Salaire brut annuel par experience
Evolution salariale moyenne sur 5 ans : +25 %
Marche de l'emploi
Repartition des contrats
Repartition H/F : 60 % hommes / 40 % femmes · Age moyen : 30 ans
Regions qui recrutent le plus
Perspectives 2026-2030 : Tres forte croissance (+25 % d'offres)
Description du métier
Le data analyst est chargé de transformer des données brutes en informations utiles et actionnables pour l'entreprise. Son travail commence par la collecte et le nettoyage des données (souvent imparfaites), se poursuit par leur analyse statistique et se conclut par la présentation des résultats sous forme de tableaux de bord, de rapports ou de visualisations compréhensibles par des interlocuteurs non techniques.
On le distingue du data scientist (qui construit des modèles prédictifs complexes avec du machine learning) et du data engineer (qui conçoit les pipelines d'ingestion et de stockage des données). Le data analyst se situe au milieu : il maîtrise les outils techniques mais son orientation est essentiellement tournée vers l'analyse métier (marketing, finance, opérations, RH) et la communication des insights.
En 2026, la data se retrouve au coeur des stratégies de toutes les grandes organisations. Les secteurs les plus recruteurs sont la finance, l'e-commerce, la santé, les télécommunications et le conseil. La demande dépasse largement l'offre de profils qualifiés, ce qui tire les salaires vers le haut.
Missions principales
- Identifier les besoins en données des équipes métier et formuler les questions analytiques pertinentes
- Extraire et préparer les données depuis les bases de données (SQL), les fichiers CSV, les APIs ou les outils CRM
- Nettoyer et transformer les données pour les rendre exploitables (traitement des valeurs manquantes, doublons, outliers)
- Réaliser des analyses statistiques descriptives et exploratoires (distribution, corrélations, tendances)
- Créer des tableaux de bord interactifs dans des outils de visualisation (Tableau, Power BI, Looker, Metabase)
- Rédiger des rapports et des synthèses analytiques pour les équipes dirigeantes
- Présenter les résultats en réunion et formuler des recommandations opérationnelles
- Développer des indicateurs de performance (KPI) et assurer leur suivi régulier
- Collaborer avec les data engineers pour améliorer la qualité et la disponibilité des données
- Veille sur les nouvelles méthodologies d'analyse et les outils émergents
Compétences requises
Compétences techniques
- SQL : indispensable pour interroger les bases de données (PostgreSQL, MySQL, BigQuery, Snowflake)
- Python ou R : pour les analyses avancées, les manipulations de données (pandas, numpy) et les visualisations (matplotlib, seaborn)
- Outils de BI : Tableau, Power BI, Looker, Metabase pour la création de dashboards
- Statistiques : tests d'hypothèse, régression, analyse de cohortes, A/B testing
- Excel / Google Sheets : toujours utilisés dans de nombreuses entreprises pour les analyses ad hoc
- Notions de data engineering : compréhension des entrepôts de données (data warehouse), des pipelines ETL
Soft skills
- Curiosité intellectuelle et esprit critique pour questionner les données et les hypothèses
- Capacité à vulgariser des analyses complexes pour des interlocuteurs non techniques
- Rigueur dans la démarche analytique et la documentation des méthodes utilisées
- Sens du business pour comprendre les enjeux métier derrière les données
- Communication orale et écrite de qualité pour convaincre avec les chiffres
Formation et diplômes
Le data analyst est généralement Bac+5, mais plusieurs parcours mènent à ce métier.
- Master Statistiques et Informatique Décisionnelle (SIAD) ou Master Mathématiques Appliquées : formation universitaire de référence
- Master Data Science : nombreuses universités et écoles d'ingénieurs proposent des Masters orientés data depuis 2018
- École d'ingénieur (Polytechnique, CentraleSupélec, ENSAE, Telecom Paris, INSA) : formation Bac+5 à fort contenu mathématique et informatique
- École de commerce avec spécialisation Business Analytics : HEC, ESSEC, EM Lyon proposent des parcours data pour des profils orientés business
- Licences de mathématiques, économie ou informatique suivies d'un Master Data
- Bootcamps et formations continues : DataScientest, OpenClassrooms (parcours RNCP), Wild Code School permettent une reconversion en 6 à 12 mois, finançables par le CPF. Moins reconnus mais efficaces pour les profils reconvertis avec portfolio démontrable.
- Certifications : Google Data Analytics Certificate, Microsoft DP-900, Tableau Desktop Specialist
Salaire et rémunération
Les data analysts font partie des profils numériques les mieux rémunérés. Les salaires varient selon la spécialité sectorielle (finance et conseil payent davantage que le médico-social) et la localisation (Paris majore de 15 à 25 %).
| Profil | Salaire brut annuel | Salaire net mensuel estimé |
|---|---|---|
| Junior (0 à 2 ans) | 32 000 · 38 000 € | 2 090 · 2 490 € |
| Confirmé (3 à 6 ans) | 39 000 · 48 000 € | 2 550 · 3 140 € |
| Senior (7 ans et plus) | 49 000 · 55 000 € | 3 200 · 3 590 € |
| Lead Analyst / Analytics Manager | 55 000 · 70 000 € | 3 590 · 4 570 € |
| Freelance (TJM 400-700 €) | 80 000 · 140 000 € | variable selon statut |
La convention collective Syntec (IDCC 1486) s'applique dans la plupart des cabinets de conseil et des entreprises de services numériques. Les startups et scale-ups peuvent compléter avec des BSPCE ou des actions gratuites.
Évolution de carrière
- Senior Data Analyst : autonomie accrue, prise en charge de projets analytiques stratégiques
- Analytics Manager : management d'une équipe d'analystes, relation directe avec les C-levels
- Data Scientist : pivot vers la modélisation prédictive et le machine learning (nécessite une montée en compétences en statistiques avancées et Python/R)
- Business Intelligence Manager : responsabilité de la plateforme BI de l'entreprise
- Chief Data Officer (CDO) : direction de la stratégie data d'une organisation, après 10 à 15 ans d'expérience
- Consultant Data : exercice en cabinet de conseil, variété des missions sectorielles
Avantages et inconvénients
Points forts
- Marché de l'emploi très favorable avec une demande structurellement supérieure à l'offre
- Salaires élevés et progression rapide, notamment à Paris et dans les grandes entreprises technologiques
- Télétravail largement répandu dans le secteur
- Impact concret sur les décisions d'entreprise, valorisant et motivant
- Diversité des secteurs : la donnée est présente partout (santé, finance, culture, sport)
Points de vigilance
- Qualité des données souvent décevante sur le terrain (données sales, incomplètes, mal structurées)
- Risque de frustration si les recommandations ne sont pas suivies d'effet par le management
- Veille technologique permanente indispensable (les outils évoluent très vite)
- Profils junior pénalisés par la concurrence accrue depuis l'essor des bootcamps
- Frontières avec le data scientist et le data engineer parfois floues, générant des attentes mal calibrées
Questions fréquentes
Quelle est la différence entre data analyst, data scientist et data engineer ?
Le data analyst analyse les données existantes pour en extraire des insights opérationnels. Le data scientist va plus loin en construisant des modèles prédictifs et des algorithmes de machine learning. Le data engineer construit et maintient les infrastructures de données (pipelines ETL, data lakes, data warehouses). En pratique, les frontières varient selon les entreprises, et un data analyst senior peut se rapprocher du data scientist selon les contextes.
Faut-il savoir coder pour devenir data analyst ?
Oui, dans la grande majorité des cas. SQL est absolument indispensable et doit être maîtrisé parfaitement. Python (avec pandas) est très fortement recommandé pour les analyses plus complexes et les automatisations. R est une alternative acceptée dans certains contextes académiques et de recherche. Les outils no-code comme Tableau ou Power BI permettent de créer des dashboards sans coder, mais ils ne suffisent plus pour les postes exigeants. Un data analyst qui ne code pas est fortement limité dans ses possibilités.
Un bootcamp data est-il suffisant pour trouver un emploi ?
Un bootcamp de qualité (DataScientest, Le Wagon Data, OpenClassrooms) peut permettre d'accéder à des postes juniors, à condition de construire un portfolio de projets solide sur GitHub, de maîtriser réellement SQL et Python, et de cibler des entreprises ouvertes aux profils reconvertis (startups, PME, scale-ups). Les grandes entreprises et les cabinets de conseil restent plus exigeants sur le niveau de diplôme. L'alternance après un bootcamp ou un Master 1 de rattrapage peut aider à légitimer le parcours.
Quels secteurs recrutent le plus de data analysts en France ?
En 2026, les secteurs les plus actifs sont : la finance et l'assurance (modélisation des risques, scoring crédit, fraude), l'e-commerce et le retail (analyse du comportement client, pricing), les télécommunications (churn, usage), la santé et la medtech (données patients, essais cliniques), le conseil en management (cabinet de conseil spécialisés data) et les grandes entreprises technologiques présentes en France. L'Île-de-France concentre environ 50 % des offres, mais Lyon, Bordeaux et Nantes offrent aussi des opportunités croissantes.