Votre entreprise croule sous les données, mais personne ne sait quoi en faire. Les tableaux Excel s’empilent, les rapports mensuels arrivent en retard, et les décisions se prennent encore “au feeling”. La data analyse existe précisément pour résoudre ce problème - transformer des chiffres bruts en décisions éclairées. Reste à savoir quelles compétences acquérir, et dans quel ordre.
Le socle : maîtriser les tableurs au-delà des bases#
Tout commence par Excel ou Google Sheets. Pas le Excel où vous savez faire une somme et un graphique en camembert - celui où vous manipulez des milliers de lignes sans que votre machine ne plante.
Les fonctions à connaître absolument :
- RECHERCHEV / XLOOKUP pour croiser des données entre plusieurs tables
- SOMMEPROD pour des calculs conditionnels complexes
- Tableaux croisés dynamiques pour synthétiser de gros volumes en quelques clics
- Power Query pour automatiser le nettoyage de données récurrentes
Un analyste qui maîtrise Power Query dans Excel gagne parfois plusieurs heures par semaine sur des tâches de mise en forme que ses collègues font encore à la main. Notre guide Excel avancé détaille ces 20 fonctions qui changent la productivité au quotidien.
Pour atteindre ce niveau, comptez 2 à 4 semaines de pratique régulière. Les données de votre propre travail sont le meilleur terrain d’entraînement - prenez un rapport que vous produisez chaque mois et cherchez à l’automatiser.
SQL : parler directement aux bases de données#
Excel atteint ses limites autour de 100 000 lignes. Au-delà, vous avez besoin de SQL - le langage qui permet d’interroger des bases de données relationnelles. Bonne nouvelle : la syntaxe est remarquablement lisible.
SELECT client, SUM(montant) as total_achats
FROM commandes
WHERE date >= '2026-01-01'
GROUP BY client
ORDER BY total_achats DESC
LIMIT 10;Cette requête extrait vos 10 meilleurs clients depuis le début de l’année. Même sans formation, vous devinez ce qu’elle fait. C’est la force de SQL : un vocabulaire restreint (SELECT, FROM, WHERE, GROUP BY, ORDER BY) qui couvre 80% des besoins analytiques.
Les concepts à maîtriser progressivement :
| Niveau | Compétences SQL | Durée d’apprentissage |
|---|---|---|
| Débutant | SELECT, WHERE, ORDER BY, fonctions d’agrégation | 1-2 semaines |
| Intermédiaire | JOIN, sous-requêtes, CASE WHEN | 2-4 semaines |
| Avancé | Window functions, CTE, optimisation de requêtes | 1-2 mois |
Pour pratiquer, des plateformes comme SQLZoo ou Mode Analytics proposent des exercices sur des jeux de données réels. Vous pouvez aussi installer PostgreSQL sur votre machine et charger des datasets publics depuis Kaggle.
Python pour l’analyse : pandas, votre couteau suisse#
Quand les manipulations deviennent trop complexes pour SQL seul - nettoyage de données textuelles, calculs statistiques, croisement de sources multiples - Python entre en jeu. Plus précisément, la bibliothèque pandas.
Pandas transforme Python en un tableur surpuissant. Vous chargez un fichier CSV en une ligne, vous filtrez, vous groupez, vous fusionnez des tables, vous calculez des moyennes mobiles - le tout dans un notebook Jupyter qui documente votre démarche au fur et à mesure.
Les bibliothèques à connaître pour la data analyse :
- pandas - manipulation et nettoyage de données tabulaires
- matplotlib / seaborn - visualisation (graphiques, histogrammes, heatmaps)
- numpy - calculs numériques performants
- scikit-learn - premiers pas en machine learning (clustering, régression)
Si vous partez de zéro en programmation, notre guide Python pour débutants vous accompagne dans l’installation et les premiers concepts. Comptez 1 à 2 mois pour être à l’aise avec pandas, en pratiquant sur des projets concrets - analyser vos dépenses personnelles, les résultats sportifs de votre équipe favorite, ou les données open data de votre ville.
La visualisation : Power BI, Tableau ou Looker#
Savoir extraire et transformer des données, c’est la moitié du travail. L’autre moitié, c’est les présenter de manière compréhensible pour quelqu’un qui ne connaît ni SQL ni Python - autrement dit, votre direction.
Les outils de Business Intelligence (BI) servent exactement à ça : créer des tableaux de bord interactifs que n’importe qui peut explorer.
| Outil | Forces | Adapté pour |
|---|---|---|
| Power BI | Intégration Microsoft, prix accessible | Entreprises sous écosystème Microsoft |
| Tableau | Visualisations avancées, communauté active | Analystes exigeants sur le rendu visuel |
| Looker | Modélisation centralisée, requêtes SQL natives | Équipes data structurées |
| Metabase | Open source, simple à déployer | Startups et petits budgets |
Power BI domine le marché français grâce à son inclusion dans les licences Microsoft 365. Si vous devez en choisir un seul, partez sur celui-là. La courbe d’apprentissage est raisonnable : en 3 à 4 semaines, vous pouvez produire des dashboards qui impressionnent votre hiérarchie.
Les compétences transversales qu’on sous-estime#
La technique ne fait pas tout. Un bon data analyste sait aussi :
Poser les bonnes questions. Avant de plonger dans les données, clarifiez ce que vous cherchez. “Nos ventes baissent” n’est pas une question analytique. “Quels segments clients ont réduit leur fréquence d’achat au T1 par rapport au T1 de l’année précédente ?” - ça, c’est exploitable.
Raconter une histoire avec les données. Un graphique sans contexte ne vaut rien. Votre rôle est de guider le lecteur : voici la situation, voici ce qui a changé, voici ce que ça implique, voici ce qu’on peut faire.
Comprendre les biais. Les données mentent facilement quand on les sort de leur contexte. Le biais de survie, la corrélation confondue avec la causalité, les échantillons non représentatifs - ces pièges guettent même les analystes expérimentés.
Documenter son travail. Un notebook Jupyter bien commenté ou un README clair dans votre dépôt Git vous sauvera la mise quand vous reviendrez sur une analyse six mois plus tard en vous demandant pourquoi vous avez exclu telle colonne.
Construire son parcours : par où commencer concrètement#
Voici un ordre d’apprentissage qui a fait ses preuves, que vous partiez de zéro ou que vous ayez déjà des bases en Excel :
Mois 1-2 : Excel avancé (tableaux croisés dynamiques, Power Query) + premiers pas en SQL. Objectif : savoir répondre à une question business en interrogeant une base de données.
Mois 3-4 : Python + pandas. Automatiser le nettoyage de données, produire des analyses reproductibles. Les plateformes de formation en ligne comme DataCamp ou Coursera proposent des parcours structurés pour cette étape.
Mois 5-6 : Power BI ou Tableau. Créer vos premiers dashboards avec les données que vous savez désormais extraire et transformer. Publiez un projet sur votre profil LinkedIn ou un portfolio en ligne - c’est ce qui fait la différence en entretien.
La data analyse est un domaine où la pratique vaut dix fois la théorie. Chaque compétence se renforce en travaillant sur des données réelles, pas en regardant des vidéos. Prenez un problème concret - au travail, dans une association, pour un projet personnel - et résolvez-le avec les outils que vous apprenez. C’est la méthode la plus directe pour devenir opérationnel.
