Data analyst · Guide de profil
Profil LinkedIn de data analyst
Vous produisez les chiffres sur lesquels l'entreprise décide. Votre profil, lui, n'en contient souvent pas un seul.
L'ironie du métier est difficile à rater : un data analyst passe ses journées à transformer des questions floues en indicateurs, et écrit un profil LinkedIn composé d'outils et d'adjectifs. « Data analyst, SQL, Power BI, Excel avancé, Python » est le profil médian du marché français. Il ne dit rien de la décision qu'une analyse a permis de prendre, ni de l'argent qu'elle a fait gagner ou économiser.
Les recruteurs qui embauchent des analysts trient sur trois choses. Le stack technique, qui est vite vérifié et rarement différenciant. Le domaine métier — acquisition, rétention, supply, finance, produit — parce qu'un analyst qui connaît déjà les indicateurs du domaine est opérationnel en deux semaines au lieu de deux mois. Et la capacité à conclure : est-ce que vous produisez des tableaux de bord que personne n'ouvre, ou des recommandations que le comité de direction suit.
Le troisième point est celui qui déplace une candidature. Il s'écrit en une structure simple : la question posée, ce que l'analyse a montré, la décision prise ensuite, et le résultat mesuré. Trois lignes par expérience, et votre profil cesse de ressembler à une fiche de poste.
Comment on vous cherche
Les requêtes que les recruteurs tapent réellement
Un mot-clé absent du texte de votre profil vous rend invisible sur la recherche correspondante, même si vous maîtrisez la technologie.
Les recherches de data analyst mêlent outils et domaine métier, avec une part croissante d'outils de la stack moderne :
- data analyst AND SQL AND (Power BI OR Tableau OR Looker)
- analyst AND dbt AND (Snowflake OR BigQuery)
- data analyst AND (rétention OR churn OR cohortes) AND SaaS
- analyste AND Python AND (pandas OR statistiques) AND A/B test
- data analyst AND (e-commerce OR retail) AND marge
Le nom du domaine métier est le mot-clé le plus sous-utilisé du métier. Rétention, churn, marge, prévision de la demande, attribution : écrivez celui que vous connaissez, il vous sort de la concurrence purement technique.
Titre du profil
Trois titres réécrits, et pourquoi les originaux perdent
Le titre est le seul texte visible dans une liste de résultats, et le seul élément qui voyage avec vous dans les commentaires et les invitations.
01Titre à éviter
Data Analyst | SQL | Power BI | Excel | Python | Passionné par la data
Excel affiché au même niveau que Python tire le profil vers le bas, et « passionné par la data » remplace la seule information utile : sur quel domaine vous savez décider.
Titre réécrit
Un domaine nommé, une méthode reconnaissable, et un résultat chiffré que le lecteur peut traduire immédiatement en chiffre d'affaires.
02Titre à éviter
Data Analyst en poste chez Acme, ouverte aux opportunités
Le titre reprend l'information déjà affichée sous votre nom et n'ajoute aucun mot-clé. Il ne remonte sur aucune recherche technique.
Titre réécrit
La stack moderne exacte que cherchent les entreprises structurées, plus un périmètre chiffré qui montre que vous construisez et pas seulement que vous requêtez.
03Titre à éviter
Analyste de données — reporting et tableaux de bord
« Reporting » cantonne le profil à la production de tableaux. C'est le segment le plus facilement automatisé et le moins bien payé du métier.
Titre réécrit
Positionne l'analyse comme un outil de décision, avec un domaine identifiable et un verbe qui montre l'influence.
Section À propos
Les deux premières lignes décident du reste
LinkedIn n'affiche que deux lignes avant « voir plus ». Ce qu'elles contiennent détermine si le recruteur déplie ou passe à vos expériences avec un a priori tiède.
À propos générique
Data analyst avec 4 ans d'expérience, je suis passionnée par l'analyse de données et la visualisation. Rigoureuse et curieuse, je maîtrise SQL, Power BI et Python et j'aime transformer les données en informations utiles.
Les deux lignes visibles avant « voir plus » sont consommées par une déclaration d'intention : le recruteur n'apprend rien et ne déplie pas.
À propos réécrit
Un résultat mesuré dès la première ligne. Le lecteur a déjà appris quelque chose, donc il clique sur « voir plus ».
Chiffres disponibles
Ce qu'un data analyst peut mesurer
Les métriques ci-dessous existent déjà dans votre travail. Il s'agit de les sortir de vos outils et de les mettre sur votre profil.
Impact financier
Isolé [3] causes de churn par analyse de cohortes : churn mensuel de [4,2] % à [3,1] %, soit [340] k€ de revenu récurrent conservé.
Décisions influencées
Produit les [6] analyses qui ont servi de base à l'arrêt de [2] gammes et au repositionnement tarifaire de [1] offre.
Adoption des tableaux de bord
Tableau de bord de suivi hebdomadaire ouvert par [45] utilisateurs sur [60] cibles chaque semaine, contre [8] pour la version précédente.
Temps gagné
Automatisé le reporting mensuel en SQL et dbt : [3] jours-homme par mois libérés dans l'équipe finance.
Périmètre de modélisation
Construit et documenté [80] modèles dbt sur Snowflake, avec tests de fraîcheur et d'unicité sur les [15] tables critiques.
Expérimentation
Conçu et analysé [24] A/B tests en [1] an, dont [7] gagnants mis en production ([+11] % de conversion cumulée).
Qualité de la donnée
Réduit de [22] % à [3] % le taux de lignes rejetées dans le flux de commandes en corrigeant [4] règles de déduplication.
Les crochets marquent l'endroit où vous inscrivez votre propre chiffre. Ils ne doivent jamais rester sur votre profil : un crochet vide publié signale un copier-coller et fait plus de dégâts que la phrase qu'il remplaçait.
Mots-clés
Ce qu'il faut écrire, ce qui différencie, ce qu'il faut retirer
La colonne de droite compte autant que celle de gauche : un terme hors sujet dilue la lecture de votre spécialité.
À avoir absolument
Présents dans presque toutes les recherches de ce poste.
- SQL
- l'outil de visualisation que vous utilisez (Power BI, Tableau, Looker, Metabase)
- modélisation de données
- KPI
- le domaine métier : rétention, acquisition, supply, marge, finance
Qui différencient
Utiles une fois que les termes obligatoires sont en place.
- dbt
- Snowflake
- BigQuery
- A/B testing
- analyse de cohortes
- Python (pandas)
- data quality
- attribution
- prévision
À retirer
Ils diluent le profil ou déclenchent le scepticisme.
- « Excel avancé » au premier plan : c'est un prérequis, pas un argument, et le mettre en avant plafonne la perception du niveau
- « passionné par la data » : la formule occupe la place d'un domaine métier, qui vaut infiniment plus
- « data scientist » si vous ne faites pas de modélisation prédictive — le décalage se voit en entretien et coûte la crédibilité de tout le profil
Expériences
Une fiche de poste transformée en résultats
C'est le critère qui pèse le plus lourd dans la note, et celui que presque personne ne traite : le recruteur ne cherche pas vos missions, il cherche ce qui a changé parce que vous étiez là.
Data analyst, SaaS B2C, 2 ans
Fiche de poste recopiée
Création et maintenance des tableaux de bord de suivi de l'activité. Extraction de données à la demande pour les équipes métier. Rédaction de rapports mensuels.
Des noms d'activité et des participations : rien ne dit ce que vous avez tenu vous-même, donc le recruteur suppose le minimum.
Résultats mesurés
- Répondu à la question « pourquoi les clients partent au 3e mois » : analyse de cohortes sur [18] mois, [3] causes isolées, churn mensuel ramené de [4,2] % à [3,1] %.
- Refondu le tableau de bord hebdomadaire de la direction (Looker, [12] indicateurs) : [45] ouvertures hebdomadaires contre [8] auparavant.
- Automatisé le reporting financier mensuel en SQL et dbt : [3] jours-homme par mois libérés dans l'équipe finance.
Un verbe d'action au passé, un périmètre nommé, un chiffre par ligne. Trois lignes dont le recruteur se souvient.
Selon votre situation
Le même métier, à un autre moment de carrière
Quand la preuve habituelle — des années de production — n'existe pas encore, les leviers ne sont pas les mêmes.
Questions
Les questions qui reviennent sur les profils data analyst
Comment chiffrer une analyse quand la décision ne m'appartient pas ?
Chiffrez la décision qu'elle a permise, pas votre autorité. « Analyse qui a conduit l'équipe produit à supprimer l'étape 3 du parcours d'inscription — conversion +7 % » est exact et vérifiable même si vous n'avez rien décidé. Le recruteur cherche la trace de votre influence, pas un titre de directeur.
Data analyst ou data scientist : quel titre choisir ?
Celui qui décrit ce que vous faites réellement aujourd'hui. Si votre quotidien est SQL, modélisation et restitution, vous êtes analyst, et un bon analyst se vend mieux qu'un faux scientist. Le titre « data scientist » sans travail de modélisation, de validation et de mise en production se démonte en dix minutes d'entretien technique.
Faut-il montrer des tableaux de bord dans la section Sélection ?
Oui, à condition d'anonymiser. Une capture avec des données factices mais une structure réelle, ou un tableau de bord public construit sur un jeu de données ouvert, montre votre lisibilité graphique et votre sens de la hiérarchisation. Ne publiez jamais des chiffres d'un employeur, même flous : c'est disqualifiant sur un poste de confiance.
Le domaine métier compte-t-il plus que la stack ?
Souvent, oui, à partir de trois ans d'expérience. SQL et un outil de visualisation sont partagés par tous les candidats retenus ; connaître déjà les indicateurs de la supply chain ou du churn SaaS raccourcit la montée en compétence de plusieurs semaines. C'est un argument budgétaire pour le recruteur, donc il pèse.
Erreurs fréquentes sur ce poste
Les trois défauts qui coûtent le plus cher ici
Expériences sans chiffres
Une fiche de poste recopiée n'est pas une expérience. C'est le critère le plus lourd de la grille et le plus mal traité.
Compétences fourre-tout
Cinquante compétences validées par personne, dont Microsoft Word. Chaque ajout affaiblit les trois qui comptent.
Section À propos vide
Le seul endroit du profil où vous écrivez librement, laissé vide ou rempli de trois phrases interchangeables.
Métiers voisins
Vous hésitez entre deux postes ?
Data scientist
Les modèles ne suffisent plus : ce qui se vend, c'est ce qui est parti en production.
Data engineer
Métier très demandé, profils très interchangeables : la différence se fait sur la fiabilité et le coût.
Product manager
Le métier où l'on est jugé sur l'impact, et où les profils parlent surtout de méthode.
Passer à votre profil
Les exemples sont génériques. Votre profil ne l'est pas.
Vous savez faire parler des chiffres. Faites-le sur votre propre profil. L'audit gratuit note les six critères, dit lequel plafonne votre score et vous donne les corrections à faire dans l'ordre.
- Un score sur 100 et son palier
- Les six sous-scores, critère par critère
- Un verdict en trois phrases, sans ménagement
- Trois à cinq corrections gratuites, classées par impact
Sans compte, sans carte bancaire, sans mot de passe LinkedIn. Le Rapport Expert qui réécrit le profil est optionnel et coûte 4,99 €, une seule fois.