Comment rédiger un CV de data analyst qui sera lu

Ce qu'un recruteur cherche en premier

Quelqu'un qui trie des CV de data analyst le fait généralement vite, souvent entre deux réunions, et cherche deux choses avant tout : les outils que vous avez réellement utilisés, et la preuve que vous avez transformé des données en une décision prise par quelqu'un d'autre. Pas « analysé des données pour soutenir les objectifs commerciaux » — cette phrase ne leur dit rien et ils l'ont lue cent fois. Ils veulent SQL, et quelle variante si cela compte pour eux (Postgres, T-SQL, Snowflake). Ils veulent voir Python ou R nommés, pas sous-entendus. Ils veulent un outil de BI — Tableau, Power BI, Looker — car la plupart des postes d'analyste se situent désormais en aval d'un tableau de bord que quelqu'un d'autre doit ouvrir. Si rien de tout cela n'est visible dans le premier tiers de la page, le CV est mis de côté, non pas parce que le candidat manque de compétences mais parce que le lecteur n'avait pas le temps de le découvrir.

La deuxième chose qu'ils recherchent est l'échelle et les enjeux : quelle était la taille du jeu de données, combien de personnes ont utilisé ce que vous avez construit, qu'est-ce qui a changé grâce à cela. Un CV de data analyst qui se lit comme le résumé de recherche d'un data scientist, tout en méthode et sans résultat, a tendance à sous-performer même lorsque le travail sous-jacent était solide.

Le vocabulaire qui doit être là, précisément

Les conseils génériques sur les CV disent « utilisez les mots-clés de l'offre d'emploi ». Pour cette profession, ce conseil a besoin de mordant. Les mots qui séparent réellement un CV d'analyste d'un CV adjacent — data scientist, développeur BI, data engineer — sont des choses comme : jointures SQL et fonctions de fenêtre, ETL ou ELT (et quels outils — dbt, Airflow, SSIS), nettoyage et préparation de données (pandas, ou dplyr si R), tests A/B et conception d'expériences, analyse de cohortes ou d'entonnoirs, tableaux de bord et reporting en libre-service, et l'entrepôt ou la plateforme spécifique (BigQuery, Redshift, Snowflake, Databricks). Si vous utilisez Excel sérieusement — tableaux croisés dynamiques, RECHERCHEV/RECHERCHEX, Power Query — dites-le clairement ; certains employeurs, surtout hors de la tech pure, filtrent encore dessus et le rejeter comme indigne du CV est une erreur.

Évitez le vocabulaire qui appartient à un rôle voisin sauf si vous avez réellement fait ce travail. « Construit et déployé des modèles de machine learning » est une affirmation de data scientist ou d'ingénieur ML ; si ce que vous avez fait était de construire une régression logistique dans un notebook pour alimenter un rapport, dites-le plutôt. Les recruteurs dans ce domaine peuvent généralement faire la différence en une phrase, et une affirmation gonflée coûte plus de crédibilité qu'une affirmation modeste et vraie n'en gagne.

Qualifications et certificats : ce qui a réellement du poids

Il n'y a pas de licence à détenir pour ce métier ni de registre professionnel auquel appartenir — contrairement, disons, à un comptable ou un ingénieur, la légitimité d'un data analyst repose entièrement sur le travail démontré, pas sur les diplômes. Un diplôme dans une matière quantitative (statistiques, économie, mathématiques, informatique) est courant mais pas universel, et beaucoup d'analystes viennent d'autres horizons avec un portfolio à la place. Si vous en avez un, nommez la matière ; « licence » seul ne dit rien au lecteur.

Les certificats sont un territoire disputé. Le Google Data Analytics Certificate, le PL-300 de Microsoft (Power BI), et les certifications spécifiques de fournisseurs de Tableau ou de SQL sont mentionnés dans les offres d'emploi, particulièrement dans les postes moins seniors, et en mettre un sur le CV signale que vous avez couvert un programme défini. Ce qu'ils ne font pas, c'est remplacer le travail montré — aucun recruteur dans ce domaine ne traite un certificat comme équivalent à un tableau de bord qui est encore en production quelque part. Si vous avez peu d'expérience, listez brièvement le certificat et consacrez l'espace économisé à un projet plutôt qu'à une liste de certificats plus longue.

Comment l'expérience est réellement prouvée dans ce domaine

La convention dans cette profession est de prouver l'expérience par des résultats liés à un artefact spécifique — un rapport, un tableau de bord, un modèle, une expérience — et non par une liste de tâches. « Responsable du reporting hebdomadaire des ventes » ne dit rien qu'un recruteur puisse vérifier ou visualiser. « Reconstruit le tableau de bord hebdomadaire des ventes dans Power BI, réduisant le temps de reporting manuel de deux jours à moins d'une heure, adopté par trois équipes régionales » est vérifiable, spécifique, et leur dit ce que vous êtes capable de refaire.

Les chiffres comptent ici plus que dans la plupart des domaines, car toute la discipline consiste à quantifier les choses, donc un CV qui décrit un travail analytique sans un seul chiffre ressemble à une contradiction. Mais le chiffre doit être à vous de le revendiquer — si l'adoption du tableau de bord ou l'augmentation du chiffre d'affaires était un résultat d'équipe, dites « contribué à » honnêtement plutôt que de laisser entendre une propriété unique ; dans un domaine aussi petit, la sur-revendication d'un projet spécifique est souvent vérifiable par un recruteur qui connaît quelqu'un qui était là.

Lorsque des métriques formelles ne sont pas disponibles — beaucoup de travail d'analyse interne n'obtient jamais un chiffre avant/après propre — décrivez la décision alimentée par l'analyse et qui a agi dessus. « L'analyse a été utilisée par l'équipe tarifaire pour ajuster la promotion de mars » est plus faible qu'un pourcentage mais bien plus fort que rien, et c'est honnête sur ce que vous pouvez réellement vérifier.

Un lien vers un portfolio, GitHub, ou quelques captures d'écran de tableaux de bord anonymisés fait plus pour cette profession que pour presque toute autre, car le livrable est visuel et inspectable. Si vous en avez un, mettez le lien en haut, pas enterré en bas sous « références disponibles sur demande ».

Ce que les candidats de ce domaine omettent régulièrement

Trois choses manquent encore et encore sur les CV de data analyst.

Premièrement, le travail de nettoyage et de préparation des données lui-même. Les analystes sautent souvent directement à la découverte car le nettoyage semblait un travail de fond peu glorieux, mais un recruteur sait que la plupart du temps réel d'un analyste est consacré à mettre des données désordonnées, incohérentes ou incomplètes dans un état utilisable, et ils veulent savoir que vous pouvez le faire, pas seulement interroger une table propre. Une ligne comme « consolidé des données de quatre exports CRM déconnectés avec des noms de champs incohérents » leur en dit plus sur votre compétence pratique qu'un autre point de tableau de bord.

Deuxièmement, la communication avec les parties prenantes. Ce rôle se situe entre les données brutes et les personnes qui prennent des décisions sans formation technique, et la capacité d'expliquer une découverte à quelqu'un du marketing ou des opérations sans jargon est une compétence distincte et vérifiable que les candidats mentionnent rarement parce qu'elle ne ressemble pas à de « l'analyse ». Si vous avez présenté des résultats à des parties prenantes non techniques, rédigé un rapport qu'un directeur a réellement lu, ou changé la façon dont une équipe mesurait quelque chose, dites-le directement.

Troisièmement, le contexte du domaine. « Data analyst » couvre des personnes travaillant dans le marketing, la finance, le produit, la santé, la logistique, et plus encore, et les questions commerciales spécifiques que chaque domaine pose sont différentes — attrition et valeur à vie dans une activité d'abonnement, conversion et attribution dans l'e-commerce, sinistres et risques dans l'assurance. Laisser le contexte du domaine hors du CV fait que tous les analystes semblent interchangeables, alors qu'en pratique un recruteur dans la fintech veut généralement voir que vous avez traité des données financières ou transactionnelles auparavant, pas seulement des données en général.

Que faire ensuite

Parcourez votre CV et vérifiez que le premier tiers de la page nomme vos outils principaux par leurs noms réels — SQL, l'outil de BI spécifique, Python ou R — pas une paraphrase de ceux-ci. Puis vérifiez chaque point sous l'expérience : nomme-t-il un artefact (un tableau de bord, un rapport, un modèle, une expérience) et un résultat sur lequel quelqu'un d'autre a agi ? Si un point décrit seulement une activité, réécrivez-le ou supprimez-le. Ajoutez une ligne sur le nettoyage ou la préparation de données si elle manque, et une sur un public non technique auquel vous avez rendu compte, car les deux sont généralement supposés plutôt qu'énoncés. Si vous avez un portfolio ou des échantillons de tableaux de bord, liez-les en haut.

Si vous postulez à plus qu'une poignée de postes et que chacun veut que le CV soit cadré légèrement différemment — différents outils mis en avant, différente expérience de domaine remontée — cette réécriture est là où la plupart des gens manquent de temps avant de manquer de candidatures. jobmarket.pro lit chaque annonce et prépare la candidature à partir d'un profil qu'il ne peut pas inventer d'expérience dedans, ce qui est le problème spécifique que cet article a décrit.