivement l'annonce, car un poste de « data analyst » peut être très technique dans une entreprise et surtout orienté reporting dans une autre.

Voici un exemple de CV complet, suivi de conseils précis : comment présenter l'impact de vos analyses, comment parler de vos outils, comment indiquer vos niveaux de langue et quelles informations personnelles éviter.

Modèle de CV : Data analyst

Modèle

Inès Delmas

Data analyst – SQL, Python, Power BI – 4 ans d'expérience

Toulouse (31)

Profil

Data analyst avec quatre ans d'expérience dans la distribution et le e-commerce, je transforme des données commerciales et logistiques en tableaux de bord et en analyses qui guident les décisions des équipes métier. Je maîtrise SQL, Python et Power BI et j'aime expliquer simplement des résultats complexes. Je souhaite rejoindre une équipe data où l'analyse a un impact direct sur la stratégie.

Expérience professionnelle

Data analyst, Distrivalis (distribution spécialisée, fictif)

01/2023 – aujourd'hui

Toulouse (31)

  • Conception de 14 tableaux de bord Power BI pour les directions commerciale et logistique, consultés chaque semaine par une soixantaine de responsables.
  • Analyse des ruptures de stock sur 800 références : identification de trois causes principales et recommandations ayant permis de réduire les ruptures de 18 % sur un semestre.
  • Automatisation en Python et SQL du reporting hebdomadaire, qui occupait auparavant une journée de travail manuel par semaine.
  • Animation d'ateliers mensuels pour former les équipes commerciales à la lecture des indicateurs.

Chargée d'études statistiques, Cabinet Quantéa (conseil, fictif)

09/2021 – 12/2022

Toulouse (31)

  • Réalisation d'enquêtes et d'études quantitatives pour des clients du secteur public et de la santé : construction des questionnaires, redressement et analyse.
  • Production de rapports et de présentations destinés aux directions, avec recommandations hiérarchisées.
  • Mise en place de modèles de régression pour estimer la fréquentation de services, validés par le client.

Stagiaire data analyst, Mobilys Services (transport, fictif)

04/2021 – 08/2021

Bordeaux (33)

  • Nettoyage et structuration de données de billettique, puis création d'un premier tableau de bord de suivi de la fréquentation.

Formation

Master Statistique et science des données, Université de Toulouse (fictif)

2019 – 2021

Parcours Statistique appliquée. Projet de fin d'études sur la prévision de la demande.

Licence Mathématiques appliquées, Université de Bordeaux

2016 – 2019

Compétences

Langages et requêtes: SQL (PostgreSQL, SQL Server), Python (pandas, NumPy), R (notions)

Visualisation: Power BI, Tableau, Excel avancé, Matplotlib

Statistiques: Tests d'hypothèse, Régression, Séries temporelles, Tests A/B

Outils: Git, dbt (notions), Jupyter, Modélisation en étoile

Langues

Français (langue maternelle) · Anglais (C1) · Espagnol (B1)

Certifications

  • Microsoft Certified: Power BI Data Analyst (exemple fictif)

Compétences clés pour Data analyst

SQL avancé

Jointures, fonctions de fenêtrage, requêtes optimisées : c'est la compétence la plus demandée dans les offres de data analyst.

Python ou R pour l'analyse

Nettoyage, exploration et automatisation des traitements avec pandas ou un équivalent.

Visualisation et tableaux de bord

Power BI, Tableau ou Looker Studio : montrez des tableaux de bord réellement utilisés.

Statistiques appliquées

Tests d'hypothèse, régression, tests A/B : appliquez ces notions à des cas concrets, pas seulement en théorie.

Compréhension du métier

Capacité à traduire une question commerciale ou opérationnelle en analyse, puis en recommandation.

Qualité et gouvernance des données

Nettoyage, contrôle de cohérence, documentation, respect du RGPD dans le traitement des données.

Communication des résultats

Restitution orale et écrite à des interlocuteurs non techniques, storytelling des données.

Anglais professionnel

Documentation, outils et échanges avec des équipes internationales.

Mots-clés ATS

Ces termes reviennent le plus souvent dans les offres d'emploi pour ce poste. Reprenez-les là où ils correspondent vraiment à votre parcours :

analyse de donnéesSQLPythonPower BITableautableaux de bordreportingKPI / indicateurs de performancebusiness intelligence (BI)data visualisationstatistiquestests A/Bentrepôt de données (data warehouse)ETLExcel avancéqualité des donnéesRGPDaide à la décisionmodélisation de donnéesdata storytelling

Reformuler vos puces : avant / après

Avant

Création de rapports pour les équipes.

Après

Création de 14 tableaux de bord Power BI pour les directions commerciale et logistique, consultés chaque semaine par une soixantaine de responsables.

Avant

Analyse des données de ventes.

Après

Analyse de 2 ans d'historique de ventes (1,2 million de lignes) pour identifier les produits à faible rotation : recommandation de déréférencement de 90 articles adoptée par la direction.

Avant

Automatisation de tâches répétitives.

Après

Automatisation du reporting hebdomadaire avec Python et SQL, supprimant une journée de saisie manuelle par semaine et les erreurs de copier-coller.

Avant

Réalisation de tests statistiques.

Après

Conception et analyse d'un test A/B sur l'e-mail de relance panier : hausse de 6 points du taux de clic et déploiement de la version gagnante auprès de toute la base.

Avant

Présentation des résultats aux équipes.

Après

Restitution mensuelle des analyses au comité de direction, avec trois recommandations priorisées par impact et effort, dont deux mises en œuvre dans le trimestre.

Montrer l'impact de vos analyses, pas seulement vos outils

Le piège classique du CV de data analyst, c'est la liste d'outils sans histoire. « SQL, Python, Power BI, Excel » : tous les candidats l'écrivent. Ce qui vous distingue, c'est la décision que vos analyses ont rendue possible.

Pour chaque expérience, suivez une logique simple : la question posée, ce que vous avez analysé, la recommandation, le résultat. Par exemple : « Analyse du taux de retour par catégorie de produits ; identification d'un défaut d'emballage sur trois références ; baisse des retours de 12 % après correction. » Même si vous n'avez pas de chiffre définitif, décrivez le périmètre : volume de données, nombre d'utilisateurs, fréquence de consultation.

Organisez le CV en ordre anti-chronologique et gardez trois à cinq puces par poste. Commencez chacune par un verbe d'action : analysé, automatisé, conçu, identifié, recommandé. Les verbes passifs (« participation à », « en charge de ») diluent votre rôle.

Si vous êtes débutant, mettez en avant vos projets : un jeu de données public analysé de bout en bout, un tableau de bord publié, une compétition ou un projet d'école. Indiquez le sujet, la méthode et ce que vous en avez conclu, avec un lien vers le code ou la visualisation si elle est consultable.

Une page ou deux, et les informations personnelles à éviter

En France, la norme est un CV d'une page, et deux pages au maximum pour un profil expérimenté. Un data analyst avec moins de cinq ans d'expérience doit viser une seule page ; sinon, le recruteur ne retrouvera pas facilement l'information essentielle. Au-delà, gardez la première page pour les compétences clés et les expériences récentes.

Côté informations personnelles, limitez-vous à ce qui est utile : prénom et nom, ville, téléphone, email professionnel, LinkedIn et éventuellement un lien vers un portfolio de visualisations. Ne mentionnez ni votre âge, ni votre date de naissance, ni votre situation familiale, ni votre nationalité. Ces éléments n'ont aucun rôle dans l'évaluation de vos compétences et peuvent exposer à des biais. L'adresse postale complète est inutile ; la ville suffit.

La photo est facultative. Dans les métiers de la donnée, beaucoup de candidats n'en mettent pas, ce qui est tout à fait accepté. Si vous la gardez, choisissez un portrait sobre et récent, et assurez-vous qu'elle ne perturbe pas la lecture du PDF.

Un titre clair en haut du CV, par exemple « Data analyst – SQL, Python, Power BI », permet au recruteur d'identifier votre profil en une seconde.

Indiquer vos niveaux de langue avec le CECRL

L'anglais compte beaucoup dans les métiers de la donnée : documentation, outils, échanges avec des équipes réparties dans plusieurs pays. Évitez les formules floues comme « anglais courant », « bon niveau » ou « notions » : un recruteur ne sait pas ce qu'elles recouvrent. Utilisez plutôt le Cadre européen commun de référence pour les langues (CECRL), qui va de A1 (débutant) à C2 (maîtrise).

Ainsi, B2 correspond à un niveau avancé : vous pouvez travailler en anglais et échanger avec aisance. C1 désigne une autonomie complète dans la plupart des situations professionnelles. Soyez honnête : l'entretien peut se dérouler en partie en anglais, et un niveau surévalué se voit tout de suite.

Si vous avez passé un test (TOEIC, TOEFL, IELTS, Linguaskill), indiquez le score et l'année, de préférence à côté du niveau CECRL. Pour une langue étrangère maîtrisée à l'oral seulement, précisez-le.

Si vous visez un employeur international, préparez aussi une version anglaise du CV : retirez la photo, expliquez vos diplômes français (« Master in Statistics and Data Science ») et reprenez le vocabulaire des annonces en anglais. Gardez des dates et des chiffres identiques dans les deux versions.

CV, lettre de motivation et mots-clés de l'offre

Beaucoup d'annonces de data analyst demandent un CV et une lettre de motivation. Si c'est le cas, rédigez une lettre courte, d'une demi-page environ, qui explique pourquoi ce poste et cette entreprise. Citez un exemple d'analyse précis qui répond aux enjeux de l'employeur, par exemple la logistique, la fidélisation ou la prévision. Évitez de répéter le CV.

Sur le CV lui-même, travaillez le vocabulaire de l'annonce. Les offres de data analyst contiennent souvent des mots-clés comme « reporting », « indicateurs de performance », « tableaux de bord », « data visualisation » ou « aide à la décision ». S'ils correspondent à votre expérience, reprenez-les tels quels dans votre résumé et vos puces. Les logiciels de suivi de candidatures comparent en partie les termes de l'offre à ceux du CV.

Adaptez aussi la liste d'outils : si l'entreprise utilise Tableau plutôt que Power BI, mettez Tableau en premier si vous le connaissez, et mentionnez l'autre comme compétence proche.

Si vous envoyez beaucoup de candidatures, un outil d'IA peut vous aider à adapter la rédaction du CV à chaque offre d'emploi. Vérifiez toujours chaque phrase pour qu'elle reste vraie et que vous puissiez la défendre en entretien.

Faut-il une rubrique « centres d'intérêt » ?

Cette rubrique est facultative, et pour un data analyst elle ne pèse pas beaucoup dans la décision. Elle devient utile quand elle donne un indice de personnalité ou de curiosité en lien avec le poste. Si votre CV est complet, supprimez-la plutôt que de réduire les marges.

Si vous la gardez, restez factuel et spécifique : « participation à des compétitions de data science », « contribution à un projet de données ouvertes d'une collectivité », « football en club (capitaine) », « bénévolat dans une association d'aide aux devoirs ». Ces éléments donnent un sujet de conversation et laissent voir votre engagement. À l'inverse, « cinéma, voyages, musique » n'apprend rien au recruteur.

Évitez les centres d'intérêt qui pourraient susciter des préjugés, notamment les engagements politiques ou religieux. Ne mentionnez pas non plus d'activités que vous ne pourriez pas soutenir en entretien : on vous posera la question.

Si vous avez peu d'expérience, cette section peut aussi accueillir vos projets personnels liés à la donnée : analyses publiées, tableaux de bord construits sur des données publiques, articles de blog. Dans ce cas, intitulez-la plutôt « Projets » pour mieux valoriser le contenu.

Erreurs fréquentes

  • Énumérer les outils sans montrer d'analyse, de décision ou de résultat qui en découle.

  • Utiliser des termes vagues comme « reporting » ou « analyses diverses » sans préciser le périmètre, la fréquence ou les utilisateurs.

  • Noter ses compétences avec des étoiles ou des pourcentages, qui sont arbitraires et peu crédibles.

  • Écrire « anglais courant » sans niveau CECRL ni test, ce qui ne dit rien au recruteur.

  • Mentionner l'âge, la situation familiale ou toute information personnelle inutile à la candidature.

  • Ne pas distinguer data analyst, data scientist et data engineer, et mélanger des compétences qui ne correspondent pas à l'offre.

  • Oublier la dimension RGPD et qualité des données alors que ces sujets sont très présents dans les entreprises françaises.

Questions fréquentes

Quelle différence entre un CV de data analyst et de data scientist ?+

Le data analyst explore les données, construit des indicateurs et des tableaux de bord et formule des recommandations pour les équipes métier. Le data scientist conçoit en plus des modèles prédictifs et d'apprentissage automatique, souvent avec davantage de programmation. Sur votre CV, adaptez l'accent : pour un poste d'analyste, valorisez SQL, visualisation et communication ; pour un poste de data scientist, détaillez les modèles, les méthodes et les outils de mise en production. Reprenez l'intitulé exact de l'annonce.

Quels projets mettre sur un CV de data analyst junior ?+

Choisissez deux ou trois projets complets : une question posée, une source de données identifiée, un nettoyage, une analyse et une conclusion. Des données publiques (open data de collectivités, statistiques nationales) conviennent très bien. Décrivez la méthode, les outils et le résultat, et fournissez un lien vers le code ou un tableau de bord en ligne. Un projet d'école ou de stage compte aussi, à condition de préciser votre rôle et ce que vous avez produit vous-même.

Faut-il joindre une lettre de motivation à un CV de data analyst ?+

Quand l'annonce la demande, oui. Rédigez-la en une demi-page, avec un exemple concret d'analyse qui répond à un enjeu de l'entreprise, et une phrase sur ce qui vous motive dans son secteur. Si elle n'est pas demandée, vous pouvez ajouter un court message d'accompagnement. La lettre ne doit pas redire le CV : elle montre votre compréhension du poste et votre capacité à vous exprimer clairement, ce qui est essentiel pour un analyste.

Dois-je citer toutes les bibliothèques Python que j'utilise ?+

Non. Citez celles qui sont pertinentes pour le poste (pandas, NumPy, Matplotlib ou Plotly, scikit-learn si l'annonce le demande) et regroupez-les sous la mention « Python ». Une liste de quinze bibliothèques paraît artificielle. Le recruteur préfère voir ce que vous avez réalisé avec elles : un traitement automatisé, une analyse exploratoire, un modèle. Les mots-clés de l'annonce vous guident sur ce qu'il faut mettre en avant.

Autres exemples de CV

Votre CV, adapté à l'offre d'emploi

Importez votre CV et l'offre d'emploi. L'IA adapte le contenu et les mots-clés.