Exemple de CV data analyst

Le même CV en version texte

À coller dans un formulaire de candidature, un e-mail ou un traitement de texte. C'est aussi la forme que lisent le mieux les logiciels de tri.

Inès Vasseur
Data analyst — e-commerce, SQL et Power BI
Lille, France | ines.vasseur@email.fr | 06 88 41 07 25

PROFIL
------
Data analyst depuis 4 ans en e-commerce, SQL et Power BI au quotidien. Douze tableaux de bord suivis par le comité de direction et une analyse du parcours d'achat ayant conduit à la refonte du tunnel de paiement. Python pour les analyses ponctuelles. Hybride, deux jours sur site.

EXPÉRIENCE PROFESSIONNELLE
--------------------------

Data analyst — Plateforme e-commerce Nordé — Lille (mars 2022 – aujourd'hui)
- Construit et maintenu 12 tableaux de bord suivis par la direction
- Analysé le parcours d'achat, conduisant à une refonte du tunnel de paiement
- Détecté et corrigé des anomalies de collecte affectant 8 % des transactions
- Documenté le dictionnaire de données de l'entreprise, inexistant à mon arrivée

Analyste décisionnel — Groupe industriel Hainaut Plastiques — Valenciennes (sept. 2020 – févr. 2022)
- Automatisé un reporting hebdomadaire, de deux jours de production à trente minutes
- Analysé les causes de rebut en production et identifié deux facteurs dominants
- Formé six utilisateurs métier à l'outil de visualisation en autonomie

Chargée d'études statistiques (alternance) — Observatoire régional de l'emploi — Lille (sept. 2018 – juin 2020)
- Traitement et analyse d'enquêtes sur l'insertion professionnelle
- Rédaction de notes d'analyse publiées et présentées en comité

FORMATION
---------
Master Statistiques et économétrie — Université de Lille — Lille (sept. 2018 – juin 2020)
Licence Mathématiques appliquées et sciences sociales — Université de Lille — Lille (sept. 2015 – juin 2018)

COMPÉTENCES
-----------
SQL avancé : PostgreSQL et BigQuery (4 ans), Power BI : modélisation et tableaux de bord (4 ans), Python : pandas, analyse et automatisation, Statistiques descriptives et tests d'hypothèses, Qualité des données et réconciliation de sources, Restitution en comité de direction

LANGUES
-------
Français (Langue maternelle), Anglais (Courant)

Les compétences à faire figurer

Rédiger votre CV data analyst : la méthode, étape par étape

1. 1

   L'en-tête : ce que le recruteur lit en premier

   Prénom, nom, ville, téléphone, e-mail, profil professionnel et éventuellement dépôt de code. Sous le nom, l'intitulé, le domaine et les outils : « Data analyst — e-commerce, SQL et Power BI ». Le domaine compte autant que la technique.

   Indiquez votre position sur le télétravail. C'est un critère de choix des deux côtés dans ce métier, et le préciser évite des entretiens inutiles.

2. 2

   L'accroche : trois lignes qui situent votre profil

   Trois lignes : ancienneté et domaine, outils principaux, un résultat. Le résultat est le cœur : une décision prise à partir de votre analyse, un processus modifié, un temps de production divisé. Sans lui, l'accroche ressemble à toutes les autres.

   Si vous êtes en reconversion, dites-le franchement et nommez ce que votre métier précédent vous apporte. C'est un avantage, pas une faiblesse à masquer.

3. 3

   Les expériences : des résultats, pas des tâches

   Par poste : l'entreprise, son secteur, le périmètre analysé, la taille de l'équipe data, la période. Puis deux ou trois puces qui vont du problème au résultat.

   Le format qui fonctionne : la question posée, ce que vous avez construit, ce qui en a découlé. « Analysé le parcours d'achat sur 18 mois, conduisant à une refonte du tunnel de paiement » est complet en une ligne. Ajoutez les volumes quand ils situent l'échelle : lignes traitées, utilisateurs des tableaux de bord, nombre d'indicateurs suivis.

   Mentionnez les travaux ingrats — qualité, réconciliation, dictionnaire de données. Ils sont rarement revendiqués et toujours nécessaires.

4. 4

   Les compétences : celles que le logiciel cherche

   Deux niveaux. Ce que vous pratiquez au quotidien, avec les années ; ce que vous avez croisé. Organisez ensuite par famille : bases et requêtage, visualisation, langages d'analyse, transformation et orchestration.

   Ajoutez les domaines métier maîtrisés et une ligne sur la restitution : présenter en comité, former des utilisateurs, documenter. Un analyste dont les tableaux sont utilisés vaut deux analystes dont les tableaux sont justes.

5. 5

   La formation et les certifications

   Le diplôme, l'établissement, l'année. Si vous venez d'une reconversion, faites apparaître la formation certifiante et sa durée, puis les premiers projets livrés.

   Ajoutez les certifications et formations récentes : outil de visualisation, plateforme cloud de données, statistiques. Dans un domaine où les outils changent vite, la question implicite est ce que vous avez appris ces deux dernières années.

6. 6

   La mise en page : ce qui passe les filtres

   Une colonne, technologies regroupées par famille, deux pages tolérées au-delà de cinq ans d'expérience. Bannissez les jauges de compétences en étoiles : elles ne veulent rien dire pour un recruteur technique et disparaissent à l'extraction. Un lien vers votre dépôt ou votre portfolio vaut mieux qu'un paragraphe d'auto-évaluation.

7. 7

   La relecture : les erreurs qui coûtent l'entretien

   Vérifiez l'orthographe exacte des technologies (PostgreSQL, Kubernetes, TypeScript) : un recruteur technique le remarque immédiatement. Assurez-vous que les liens fonctionnent et sont publics. Et retirez les technologies que vous ne sauriez pas défendre trente secondes en entretien.

Les erreurs qui coûtent un entretien

Questions fréquentes

Faut-il savoir programmer ?

SQL est indispensable et non négociable : c'est le langage du métier. Python ou R sont attendus dès qu'on sort du reporting pur, pour le traitement, la statistique et l'automatisation. En revanche, on n'attend pas d'un data analyst le niveau d'un développeur : ce qu'on attend, c'est un code lisible, reproductible et documenté.

Quelle différence avec un data scientist ?

L'analyste répond à des questions sur ce qui s'est passé et pourquoi, avec des données existantes et des méthodes descriptives. Le scientist construit des modèles qui prédisent ou décident, avec de l'apprentissage automatique. En pratique la frontière est poreuse et les intitulés varient d'une entreprise à l'autre : décrivez ce que vous faites plutôt que de vous fier au titre.

Une reconversion est-elle réaliste ?

Oui, et elle est fréquente, notamment depuis le contrôle de gestion, le marketing, l'actuariat ou la recherche. L'atout du reconverti est la connaissance du métier, qui manque cruellement aux profils purement techniques. Montrez la chronologie complète : métier précédent, formation, premiers projets livrés. Un portfolio de deux ou trois analyses réelles vaut plus qu'une liste de cours suivis.

Faut-il un portfolio ?

Il aide beaucoup, surtout sans expérience professionnelle du domaine. Deux ou trois analyses menées de bout en bout sur des données publiques, avec la question posée, la méthode, les limites et la conclusion, valent mieux que dix notebooks de tutoriels. Ce qu'on y regarde, c'est votre façon de raisonner, pas votre virtuosité technique.

Comment présenter une analyse qui n'a rien donné ?

Comme un résultat, parce que c'en est un. « Test A/B analysé, aucun effet significatif, décision de ne pas déployer » est une contribution réelle : elle a évité une dépense inutile. Savoir conclure à l'absence d'effet, et l'assumer devant des gens qui espéraient autre chose, est un signe de maturité que les recruteurs expérimentés repèrent immédiatement.

Continuer

Métiers proches

• CV développeur web
• CV finance
• CV chef de projet
• CV comptable