Se connecter S'inscrire Tableau de bord

Toutes les fiches de poste

France Informatique & systèmes d'information Confirmé·e

Data Analyst

Fiche de poste, salaire, sourcing, 15 questions d'entretien et plan 30/60/90 pour recruter un·e Data Analyst / Analyste de données en PME française.

Compilé par l'équipe Join à partir de données publiques et de notre expérience de recrutement.

Mis à jour

En un coup d'œil

  • Salaire médian 46 000 € 38 000 € – 58 000 €
  • Délai de recrutement 40–70 jours
  • Expérience 2–5 ans

Comment recruter un·e Data Analyst pour votre PME

Avant de rédiger l’annonce, posez-vous trois questions de cadrage. Elles déterminent le profil que vous cherchez réellement et évitent les erreurs courantes en PME, où la fonction data est souvent mal cadrée au démarrage.

Question 1 : Data Analyst, Data Scientist, ou BI Engineer ? Le·la Data Analyst se concentre sur les questions métier : SQL, dashboards, analyses ad-hoc, présentation aux stakeholders. Le·la Data Scientist se concentre sur les modèles statistiques et le machine learning (prédiction, scoring, segmentation par algorithme). Le·la BI Engineer se concentre sur la modélisation et l’industrialisation des couches data (dbt, qualité de la donnée, layered models). En PME early-stage ou en phase de PMF, 95 % des questions data sont du reporting et de l’analyse ad-hoc, pas du ML. Recruter un·e Data Scientist senior à 75 k€ pour produire des dashboards Looker mène à une démotivation rapide et à un retour faible. Commencez par un·e Data Analyst solide ; les autres rôles deviennent pertinents à partir de 5-10 personnes dans l’équipe data.

Question 2 : Quelle est la maturité de votre stack data ? Si vous avez déjà un data warehouse (BigQuery, Snowflake, Redshift) avec dbt installé et un outil BI moderne (Looker, Metabase, Tableau), cherchez un·e profil qui maîtrise cette stack ; il·elle sera productif·ve en 2-3 semaines. Si vous n’avez rien (3 systèmes opérationnels sans warehouse, pas d’instrumentation produit cohérente), cherchez un·e profil qui a déjà été premier·ère hire data dans une PME ou scale-up : il·elle saura cadrer la stack minimale, prioriser, et arbitrer dans le chaos. Un·e profil habitué·e à une équipe data installée échouera en environnement chaotique. Précisez votre maturité de stack dans l’annonce ; vous filtrerez naturellement les profils mal-fittés.

Question 3 : Première hire data ou montée en charge d’une équipe ? En première hire, le·la Data Analyst doit être à la fois technique (SQL solide, à l’aise pour monter une stack minimale) ET très autonome côté métier (capacité à identifier les questions à se poser, à dire non aux demandes inutiles, à présenter à la direction). C’est un profil rare et il faut payer en haut de la fourchette (médiane à p75). En montée en charge dans une équipe data de 3-5 personnes, vous pouvez recruter sur un profil plus spécialisé (par exemple : analyste produit, analyste commercial, analyste finance) à un niveau salarial médian. Cadrez explicitement cette dimension dès l’annonce et en entretien.

Calcul de capacité indicative : un·e Data Analyst couvre 1-2 fonctions métier en autonomie (par exemple : produit + commercial, ou commercial + customer success). Au-delà, ajoutez un·e second·e analyste ou montez une couche Head of Data. Le rôle Head of Data devient pertinent à partir de 3-4 analystes ou 25-30 M€ d’ARR.

Modèle de fiche de poste

Télécharger .docx

Data Analyst (H / F) PME française

Mission. Transformer les données de l’entreprise en décisions métier : conduire les analyses ad-hoc, construire et maintenir les dashboards self-service, accompagner les dirigeant·e·s et opérations dans leur lecture des chiffres. Vous travaillez en partenariat étroit avec la direction (CEO, head of sales, head of product, head of customer success) et collaborez avec l’équipe tech pour les sujets d’instrumentation et d’infrastructure data. Vous reportez au·à la [CEO / Head of Data / Directeur·rice général·e].

Responsabilités.

  • Conduire les analyses ad-hoc demandées par la direction et les opérations : reformulation de la question, écriture des requêtes SQL, présentation des résultats avec recommandation.
  • Construire et maintenir les dashboards self-service sur les métriques clés de l’entreprise (activation, rétention, conversion, MRR, santé commerciale, santé customer success).
  • Identifier de manière proactive 1-2 analyses par trimestre que personne n’a demandées mais qui débloquent une décision métier.
  • Définir et documenter les définitions de métriques clés en partenariat avec les fonctions métier (qu’est-ce qu’un·e client·e actif·ve, comment est calculé le MRR, quel est le funnel d’activation).
  • Améliorer la qualité de la donnée disponible : repérage des incohérences, collaboration avec la tech pour corriger l’instrumentation manquante.
  • Présenter les résultats aux dirigeant·e·s et au Comex en mode conclusion-d’abord : 1-2 phrases actionables, 1-2 graphiques bien choisis, limites explicites, recommandation claire.

Profil recherché.

  • Indispensable : 2 à 5 ans d’expérience en Data Analytics ou en rôle équivalent (analyste métier avec SQL solide, ex-consultant·e en data, ex-product analyst) ; maîtrise opérationnelle du SQL (jointures, fonctions de fenêtre, CTE, sous-requêtes) ; à l’aise sur au moins un outil de visualisation moderne (Looker, Metabase, Tableau, Power BI) ; capacité à présenter une analyse à un·e dirigeant·e non-technique.
  • Apprécié : expérience d’une PME ou scale-up B2B SaaS (autonomie élevée, proximité métier) ; familiarité avec dbt ou équivalent pour la modélisation ; familiarité avec Python pour les analyses qui dépassent les capacités du SQL ; expérience d’une fonction de premier·ère hire data.
  • Disqualifiant : SQL niveau débutant·e (pas de jointures complexes) ; refus de travailler en proximité avec les fonctions métier ; posture exclusivement ML / Data Science sans intérêt pour le reporting et l’analyse ad-hoc.

Conditions.

  • Rémunération brute annuelle : fixe [38-58] k€ selon expérience. Pas de variable structurel ; BSPCE éventuels selon le stade de la société.
  • Modalité : [temps plein, hybride 2-3 jours / semaine sur site, base à [ville] / remote-friendly].
  • Avantages : [mutuelle, tickets resto, RTT, BSPCE, télétravail policy, budget formation et conférences data].
  • Stack et outils data : [à compléter : data warehouse (BigQuery, Snowflake, Redshift), modélisation (dbt), outil BI (Looker, Metabase, Tableau, Power BI), ingestion (Fivetran, Airbyte)].

Fourchette salariale

Salaire fixe annuel brut

25e centile
38 000 €
Médiane
46 000 €
75e centile
58 000 €

Fourchette de référence pour un·e Data Analyst mid-level (2 à 5 ans d'expérience) en PME française B2B SaaS. Île-de-France et scale-up tirent vers le haut (50-65 k€) ; régions et secteurs traditionnels tirent vers le bas (35-42 k€). Stack moderne (SQL, dbt, Looker ou Metabase) tire légèrement vers le haut ; profil orienté Excel / Power BI sans SQL solide tire vers le bas. Le poste n'a quasiment jamais de part variable structurelle en PME française.

Sources: APEC, Baromètre 2025 de la rémunération des cadres ; INSEE, DADS 2024 (PCS 388a et 388b, Ingénieurs et cadres techniques) ; Welcome to the Jungle, Salaire Data Analyst France 2025

Où sourcer ce profil

  1. LinkedIn

    800-1 200 € / mois (Recruiter Lite, sourcing actif)

    Canal principal pour les profils Data Analyst en France. Le sourcing actif (Recruiter Lite + InMails ciblés) est nettement plus efficace que les Job Posts seuls : les bon·ne·s analystes sont rarement en recherche active et ne consultent pas le feed Jobs. Filtrez précisément sur la stack (« SQL + dbt » ou « SQL + Looker / Metabase » vs « data » seul ramène trop de bruit), le secteur (B2B SaaS vs e-commerce vs traditionnel), et la taille d'équipe data passée. Personnalisez le premier message en référant à un projet visible (GitHub, article, dashboard public) ; les messages génériques tombent à 5 % de réponse.

  2. Welcome to the Jungle

    Dès 990 € HT / offre

    Forte audience data scale-up et PME SaaS modernes, surtout à Paris, Lyon, Bordeaux, Nantes. Les candidat·e·s WTTJ valorisent la phase produit (data-driven déjà installé vs à construire), la maturité de la stack data, et la composition de l'équipe (premier·ère hire data vs équipe de 3-5 personnes). Bien adapté si vous décrivez explicitement votre stack et la nature des questions métier qui seront posées. Moins efficace en région ou pour des postes purement BI sur stack legacy (SAP BO, MicroStrategy).

  3. Kaggle, DataFr Slack, communautés data françaises

    Variable ; sponsoring meetup 300-800 € / soirée, présence Slack gratuite

    Niche mais haut signal : Kaggle (profils notebook publics, classements compétitions), le Slack DataFr (5 000+ membres), les Discord data engineering France, et les meetups Paris Data Ladies sont des canaux de niche pour des profils engagés dans le métier. Volume faible mais qualité élevée, surtout pour des profils mid-level qui codent et publient. À combiner avec une présence active de votre équipe data sur ces communautés (talks, articles, sponsoring de meetups) pour rester visible quand un·e candidat·e cherche. Beaucoup moins efficace si vous n'avez pas encore d'équipe data installée à mettre en avant.

Comparer tous les sites de ce marché →

Playbook d'évaluation

Le rôle de Data Analyst se signale à travers cinq stades d'évaluation. L'exercice SQL + jugement métier (stade 4) est le stade le plus prédictif : un·e analyste peut parler de dashboards pendant 2 heures sans révéler s'il·elle sait vraiment formuler une question métier, écrire la requête correcte, et présenter le résultat à un·e non-technique. Faites-le travailler sur un cas concret.

  1. Stade 1: Lecture du CV

    Cherchez la cohérence stack (un·e profil SQL + Python + dbt vs un·e profil Excel + Power BI sans SQL solide est une vraie différence en PME SaaS), la nature des analyses passées (ad-hoc business questions vs reporting récurrent vs ML), et la proximité métier (data-en-équipe-produit vs data-en-cellule-isolée). Discount : titre flou « Data Scientist » avec 80 % de SQL au quotidien, ou « BI Analyst » sans aucun langage de requête. Bonus : un·e profil qui a été premier·ère hire data dans une PME ou scale-up a appris à arbitrer dans le chaos, ce qu'aucune équipe data établie n'apprend.

  2. Stade 2: Phone screen (30 min)

    Trois questions seulement : (1) « Décrivez l'analyse dont vous êtes le·la plus fier·ère ; quelle décision métier a-t-elle débloqué ? », (2) « Quelle analyse avez-vous livrée récemment dont vous doutez encore ? » (humilité et rétrospection), (3) « Pourquoi un changement maintenant ? ». Sortie : go / no-go en 5 min de débrief. Évitez les questions techniques pointues à ce stade ; cherchez la posture business.

  3. Stade 3: Test SQL (45-60 min, async ou live)

    Test SQL borné : 4-6 questions sur un schéma fourni (3-5 tables avec jointures réalistes). Cibler : jointures, agrégations avec groupes, fonctions de fenêtre, sous-requêtes ou CTE, et au moins une question piège (gestion des nulls, doublons, ou granularité incorrecte). Le test doit prendre 45 min à un·e analyste mid-level confirmé·e. Évaluez la lisibilité du SQL autant que le résultat ; un SQL juste mais illisible est un signal d'alerte pour les revues futures.

  4. Stade 4: Mise en situation métier (60-90 min)

    Cas concret tiré de votre produit : « Voici un signal métier (par exemple : le churn a augmenté de 3 points trimestre, ou l'activation des nouveaux comptes a chuté). Comment investiguez-vous, quelles requêtes écrivez-vous, et que présentez-vous à un·e dirigeant·e non-technique en 15 min ? ». Le·la candidat·e prépare 48 h à l'avance, présente 20 min, puis 40-60 min de Q&R avec un·e dirigeant·e produit / commercial et un·e analyste senior. C'est ici que se révèle le jugement métier : segmentation, hypothèses ordonnées, lecture critique de ses propres résultats.

  5. Stade 5: Références (vérification structurée)

    Appelez deux références : un·e ancien·ne supérieur·e direct (head of data, CFO, ou dirigeant·e qui consommait les analyses) et un·e ancien·ne collègue (data engineer, autre analyste, ou stakeholder métier régulier). Posez les mêmes 4 questions : « Sur quoi est-il·elle le·la plus fort·e ? », « Sur quoi recruteriez-vous quelqu'un de complémentaire ? », « Le·la reprendriez-vous demain ? », « Un exemple concret d'analyse qui a changé une décision métier ? ». La 4e question révèle si l'analyste a un vrai impact ou produit juste des dashboards consommés à moitié.

Questions d'entretien structurées

  1. Comportementale Jugement métier

    Décrivez la dernière analyse que vous avez livrée qui a réellement changé une décision métier. Quel était le contexte, quelle a été votre démarche, et quelle décision a été prise ?

    Ce qu'une bonne réponse révèle

    Capacité à articuler un lien causal entre l'analyse et la décision : la question métier de départ, la démarche analytique, le résultat communiqué, et la décision prise. Bonus : la·le candidat·e cite ce qui aurait pu invalider sa conclusion et comment il·elle a contrôlé contre ce risque. Les candidat·e·s qui décrivent uniquement la complexité technique sans rattacher à une décision révèlent une posture d'exécution déconnectée du métier.

  2. Comportementale Jugement statistique

    Parlez-moi d'une fois où votre analyse initiale était fausse ou incomplète. Comment vous en êtes-vous rendu compte et qu'avez-vous fait ?

    Ce qu'une bonne réponse révèle

    Humilité analytique et capacité à se challenger soi-même. Bonus : la·le candidat·e cite la source précise de la découverte de l'erreur (un·e stakeholder qui a remis en cause, une donnée incohérente repérée à froid, une cross-check qui n'a pas tenu). Les candidat·e·s qui répondent « ça ne m'est jamais arrivé » mentent ou n'ont pas livré d'analyses non triviales sur la durée.

  3. Comportementale Communication métier

    Décrivez un cas où vous avez dû dire non à une demande d'analyse d'un·e dirigeant·e ou d'un·e commercial·e. Comment l'avez-vous géré ?

    Ce qu'une bonne réponse révèle

    Capacité à reformuler la demande pour en extraire le vrai besoin avant de refuser. Bonus : la·le candidat·e a proposé une alternative qui répondait au besoin sous-jacent (par exemple : refus de produire un rapport hebdomadaire ad-hoc, proposition d'un dashboard self-service). Les candidat·e·s qui décrivent leur posture comme « toujours servir le client interne » sans nuancer révèlent une faiblesse de cadrage qui produit du bruit analytique.

Comment reconnaître un·e excellent·e Sales Manager

Compétence Sous la barre Au niveau Au-dessus
SQL et outillage Écrit du SQL basique (SELECT, jointures simples) mais bute sur les fonctions de fenêtre, les CTE, ou la gestion fine des nulls. Code peu lisible, sans commentaires, sans CTE pour structurer. Maîtrise un seul outil de visualisation (souvent Excel ou Power BI) sans capacité à transférer. Maîtrise opérationnelle du SQL incluant fonctions de fenêtre, CTE, sous-requêtes ; sait écrire une requête lisible et performante sur un schéma raisonnable. À l'aise sur au moins un outil moderne (Looker, Metabase, Tableau, Power BI). Sait apprendre un nouvel outil en quelques semaines. Référence SQL de l'équipe : écrit du code lisible, modulaire, performant. À l'aise avec dbt ou équivalent pour la modélisation. Capable de basculer sur une nouvelle stack BI en 2-3 semaines. Anticipe les pièges classiques (granularité, doublons, nulls, dimensions à variation lente).
Jugement métier Exécute les demandes sans questionner. Confond livraison d'un rapport et impact métier. Ne sait pas relier une analyse à une décision concrète. Produit beaucoup de dashboards peu consultés. Reformule les demandes pour en extraire le vrai besoin avant d'exécuter. Sait dire non ou proposer une alternative. Articule clairement comment ses analyses ont changé une décision. Maintient peu de dashboards mais des dashboards activement consultés. Partenaire métier de premier ordre : challenge les questions, propose des analyses non demandées qui débloquent des décisions, anticipe les besoins du Comex et des opérations. Référence dans l'entreprise pour la lecture business des indicateurs ; les dirigeant·e·s viennent valider leurs intuitions avec lui·elle.
Communication métier Présente ses analyses en mode académique (méthode → résultats → conclusion). Confond complexité technique et profondeur d'analyse. Mal à l'aise face à un·e dirigeant·e non-technique. Documents longs et denses peu lus. Sait structurer une présentation conclusion-d'abord pour la direction. Choisit 1-2 graphiques bien lisibles plutôt que 10. Explicite les limites de ses analyses. Sait passer de la version 30 min pour le tech à la version 5 min pour le Comex. Communication exécutive de niveau senior : conclusion en une phrase actionable, graphique unique qui parle, limites explicites, recommandation claire. Forme l'équipe à la communication data. Référence dans l'entreprise pour la pédagogie data auprès des non-techniques.
Jugement statistique Confond corrélation et causalité. Présente des moyennes sans regarder les distributions. Ignore les biais de sélection ou de survie. Conclut sur de petits échantillons sans intervalle de confiance. Distingue corrélation et causalité dans son discours. Regarde médianes et quartiles avant de conclure sur une moyenne. Identifie les biais évidents (sélection, attrition). Sait dire « l'échantillon est trop petit pour conclure ». Rigueur statistique sans pédantisme : applique le bon outil (test, segmentation, contrôle) au bon problème sans chercher à impressionner. Sait reconnaître quand une A/B test n'est pas la bonne méthode. Forme l'équipe à la lecture critique des chiffres.
Autonomie Attend les demandes plutôt que d'identifier les questions à se poser. Bloque sur un sujet inconnu sans demander d'aide pendant des heures, ou demande de l'aide au moindre obstacle. Pas de cadence personnelle de lecture métier ou technique. Identifie de manière proactive 1-2 analyses par trimestre que personne n'a demandées mais qui débloquent une décision. Demande de l'aide après investigation préalable. Cadence de lecture régulière (Lenny's, MDS, blogs data) qui nourrit son métier. Pilote son périmètre comme un·e mini founder data : identifie les questions à se poser, priorise par impact, propose les chantiers de fond (refonte d'une métrique clé, instrumentation manquante). Forme l'équipe et les stakeholders à se poser les bonnes questions. Référence interne sur la culture data.

Plan 30/60/90 jours

À J+30

  • 1:1 hebdomadaires avec chacun·e des dirigeant·e·s ou managers qui consomment des analyses (CEO, head of sales, head of product, head of customer success)
  • Cartographie complète des sources de données disponibles (CRM, produit, facturation, marketing) et état exact de l'instrumentation
  • Audit des dashboards existants : qu'est-ce qui est consulté par qui à quelle cadence, qu'est-ce qui est obsolète, qu'est-ce qui manque
  • Première analyse ad-hoc livrée sur un sujet identifié comme prioritaire en 1:1

À J+60

  • Cadence de livraison installée : 1-2 analyses ad-hoc par semaine, ou 1 dashboard self-service refondu par sprint
  • Première recommandation structurée à la direction sur la santé d'une métrique clé (activation, rétention, conversion, ou MRR)
  • Refonte ou nettoyage d'au moins une définition de métrique ambiguë (par exemple : qu'est-ce qu'un·e client·e actif·ve ?)
  • Documentation de 3-5 requêtes ou modèles dbt récurrents pour permettre la réutilisation par l'équipe

À J+90

  • Premier impact mesurable sur une décision métier attribuable à une analyse livrée (changement de pricing, de scope produit, de stratégie commerciale)
  • Plan de chantiers data du trimestre suivant articulé en 1-3 priorités avec impact attendu
  • Cadence de pilotage tenue pendant 8-10 semaines consécutives sans intervention extérieure
  • Bilan formel avec la direction sur la santé de la fonction data et la trajectoire à 6-12 mois

Erreurs de recrutement courantes pour ce poste

  1. Embaucher un·e Data Scientist quand vous avez besoin d'un·e Analyst

    Le·la Data Scientist se concentre sur les modèles statistiques avancés et le machine learning ; le·la Data Analyst se concentre sur les questions métier, le SQL, les dashboards, et la communication aux stakeholders. En PME early-stage ou en phase de PMF, 95 % des questions data sont du reporting et de l'analyse ad-hoc, pas du ML. Recruter un·e Data Scientist senior à 75 k€ pour produire des dashboards Looker mène à une démotivation rapide du·de la candidat·e et à un retour sur investissement faible pour l'entreprise. Commencez par un·e Data Analyst solide ; le·la Data Scientist devient pertinent·e à partir de 5-10 personnes dans l'équipe data ou quand des cas d'usage ML clairs émergent (scoring de leads, prédiction de churn avec volume suffisant).

  2. Sur-pondérer les compétences SQL au détriment du jugement métier

    Beaucoup de processus de recrutement data filtrent à 80 % sur le test SQL et à 20 % sur l'entretien métier. Or un·e analyste avec un SQL de niveau 4 / 5 et un jugement métier de niveau 5 / 5 produit infiniment plus de valeur qu'un·e analyste avec SQL 5 / 5 et jugement métier 2 / 5. Le SQL s'apprend en 6-12 mois sur le terrain ; le jugement métier prend des années à se développer. Allouez au moins autant de poids à la mise en situation métier (stade 4) qu'au test SQL (stade 3). Méfiez-vous des candidat·e·s qui parlent SQL et stack mais ne savent pas reformuler une question métier.

  3. Attendre du ML quand le problème est du reporting

    « On veut prédire le churn », « on veut un système de recommandation », « on veut un scoring automatique des leads ». En PME early-stage avec quelques centaines à quelques milliers de clients, le volume de données est rarement suffisant pour un modèle ML sérieux ; et même quand il l'est, le ROI d'un modèle vs une règle business simple est souvent négatif pendant 12-18 mois. Le bon premier livrable est presque toujours un dashboard et une analyse de cohorte rigoureuse, pas un modèle. Cadrez vos attentes en entretien et n'attirez pas un·e candidat·e ML-first sur un poste reporting-first ; il·elle partira en 6 mois.

  4. Ne pas considérer la dimension stakeholder management

    Un·e Data Analyst en PME passe 30-50 % de son temps en interaction métier : reformuler des demandes, présenter des résultats, dire non à des rapports inutiles, accompagner les dirigeant·e·s dans leur lecture des chiffres. Recruter sur les seuls signaux techniques (SQL, dbt, stack) sans évaluer la communication transverse produit un·e analyste qui livre techniquement mais ne change pas les décisions métier. Évaluez explicitement la communication en entretien (mise en situation présentation, questions situationnelles sur des demandes contradictoires).

  5. Traiter la data comme une fonction technique pure

    Beaucoup de PMEs placent leur premier·ère Data Analyst dans l'équipe tech sous la·le CTO, par défaut. Or la valeur d'un·e analyste vient de sa proximité avec les décideur·euse·s métier (CEO, head of sales, head of product) ; le rattachement tech tend à l'isoler des questions stratégiques et à le·la limiter à des chantiers d'instrumentation. En PME, rattachez plutôt la fonction data directement au CEO ou à un·e dirigeant·e métier, et collaborez avec la tech pour les sujets d'infrastructure. Si la première hire data est en cellule tech-isolée, anticipez une rotation rapide ou une frustration côté direction.

Questions fréquentes

  • Quel est le salaire d'un·e Data Analyst en PME française ?

    La fourchette de référence pour un·e Data Analyst mid-level (2 à 5 ans d'expérience) en PME française B2B SaaS est de 38 à 58 k€ bruts annuels (médiane autour de 46 k€). Île-de-France et scale-up tirent vers le haut (50-65 k€) ; régions et secteurs traditionnels tirent vers le bas (35-42 k€). Stack moderne (SQL, dbt, Looker ou Metabase) tire légèrement vers le haut ; profil orienté Excel / Power BI sans SQL solide tire vers le bas. Ce poste n'a quasiment jamais de part variable structurelle en PME française.

  • Quelle est la différence entre Data Analyst, Data Scientist, BI Engineer et Data Engineer ?

    Le·la Data Analyst se concentre sur les questions métier : SQL, dashboards, analyses ad-hoc, présentation aux stakeholders. Le·la Data Scientist se concentre sur les modèles statistiques et le machine learning : prédiction, scoring, segmentation par algorithme. Le·la BI Engineer se concentre sur la modélisation et l'industrialisation des couches data (dbt, layered models, qualité de la donnée). Le·la Data Engineer se concentre sur l'infrastructure et les pipelines (ingestion, transformation, orchestration via Airflow ou équivalent). En PME early-stage, un·e Data Analyst solide couvre 70-80 % des besoins ; les autres rôles deviennent pertinents à partir d'une équipe data de 3-5 personnes.

  • Combien de temps faut-il pour recruter un·e Data Analyst en France ?

    Comptez 40 à 70 jours entre la publication de l'annonce et la signature pour un·e profil mid-level. Le marché data reste tendu en 2025-2026 pour les profils avec stack moderne (SQL + dbt + Looker / Metabase). Les délais s'allongent en septembre / janvier. Réduire le délai sous 40 jours impose en général de sacrifier le test SQL ou la mise en situation métier, ce qui dégrade fortement la qualité du recrutement (les deux stades sont les plus prédictifs).

  • Faut-il un diplôme spécifique pour recruter un·e Data Analyst ?

    Non pour les profils avec 3-5 ans d'expérience. Beaucoup de profils data français viennent d'écoles d'ingénieur·e·s, de masters statistiques ou économétrie, mais aussi de reconversions via bootcamps (Le Wagon Data, DataScientest, Jedha) ou autodidactes. Le diplôme rassure pour les profils junior (< 2 ans d'expérience) mais perd de l'importance ensuite. Évaluez sur le test SQL et la mise en situation métier, pas sur le pedigree académique.

  • Faut-il faire un test SQL systématique ?

    Oui, et borné dans le temps (45-60 min max). Un test SQL bien construit est un excellent prédicteur de la fluidité quotidienne sur le poste, plus que le CV ou l'entretien. Cibler : jointures, agrégations, fonctions de fenêtre, sous-requêtes ou CTE, et au moins une question piège sur la granularité, les nulls, ou les doublons. Évitez les tests longs ou les questions de type LeetCode qui n'ont aucun rapport avec le quotidien. Acceptez les solutions incomplètes mais bien argumentées.

  • Quelles sont les obligations légales d'une annonce Data Analyst en France ?

    Trois obligations principales : (1) intitulé neutre ou avec mention H / F (article L. 1142-1 du Code du travail), (2) affichage de la fourchette salariale ou communication avant le premier entretien (directive 2023 / 970, transposition au 7 juin 2026), (3) transparence sur tout outil d'IA utilisé pour le tri des candidatures et supervision humaine garantie (EU AI Act, applicable au 2 août 2026). Les Data Analysts en PME sont quasi systématiquement au forfait jours, ce qui implique le respect du droit à la déconnexion et un suivi régulier de la charge de travail.

Recrutez ce poste avec Join Sourcing, présélection et entretiens au même endroit.
Commencer à recruter

Contacter Join