Comment devenir data analyst en 2026 : compétences, portfolio, premier emploi

Pour devenir data analyst, apprenez à transformer une question métier en analyse vérifiable : trouver des données, contrôler leur qualité, calculer les bons indicateurs et expliquer les limites. Un portfolio de quelques projets reproductibles vous aidera ensuite à montrer ces compétences en candidature. Accumuler des logiciels sans savoir justifier un résultat ne suffit pas.

La feuille de route de six mois proposée ici est un cadre de travail, pas une garantie d’emploi ou un délai universel. Adaptez-la à votre niveau, votre disponibilité et votre matériel. Deux projets partent de sources publiques africaines et un troisième utilise des ventes fictives en FCFA. Ces exercices n’utilisent aucune donnée client confidentielle.

Comprendre le rôle avant de choisir les outils

Le data analyst aide une organisation à décider à partir de données dont il doit comprendre la provenance et la définition. Il ne se limite ni à des graphiques ni à l’exécution de requêtes.

Exemple fictif : une entreprise de distribution à Dakar veut comprendre une hausse des retours. L’analyste doit d’abord vérifier la période, les produits et le traitement des remboursements. Une variation peut venir d’un changement de saisie, de doublons ou d’une différence de périmètre, pas seulement d’un problème commercial.

Les tâches courantes comprennent la préparation des données, la modélisation, la visualisation et la communication avec les équipes. Le référentiel Microsoft Power BI Data Analyst PL-300 couvre notamment ces activités. Il décrit un parcours Microsoft, pas toutes les offres d’emploi ni une certification obligatoire pour exercer.

Avant une formation, examinez plusieurs annonces récentes du pays et du secteur qui vous intéressent. Notez les outils, le niveau attendu, les missions et les langues. Ne déduisez pas le marché sénégalais d’une grille salariale étrangère ou d’un témoignage isolé. Ce guide ne promet aucun salaire ni nombre de recrutements.

La compétence commune reste le raisonnement : quelle question traite-t-on, à quelle granularité et avec quelle limite ? Une analyse simple bien contrôlée peut être plus utile qu’un tableau de bord complexe dont personne ne connaît la méthode.

Développer les compétences dans un ordre cohérent

Commencez par les données tabulaires et les calculs, puis ajoutez SQL, la visualisation et l’automatisation. Vous pourrez ainsi comprendre ce que chaque outil apporte.

Un tableur permet de pratiquer les tris, filtres, types, valeurs manquantes, agrégations et contrôles de cohérence. Travaillez avec des données suffisamment petites pour examiner quelques lignes à la main. Vérifiez vos totaux avant de créer un graphique.

SQL sert à interroger des données relationnelles. Apprenez la sélection, les regroupements et les jointures, en observant ce qui arrive au nombre de lignes. Une jointure mal définie peut multiplier les montants. Le tutoriel officiel PostgreSQL propose un parcours sur ces concepts ; vous n’avez pas besoin de commencer par l’administration avancée d’un serveur.

Choisissez ensuite un outil de visualisation adapté aux offres ciblées, par exemple Power BI. Pratiquez le modèle de données, les mesures et la lisibilité du rapport. Un graphique doit répondre à une question précise et afficher les unités, la période et la source.

Python peut faciliter les traitements répétitifs et les analyses reproductibles. Ajoutez-le lorsque vous savez déjà expliquer le nettoyage et les calculs. Un notebook qui fonctionne une fois sur votre machine ne suffit pas : documentez les dépendances, les fichiers d’entrée et l’ordre d’exécution.

À chaque étape, conservez un dictionnaire des colonnes et un journal des décisions. Expliquez pourquoi une ligne est exclue, pourquoi une valeur manque et quelles conclusions restent impossibles. N’utilisez pas l’IA pour fabriquer une colonne absente ou combler une donnée sans méthode annoncée.

Suivre une feuille de route de six mois

Chaque mois doit se terminer par une preuve concrète. Si un livrable n’est pas maîtrisé, prolongez l’étape au lieu de passer automatiquement à l’outil suivant.

Mois 1 : tableur et qualité des données

Choisissez un fichier public simple et décrivez ses colonnes. Contrôlez dates, unités, doublons et valeurs manquantes. Produisez une feuille nettoyée, une feuille de contrôles et une note expliquant les changements. Vous devez pouvoir recalculer un total à la main sur un petit extrait.

Mois 2 : SQL et relations

Travaillez avec deux ou trois tables d’exercice non sensibles. Rédigez des requêtes pour compter, regrouper et rapprocher les données. Comparez le nombre de lignes avant et après les jointures. Livrez le schéma, les requêtes commentées et les contrôles montrant que vos agrégations ne doublonnent pas les valeurs.

Mois 3 : tableau de bord lisible

Reprenez une question du premier projet. Limitez-vous à quelques indicateurs définis et à des visuels utiles. Ajoutez un titre explicite, les filtres nécessaires et la période couverte. Demandez à une autre personne quelle décision elle pense pouvoir prendre ; ses hésitations révèlent les explications manquantes.

Mois 4 : Python et reproductibilité

Automatisez une opération déjà comprise : nettoyage des colonnes, fusion de fichiers comparables ou export d’un tableau. Vérifiez que le résultat correspond à votre contrôle manuel. Livrez les instructions d’exécution et le jeu de données autorisé, ou un lien précis vers sa source avec la date d’accès.

Mois 5 : compléter trois cas de portfolio

Améliorez vos projets plutôt que de commencer dix sujets. Pour chacun, rédigez une page présentant la question, les sources, la méthode, les résultats et les limites. Distinguez les constats descriptifs d’une explication causale. Une corrélation n’établit pas ce qui a provoqué une variation.

Mois 6 : candidature et entretien

Sélectionnez des postes cohérents avec vos preuves actuelles. Adaptez votre CV, testez les liens et préparez une présentation courte d’un projet. Entraînez-vous à expliquer une erreur détectée et sa correction. Vous montrez ainsi votre méthode de vérification, au lieu de réciter seulement des noms de fonctions.

Réaliser trois projets avec des données africaines

Choisissez des sources publiques documentées et indiquez la date d’extraction. Les trois idées suivantes sont des propositions de projets, sans résultats prétendument déjà calculés.

Projet 1 : comparer un indicateur entre pays

Utilisez les données et la documentation de l’API Banque mondiale. Choisissez un indicateur clairement défini et quelques pays, par exemple Sénégal, Côte d’Ivoire et Bénin. Comparez les années réellement disponibles, signalez les valeurs manquantes et ne traitez pas une estimation comme une observation directe.

Livrables : fichier de travail, dictionnaire de l’indicateur, graphique et note d’une page. Expliquez pourquoi les pays et la période ont été choisis. Ne concluez pas qu’un pays « réussit mieux » à partir d’un indicateur isolé.

Projet 2 : lire une publication statistique sénégalaise

Choisissez une publication ou un tableau diffusé par l’ANSD. Son catalogue de publications constitue un point de départ pour repérer une source et son contexte. Vérifiez le fichier exact et sa licence avant toute redistribution ; une page officielle ne garantit pas que chaque tableau soit immédiatement disponible en CSV.

Votre exercice peut comparer des périodes ou décrire une répartition, selon les données trouvées. Conservez les définitions d’origine. Si vous saisissez manuellement un tableau PDF, contrôlez les valeurs et indiquez cette méthode. Le livrable doit expliquer ce qui a été retranscrit et vérifié.

Projet 3 : analyser des ventes fictives en FCFA

Créez un petit fichier annoncé comme synthétique : date, référence, quantité, prix unitaire, retour et commune. Calculez chiffre d’affaires, retours et répartition, puis testez volontairement quelques anomalies. Les montants servent uniquement à l’apprentissage et ne représentent aucune PME réelle.

Livrables : fichier synthétique, règles de calcul, requêtes ou notebook et tableau de bord. Le projet permet de montrer un travail commercial sans exposer des noms de clients ni attribuer de faux résultats à une organisation.

Préparer le premier emploi et choisir l’accompagnement

Une candidature devient plus crédible lorsqu’elle permet de vérifier votre travail et de comprendre vos limites. Le portfolio doit être accessible sans compte privé imposé au recruteur.

Préparez une fiche par projet et un CV centré sur les compétences pertinentes. Mentionnez votre contribution dans les travaux collectifs. Une certification éventuelle complète les preuves, mais ne garantit ni recrutement ni reconnaissance d’un diplôme d’État.

Consultez les opportunités sur Xarala Jobs. Pour progresser, examinez le contenu du parcours Data Analyst et les cours Xarala, en vérifiant prérequis, projets, accompagnement et conditions actuelles.

FAQ

Faut-il maîtriser Python avant de commencer ?

Non. Vous pouvez commencer avec un tableur et SQL, puis ajouter Python pour automatiser des traitements compris.

Peut-on devenir data analyst en six mois ?

Six mois constituent ici une organisation proposée. Le niveau atteint dépend du temps consacré, des acquis et des retours reçus ; aucun emploi n’est garanti.

Les données publiques sont-elles toujours prêtes à analyser ?

Non. Vérifiez les unités, définitions, licences, périodes, valeurs manquantes et changements de méthode avant toute comparaison.

Combien de projets faut-il montrer ?

Trois cas bien expliqués peuvent former un portfolio de départ utile. Leur qualité et leur pertinence comptent davantage qu’un nombre universel.

Sources officielles consultées le 22 octobre 2026 : Microsoft Learn, PostgreSQL, Banque mondiale et ANSD. La feuille de route et les projets sont des propositions pédagogiques.