Compétences à mettre sur un CV data

Un CV data se lit en deux temps : les outils d'abord (SQL, Python, la solution de BI ou le cloud de l'équipe), puis ce que vous en avez tiré. Une analyse n'a de valeur que par la décision qu'elle a éclairée : c'est ce que les recruteurs cherchent dans vos expériences.

Choisissez votre angle selon le poste : un data analyst met en avant la BI et la restitution, un data engineer les pipelines et la qualité des données, un data scientist la modélisation et la mise en production. Écrivez chaque outil comme les offres l'écrivent, pour que le recruteur et le logiciel de recrutement fassent le lien.

Compétences techniques

Langages et manipulation de données

• SQL La compétence commune à tous les métiers data : jointures, agrégations, fonctions de fenêtrage.
• Python Le langage de l'analyse et du machine learning : précisez les bibliothèques utilisées.
• Pandas La bibliothèque de référence pour préparer et explorer des données en Python.
• NumPy Le calcul numérique en Python, souvent cité avec Pandas.
• R Encore très présent en statistiques, en recherche et dans le secteur de la santé.
• Excel Toujours demandé aux data analysts : tableaux croisés dynamiques, Power Query.

Visualisation et BI

• Power BI Outil de BI très présent dans les offres françaises : nommez les tableaux de bord livrés.
• Tableau Fréquent dans les grands groupes : précisez qui utilisait vos tableaux de bord.
• Looker Courant dans les entreprises équipées de Google Cloud, souvent avec BigQuery.
• Data visualisation Choisir le bon graphique pour le bon message : montrez-le par un rapport utilisé en comité.
• Google Analytics Pour les postes d'analyse web et marketing : GA4 est la version actuelle.

Ingénierie des données

• ETL Extraire, transformer, charger : décrivez le flux, son volume et sa fréquence.
• Airflow Orchestrateur de pipelines très répandu.
• dbt Les transformations SQL versionnées et testées : au cœur du métier d'analytics engineer.
• Spark Le traitement de gros volumes ; PySpark en est la forme Python.
• Kafka Les flux de données en temps réel : précisez le cas d'usage.
• Snowflake Entrepôt de données cloud très répandu.
• BigQuery L'entrepôt de données de Google Cloud.
• Modélisation de données Schéma en étoile, tables de faits et de dimensions : ce qui rend les données utilisables par tous.

Statistiques et machine learning

• Statistiques Tests d'hypothèses, régression, intervalles de confiance : la base qui distingue l'analyse de la simple description.
• Machine learning Dites quel problème le modèle résolvait et comment vous l'avez évalué.
• scikit-learn La bibliothèque de machine learning classique en Python.
• Deep learning À réserver aux projets réels de réseaux de neurones, avec TensorFlow ou PyTorch.
• PyTorch Framework de deep learning très utilisé en recherche comme en entreprise.
• NLP Le traitement du langage naturel : classification de textes, extraction d'informations.
• A/B testing Concevoir et lire une expérience contrôlée : très recherché dans le produit et le marketing.

Cloud, outils et cadre

• Git Versionner ses requêtes et ses notebooks : un signe de maturité pour un profil data.
• Docker Utile dès qu'un modèle ou un pipeline passe en production.
• AWS Nommez les services (S3, Redshift, Glue) dans vos expériences.
• Azure Fréquent avec Power BI et l'écosystème Microsoft (Data Factory, Fabric).
• Qualité des données Contrôles, tests, documentation : la compétence qui évite les mauvaises décisions.
• RGPD Savoir ce qu'on peut faire de données personnelles : attendu dès qu'on manipule des données clients.

Compétences transversales

Les savoir-être se prouvent par des faits : chacun ci-dessous avec la façon de le montrer.

• Esprit d'analyse Partir d'une question métier et la traduire en requêtes et en indicateurs.
• Vulgarisation Expliquer un résultat à un comité sans jargon : souvent ce qui fait la différence en entretien.
• Rigueur Vérifier ses chiffres avant de les présenter : racontez une erreur de données que vous avez repérée.
• Sens métier Comprendre le chiffre d'affaires, la marge ou le parcours client derrière les données.
• Esprit critique Douter d'une corrélation, d'un échantillon, d'une source : le réflexe qui protège les décisions.
• Communication avec les métiers Recueillir un besoin flou et le transformer en tableau de bord utilisé.
• Curiosité Nouveaux outils, nouvelles méthodes : un domaine qui change vite.

Ajouter ces compétences à mon CV

Cliquez sur celles que vous avez vraiment : elles rejoignent le CV gardé dans ce navigateur par le créateur de CV, sans IA ni envoi. Sans CV, le premier clic le crée.

Certifications et diplômes reconnus

À mettre dans la section Formation ou Certifications de votre CV, avec l'année d'obtention, seulement si vous les avez.

• Microsoft Certified: Power BI Data Analyst Associate Certification de Microsoft sur Power BI (examen PL-300).
• Microsoft Certified: Fabric Analytics Engineer Associate Certification de Microsoft sur sa plateforme de données Fabric.
• Google Cloud Professional Data Engineer Certification de Google Cloud sur la conception de systèmes de données.
• AWS Certified Data Engineer – Associate Certification d'Amazon Web Services sur les pipelines de données.
• Databricks Certified Data Engineer Associate Certification de Databricks sur Spark et sa plateforme.
• SnowPro Core Certification Certification de base de Snowflake.

Où les mettre sur le CV

Gardez une section Compétences groupée (langages, BI, ingénierie, statistiques), puis reprenez chaque outil dans l'expérience où vous l'avez utilisé : « Tableau de bord Power BI des ventes, alimenté par des modèles dbt sur Snowflake, consulté chaque semaine par… ».

Pour un data scientist, un projet bien décrit vaut mieux qu'une liste d'algorithmes : le problème, les données, le modèle, la mesure de sa qualité et ce qu'il a changé. Pour un premier poste, vos projets de formation jouent ce rôle (voir le guide CV sans expérience).

Adaptez la tête du CV à chaque offre : un poste de data analyst et un poste de data engineer ne cherchent pas les mêmes mots. Le guide pour adapter son CV à une offre détaille la méthode, et le comparateur CV / offre montre ce qui manque.

Exemples de puces pour vos expériences

Exemples fictifs, construits avec la formule XYZ : remplacez-les par vos propres résultats, sans jamais inventer la mesure.

• Avant Création de tableaux de bord.

  Après Remplacé douze fichiers Excel hebdomadaires par un tableau de bord Power BI des ventes, consulté par les vingt responsables d'agence, et libéré une demi-journée de reporting par semaine.

• Avant Maintenance des pipelines de données.

  Après Fait passer la fraîcheur des données de vente de J+1 à moins d'une heure en migrant les traitements nocturnes vers Airflow et dbt.

• Avant Modèle de prédiction du churn.

  Après Ciblé la campagne de rétention sur les clients les plus à risque grâce à un modèle scikit-learn, avec une hausse du taux de réabonnement mesurée par un test A/B.

• Avant Analyses ad hoc pour le marketing.

  Après Montré que la moitié du budget d'acquisition allait à un canal peu rentable, en croisant données de campagne et de commandes en SQL, et obtenu sa réaffectation.

Erreurs fréquentes

• Lister des algorithmes sans projet. « Random forest, XGBoost, réseaux de neurones » ne dit pas ce que vous savez faire. Un projet décrit avec son résultat le dit.
• Oublier l'effet de l'analyse. Une analyse se juge à la décision qu'elle a permise : dites qui l'a utilisée et ce qui a changé.
• Le même CV pour analyst, engineer et scientist. Les trois métiers ne recrutent pas sur les mêmes outils : remontez ceux du poste visé.
• Des chiffres confidentiels ou inventés. Donnez des ordres de grandeur ou des évolutions relatives si les montants sont confidentiels, mais jamais une mesure que vous ne pourriez pas justifier.
• Négliger la communication. Les offres data demandent très souvent de savoir restituer : montrez une présentation, un comité, une documentation.

Questions fréquentes