Parcours métier Data

Formation Data Analyst : de débutant à opérationnel

Maîtrisez l'analyse de données avec Excel, SQL, Power BI et Python. Une formation pratique, accessible aux débutants, fondée sur des projets business réels et un accompagnement expert.

Comprendre la logique data sans prérequis technique
Nettoyer, structurer et analyser des données avec Excel, SQL et Python
Créer des dashboards professionnels avec Power BI
Interpréter les KPI et raconter une histoire claire avec les données

Postuler maintenant Voir le programme

Un parcours conçu pour les débutants, étudiants, profils business, finance, marketing, supply chain, RH, consultants juniors et professionnels en reconversion vers la data.

Data Analyst career training — Excel, SQL, Python, statistics and Power BI

Carrière Data

Contingent Services Profiles Vendors

Compétences clés

Workforce externe

Services Procurement

Compliance

Workforce Analytics

Excel, SQL & Python

Statistiques & analyse métier

Power BI & dashboards

Portfolio, storytelling & carrière

Le rôle

Quel est le rôle d’un Data Analyst ?

Le Data Analyst aide les entreprises à comprendre leurs données pour prendre de meilleures décisions. Il collecte, nettoie, structure, analyse et visualise les données afin d’identifier des tendances, expliquer les performances, suivre les KPI et présenter des recommandations claires aux équipes métier.

Comprendre le besoin métier

Identifier les bonnes questions, les indicateurs importants et les décisions à éclairer.

Analyser les données

Nettoyer, transformer, explorer et interpréter les données avec les bons outils.

Communiquer les insights

Créer des dashboards, expliquer les résultats et recommander des actions concrètes.

Programme

Programme du parcours Data Analyst

Un parcours progressif, de zéro à l’autonomie, pour apprendre à analyser des données, construire des dashboards, présenter des insights et créer un portfolio professionnel.

Introduction à la Data Analytics

Qu’est-ce que la Data Analytics ?
Différence Data Analyst, Data Scientist, Data Engineer
Cycle de vie d’un projet data
Données, KPI et décisions
Exemples business : ventes, finance, RH, marketing

Pensée analytique et questions métier

Définir une problématique
Identifier les parties prenantes
Choisir les KPI et hypothèses
Métriques vs dimensions
Analyse descriptive, diagnostique, prédictive, prescriptive

Fondamentaux des données

Données structurées et non structurées
Tables, lignes, colonnes
Types de variables et sources
Données propres vs données brutes
Qualité, doublons, valeurs manquantes et éthique

Excel / Google Sheets fondamentaux

Interface et logique tableur
Formules de base
Références relatives et absolues
Tri, filtres et nettoyage simple
Mise en forme conditionnelle et bonnes pratiques

Analyse avancée avec Excel

XLOOKUP / VLOOKUP / INDEX / MATCH
IF, SUMIFS, COUNTIFS
Text et date functions
Data validation
Pivot tables et pivot charts

Mini-projet Excel

Nettoyer un fichier de ventes
Créer des indicateurs
Construire un tableau croisé
Ajouter des graphiques et identifier les tendances
Rédiger une synthèse et présenter les résultats

Introduction aux bases de données relationnelles

Tables et relations
Clés primaires et étrangères
Schéma de base de données
Normalisation à haut niveau
SGBD et cas d’usage entreprise

SQL fondamentaux

SELECT, FROM, WHERE
ORDER BY et LIMIT
DISTINCT et aliases
Filtering logic
Bonnes pratiques d’écriture

SQL intermédiaire

INNER JOIN et LEFT JOIN
GROUP BY et aggregations
HAVING
CASE WHEN
Date et text functions

SQL avancé pour analystes

Subqueries
Common Table Expressions
Window functions
Ranking, running totals et cohort analysis
Query optimization basics

Mini-projet SQL

Explorer un schéma
Écrire des requêtes d’analyse
Segmenter les clients
Calculer des KPI et identifier les tendances
Extraire un dataset propre et présenter les insights

Python fundamentals for analysts

Variables, types et conditions
Loops et functions
Lists et dictionaries
Notebooks
Good coding habits

Data analysis with Pandas

DataFrames et import CSV/Excel
Inspect data, select columns, filter rows
Missing values et duplicates
Groupby
Merge datasets

Data cleaning and transformation

Data types et outliers
Missing values strategy
Duplicates et text cleaning
Date parsing et feature creation
Data quality checks

Exploratory Data Analysis with Python

Descriptive statistics
Distribution et correlation
Group comparisons et time trends
Visualization with Matplotlib
Insight extraction et notebook structure

Mini-projet Python

Import et clean data
Transform columns
Explore trends et visualize
Write conclusions
Export dataset et présenter notebook

Statistiques essentielles

Mean, median, mode
Range, variance, standard deviation
Percentiles et distribution
Correlation vs causation
Sampling et interprétation

Business analytics et KPI design

KPI definition et North Star metric
Sales et finance KPIs
Marketing KPIs
Operations et HR KPIs
Limites des KPI

A/B testing et decision support

Hypothesis testing awareness
Control vs treatment
Conversion rate
Statistical significance et experiment design
Interpreting results

Data visualization fundamentals

Chart selection
Bar, line, scatter, histograms
Heatmaps awareness
Visual hierarchy
Common visualization mistakes

Data storytelling

Insight vs observation
Story structure
Context, finding, recommendation
Executive summary et visual explanation
Audience adaptation et action-oriented conclusion

Présentation aux parties prenantes

Slide structure et dashboard walkthrough
Explaining assumptions
Handling questions
Recommendations et limitations
Next steps et communication professionnelle

Introduction à Power BI

Power BI Desktop et Service
Data sources
Import vs DirectQuery
Query editor
Reports vs dashboards et BI workflow

Power Query et data preparation

Power Query interface
Data types
Remove duplicates et split columns
Merge et append queries
Applied steps et refresh

Data modeling in Power BI

Fact et dimension tables
Relationships et star schema
Cardinality et filter direction
Date table
Model best practices

DAX fundamentals

Measures vs calculated columns
SUM, COUNT, AVERAGE
CALCULATE basics
Time intelligence awareness
KPI measures et best practices

Dashboard design in Power BI

KPI cards
Slicers et filters
Drill-down et tooltips
Layout et dashboard UX
Executive view

Power BI publishing et governance

Publish report
Workspaces et refresh schedule
Row-level security awareness
App sharing
Documentation, versioning et data governance

Mini-projet Power BI

Import data et clean in Power Query
Build data model
Create DAX measures
Design report pages, filters et interactions
Publish et présenter dashboard

Advanced analysis patterns

Customer segmentation
Cohort et funnel analysis
Retention analysis
Forecasting et anomaly detection
Root cause et scenario comparison

AI-assisted data analysis

Prompting for data analysis
Explaining datasets
Generating SQL et Python ideas
Insight validation et avoiding hallucinations
Responsible AI usage

Data ethics, privacy et governance

Data privacy et personal data
Bias awareness
Access control
Data quality et documentation
Governance et responsible analytics

Sales et marketing analytics

Revenue analysis
Customer segmentation et conversion rate
Campaign performance
Sales funnel et retention
Average order value et marketing ROI

Finance et operations analytics

Revenue et margin
Budget vs actual et cost analysis
Inventory KPIs
Delivery performance et bottlenecks
Productivity KPIs et operational reporting

HR et people analytics

Headcount et turnover
Absenteeism
Recruitment funnel
Training et performance overview
Diversity awareness et confidentialité

SAP et ERP data awareness

ERP data concept
Master data
Transactional data
Finance, procurement, sales et inventory data
SAP reporting awareness

Building a Data Analyst portfolio

Portfolio structure
Project selection et GitHub
Case study writing
Dashboard screenshots
Insights, recommendations et présentation

CV, LinkedIn et interview preparation

Data Analyst CV
LinkedIn profile
Project storytelling
Technical interview, SQL et Power BI practice
Business case interview

Projet final — Business Analytics Capstone

Define business problem et collect dataset
Clean data et analyze with SQL/Python
Build KPI logic
Create Power BI dashboard et interpret results
Write recommendations, présenter case study, ajouter au portfolio

Certification readiness et spécialisation

Microsoft PL-300 awareness
Google Data Analytics awareness
IBM Data Analyst awareness
SQL et Power BI practice plan
Portfolio roadmap et continuous learning

Compétences

Les compétences Data que vous allez développer

Un ensemble de compétences data, SQL, Python, statistiques, BI, visualisation et carrière indispensables au métier de Data Analyst.

Fondamentaux data

Types de données, sources, KPI, variables, tables, qualité et cycle d’analyse.

KPI
Variables
Cycle

Excel / Google Sheets

Formules, tableaux croisés, nettoyage, fonctions de recherche, graphiques et reporting.

Pivot tables
Formules
Reporting

SQL

SELECT, JOIN, GROUP BY, aggregations, subqueries, window functions et data extraction.

JOIN
GROUP BY
Window

Python pour l’analyse

Python basics, Pandas, NumPy, data cleaning, transformation et exploratory analysis.

Pandas
Notebooks
EDA

Statistiques

Moyenne, médiane, variance, distribution, corrélation, sampling, hypothèses et A/B testing basics.

Distribution
Corrélation
A/B testing

Business Intelligence

Power BI, data model, relationships, DAX basics, measures, dashboards et report publishing.

Power BI
DAX
Dashboards

Data visualization

Chart selection, visual hierarchy, KPI cards, filters, dashboard UX, storytelling et reporting exécutif.

Charts
Storytelling
Exec reporting

Carrière & portfolio

Case studies, business questions, insight presentation, portfolio, interview et profil pro.

Portfolio
Interview
LinkedIn

Workflow

Comprendre le workflow complet d’un Data Analyst

Business

Comprendre la question métier

Business problem. Clarifier le besoin, les KPI, les utilisateurs et la décision à soutenir.

Sources

Collecter les données

Sources & extraction. Identifier les fichiers, bases SQL, exports, outils BI ou données ERP nécessaires.

Prep

Nettoyer et transformer

Data preparation. Corriger les erreurs, valeurs manquantes, doublons, formats et incohérences.

Analysis

Analyser

SQL, Python & statistics. Explorer les tendances, segments, écarts, corrélations et anomalies.

Visual

Visualiser

Power BI & dashboards. Créer des rapports clairs, interactifs et adaptés aux décideurs.

Action

Recommander

Storytelling & action. Présenter les insights, limites, risques et actions recommandées.

Capstone

Projet final — Business Analytics Capstone

Réalisez un projet complet de Data Analyst, depuis la question business jusqu’à la présentation finale, à ajouter à votre portfolio.

Définir le problème business
Collecter le dataset
Nettoyer les données
Analyser avec SQL et/ou Python
Construire la logique des KPI
Créer un dashboard Power BI
Interpréter les résultats
Rédiger les recommandations
Présenter le case study final
Ajouter le projet au portfolio

Construire mon parcours Data Analyst

Outils

Outils et technologies abordés

Excel / Google Sheets

SQL & bases de données relationnelles

Python, Pandas, NumPy & Jupyter Notebook

Power BI, Power Query & DAX

Data visualization & storytelling

AI assistants for analysis

GitHub & portfolio awareness

SAP / ERP data awareness

Spécialisations

Après ce parcours, choisissez votre spécialisation Data

Ce parcours donne une base Data Analyst complète. Ensuite, l’apprenant peut choisir une spécialisation selon son profil, son niveau technique et ses objectifs.

Business Intelligence Analyst — Power BI, dashboards, KPI et reporting décisionnel

SQL Data Analyst — bases de données, requêtes complexes et analyse structurée

Python Data Analyst — Pandas, automatisation, nettoyage et analyse exploratoire

Marketing Data Analyst — campagnes, conversion, segmentation et performance

Finance Data Analyst — contrôle de gestion, budgets, coûts et reporting financier

Operations / Supply Chain Analyst — stocks, livraisons, productivité et qualité

HR Data Analyst — effectifs, recrutement, turnover, formation et performance

SAP / ERP Data Analyst — données ERP, finance, achats, ventes ou stocks

Analytics Engineer — modélisation, pipelines, dbt, data warehouse et gouvernance

Data Scientist Path — machine learning, statistiques avancées et modélisation prédictive

Les débouchés dépendent du profil, de l’expérience, du niveau d’engagement et du marché. La formation ne garantit pas un emploi mais renforce les compétences nécessaires pour évoluer vers des rôles Data Analyst.

Méthode

Une méthode pensée pour apprendre la data par la pratique

Progression zero-to-hero

Commencer par les bases, puis avancer vers SQL, Python, Power BI, storytelling et projets complets.

Cas business réels

Apprendre à travers des situations proches des entreprises : ventes, finance, RH, marketing, supply chain et ERP.

Portfolio dès le départ

Transformer les exercices en projets visibles et présentables.

Autonomie analytique

Savoir poser les bonnes questions, analyser proprement, expliquer les limites et recommander des actions.

Certification

Préparation aux certifications Data

Ce parcours peut aider à construire les bases nécessaires pour préparer une future certification Data Analyst, Power BI ou Business Intelligence selon la spécialisation choisie. Il ne doit pas être présenté comme une certification officielle Microsoft, Google ou IBM sauf si une offre certifiante officielle est confirmée.

Préparer Power BI / PL-300

Aborder les concepts de la certification Microsoft Power BI Data Analyst.

Renforcer SQL, Excel et Python

Pratiquer régulièrement les outils essentiels du Data Analyst.

Construire un portfolio professionnel

Présenter ses projets de manière claire pour démontrer ses compétences.

Prêt à commencer votre parcours Data Analyst ?

Rejoignez un parcours conçu pour partir de zéro, maîtriser Excel, SQL, Python, Power BI, statistiques, storytelling et construire un portfolio de projets Data.

Postuler maintenant Parler à un conseiller

Candidature

Postulez au parcours Data Analyst

Complétez le formulaire pour recevoir des informations sur le parcours, l’organisation et les prochaines étapes.

Remplir le formulaire

Questions fréquentes

Vos questions sur le parcours Data Analyst

Non. Le parcours commence de zéro. Python et SQL sont introduits progressivement avec une approche pratique et orientée analyse, pas développement logiciel avancé.

Oui. Le parcours est conçu pour les débutants, étudiants, profils business et professionnels en reconversion. Il commence par les bases data, Excel et la logique analytique.

Le parcours couvre Excel ou Google Sheets, SQL, Python, Pandas, statistiques, data visualization, Power BI, Power Query, DAX, dashboards, storytelling, AI-assisted analysis et portfolio.

Le Data Analyst se concentre sur l'analyse, les KPI, les dashboards et l'aide à la décision avec Excel, SQL, Python et Power BI. Le Data Scientist va plus loin avec des modèles prédictifs, machine learning, statistiques avancées, IA, expérimentation et déploiement de modèles.

Oui. Le parcours inclut Power BI, Power Query, data modeling, DAX basics, dashboard design, publishing awareness et mini-projet Power BI.

Oui. SQL est couvert de manière progressive : requêtes simples, filtres, jointures, agrégations, CASE WHEN, subqueries, CTEs, window functions et mini-projet SQL.

Oui. Python est introduit pour l’analyse de données avec les bases du langage, Pandas, nettoyage, transformation, analyse exploratoire et notebooks.

Oui. Le parcours inclut plusieurs projets : EDA, dashboards Power BI, segmentation client, forecasting, NLP/text analytics et un capstone final. Pour aller plus loin avec des cas projet immersifs, voir aussi notre Masterclass.

Il peut aider à construire les bases nécessaires pour préparer une future certification Data Analyst, Power BI ou SQL. Pour un parcours certifiant SAP structuré, voir le Parcours Certification. Les conditions officielles doivent toujours être vérifiées sur les plateformes des éditeurs.

L’objectif est d’atteindre un niveau autonome et business-ready : comprendre une problématique, nettoyer les données, analyser avec SQL/Python, construire un dashboard Power BI, présenter des insights et créer un portfolio.

Oui. Les compétences Data Analyst peuvent être appliquées aux données ERP/SAP : finance, achats, ventes, stocks, supply chain, RH et reporting opérationnel.

Selon le profil, l'apprenant peut évoluer vers Data Scientist, Machine Learning Specialist, BI Engineer, Marketing Analytics ou Finance Analytics. Voir nos tarifs et options de financement ou postuler maintenant.