Exemples de CV de data analyst avec modèles

Exemples de CV de data analyst, du débutant au data scientist : BI et analytics engineering, avec un modèle à copier et les compétences SQL et outils à lister.

Zubair Baqai · Mis à jour le 25 oct. 2026

Le CV d'un data analyst doit prouver une chose avant toutes les autres : que votre analyse a changé une décision. N'importe qui peut lister SQL, Python et Tableau — les CV qui décrochent des entretiens montrent une question que quelqu'un a posée, l'analyse que vous avez menée et ce que l'entreprise a fait différemment grâce à elle. Les responsables du recrutement cherchent d'abord la stack technique, puis la preuve que vous avez transformé des données en résultat. Voici des exemples de CV de data analyst pour chaque niveau et chaque spécialité, du data analyst débutant au data scientist senior, chacun relié à un modèle réel que vous pouvez ouvrir, ainsi que les compétences, les rubriques et les chiffres qui font passer un CV au-delà de l'ATS et jusqu'à l'équipe de recrutement.

Les exemples d'abord, puis un modèle en texte brut que vous pouvez copier, puis les conseils de rédaction qui les sous-tendent tous — un profil technique resserré, des puces d'analyse centrées sur l'impact, la bonne rubrique de compétences et les mots-clés que recherche le logiciel de recrutement d'une entreprise. Les règles générales valables pour tout CV sont réunies dans notre guide de rédaction du CV ; cette page en est la version propre à la data.

Comment ces exemples ont été réalisés. Chaque CV ci-dessous est un vrai modèle Prezumi généré à partir d'un profil data complet — le même outil que celui que vous utiliseriez pour le vôtre — et non une maquette figée. Les noms, les entreprises et les chiffres sont donnés à titre d'illustration. La stack et les usages de recrutement reflètent la façon dont les équipes data trient couramment les CV ; ils varient selon l'entreprise et le pays, alors lisez l'annonce avant de reprendre quoi que ce soit tel quel.

Exemples de CV de data analyst par niveau et par spécialité

La « data » recouvre un éventail de métiers qui se ressemblent sur un site d'emploi et se vivent très différemment au quotidien. Un analyste débutant qui construit des tableaux de bord et un data scientist qui met en production un modèle de prévision partagent des outils et presque rien d'autre des problèmes qu'ils résolvent, et leurs CV devraient être aussi différents que leur travail l'est. Chaque exemple ci-dessous est un vrai CV rendu dans un modèle Prezumi épuré et compatible ATS : vous voyez ainsi le format exact de votre niveau et de votre spécialité, avant de construire le vôtre sur la même structure. Cliquez sur un exemple pour l'agrandir, ou reprenez-le comme profil de départ en un geste.

Data analyst débutant (débutant)

Un CV de data analyst débutant doit montrer que vous savez déjà faire le cœur du travail, même sans années d'emploi. Celui-ci met en avant la stack — SQL en premier, puis Excel, un outil de BI comme Tableau ou Power BI, et un peu de Python ou R — puis fait porter le poids à de vraies analyses : un projet de fin d'études, un stage, un projet Kaggle ou de portfolio, ou un tableau de bord construit pour une association étudiante. Les meilleures puces d'un débutant nomment la question, les données et la décision ou l'enseignement qui en est ressorti, avec un lien en ligne vers un tableau de bord ou un notebook qu'un relecteur peut ouvrir.

Pourquoi ce CV fonctionne

• La stack ouvre le CV, avec SQL en premier — la seule compétence que toute annonce d'analyste filtre — puis Excel, un outil de BI et un langage de script.
• Les projets sont traités comme de l'expérience : un projet de fin d'études, un stage et un tableau de bord de portfolio, chacun avec un lien en ligne qu'un relecteur peut ouvrir.
• Les puces nomment la question, les données et l'enseignement ou la décision, et non juste « données analysées en Python ».
• Il reste propre pour l'ATS, avec des intitulés standard et les noms d'outils exacts (SQL, Tableau, Power BI) sur lesquels un ATS filtre.

Data analyst (mi-carrière)

Un analyste de mi-carrière possède la boucle complète, de la question à la recommandation, et ce CV le montre. Il met en avant la stack et le domaine métier soutenu — marketing, produit, finance, opérations — puis montre le travail : écrire du SQL complexe sur un entrepôt de données, construire et maintenir des tableaux de bord que les parties prenantes utilisent vraiment, mener des analyses qui ont répondu à une vraie question, et présenter les conclusions à des personnes qui en ont tiré une décision. Les chiffres sont les résultats que l'analyse a produits — revenus, coûts, rétention ou efficacité — plus le volume des données et le nombre de parties prenantes servies.

Pourquoi ce CV fonctionne

• Il nomme le domaine métier soutenu, pour qu'un responsable du recrutement voie l'adéquation au domaine, et pas seulement les outils.
• Il montre la boucle complète de l'analyste : SQL complexe sur un entrepôt, tableaux de bord utilisés, analyses menées et conclusions présentées aux décideurs.
• Chaque puce d'analyse se rattache à un résultat — revenus, coûts, rétention ou gain d'efficacité — plutôt que de s'arrêter à « a construit un rapport ».
• Il quantifie le volume : lignes ou événements analysés, tableaux de bord maintenus, et parties prenantes ou équipes servies.

Analyste business intelligence (mi-carrière)

Un analyste BI construit la couche de reporting dont vit toute l'entreprise : ce CV met donc en avant la stack BI et entrepôt — Tableau, Power BI ou Looker au-dessus de Snowflake, BigQuery ou Redshift — puis montre le travail : concevoir des modèles de données et des couches sémantiques, construire des tableaux de bord en libre-service, définir les indicateurs sur lesquels tout le monde s'accorde, et supprimer le reporting manuel qui engloutissait une semaine par mois. Les chiffres sont les tableaux de bord et rapports adoptés, les heures de reporting manuel économisées, la fraîcheur et la fiabilité des données améliorées, et les décisions que la couche BI éclaire désormais à travers les équipes.

Pourquoi ce CV fonctionne

• Il met en avant la stack BI et entrepôt — Tableau, Power BI ou Looker sur Snowflake, BigQuery ou Redshift — qu'une annonce BI filtre.
• Il montre le travail de plateforme : modèles de données, couche sémantique, définitions d'indicateurs validées et tableaux de bord en libre-service dont d'autres équipes dépendent.
• Les résultats sont concrets : rapports adoptés, heures de reporting manuel économisées, et fraîcheur et fiabilité des données améliorées.
• Il cadre le poste comme un facilitateur de décisions à l'échelle de l'entreprise, et non comme une production de graphiques ponctuels, ce qui est le signal BI de mi-carrière.

Analytics engineer (mi-carrière)

Un analytics engineer se situe entre l'ingénierie des données et l'analyse : il transforme des données brutes en modèles propres, testés et documentés sur lesquels le reste de l'équipe s'appuie. Ce CV met en avant la stack data moderne — dbt, SQL, un entrepôt cloud et la gestion de versions — puis montre le travail : construire et tester des modèles de transformation, maintenir un entrepôt bien documenté, faire respecter la qualité des données, et fournir aux analystes des tables fiables pour travailler. Les chiffres sont les modèles construits et testés, les incidents de qualité des données réduits, le temps d'exécution des pipelines diminué, et les heures d'analyste économisées en ne re-dérivant pas partout la même logique.

Pourquoi ce CV fonctionne

• Il met en avant la stack data moderne — dbt, SQL, un entrepôt cloud, Git — qui définit le rôle d'analytics engineer.
• Il montre la rigueur d'ingénierie qui manque souvent aux analystes : modèles de transformation testés, documentation et gestion de versions.
• Les résultats se mesurent en fiabilité et en effet de levier : incidents de qualité des données en baisse, temps d'exécution réduit et heures d'analyste économisées.
• Il cadre le travail comme la construction du socle sur lequel les autres s'appuient, ce qui est exactement la façon dont une annonce d'analytics engineering lit l'impact.

Data scientist (senior)

Un CV de data scientist va au-delà du reporting, vers la modélisation et l'expérimentation, et les meilleurs gardent le résultat métier en vue. Celui-ci met en avant la stack — Python, SQL, les bibliothèques de ML et les statistiques — puis montre des modèles et des expériences qui ont été mis en production : un modèle prédictif en production, un test A/B qui a tranché une décision, une prévision autour de laquelle l'entreprise a planifié. Les chiffres associent la performance du modèle (exactitude, uplift, ou une métrique propre à la tâche) à l'impact en aval — revenus, rétention, coût ou risque réduit. C'est un CV senior : il montre donc aussi du leadership — fixer des standards d'expérimentation ou encadrer des analystes. Pour un parcours plutôt axé recherche, notre guide du CV universitaire explique comment lister les publications en entier.

Pourquoi ce CV fonctionne

• Il met en avant la stack de data science — Python, SQL, bibliothèques de ML, statistiques — et les méthodes que le rôle emploie réellement.
• Il montre un travail mis en production : un modèle en production, un test A/B qui a tranché une décision, une prévision autour de laquelle l'entreprise a planifié — et non des notebooks restés en local.
• Il associe les métriques du modèle (exactitude, uplift, AUC) au résultat métier, qui est ce qu'un responsable du recrutement achète réellement.
• À un niveau senior, il montre du leadership — standards d'expérimentation fixés, analystes encadrés — qui marque le périmètre au-delà de l'analyse individuelle.

Ingénieur machine learning (senior)

Un ingénieur ML au sein d'une équipe data possède le chemin qui va d'un modèle à un service de production fiable : ce CV penche donc vers l'ingénierie. Il met en avant la stack — Python, les frameworks de ML, et l'outillage MLOps et cloud — puis montre des modèles mis en production et maintenus en bonne santé : pipelines de features, service de modèles, monitoring de la dérive et ré-entraînement. Les chiffres sont l'impact en aval que le modèle a produit et les métriques d'ingénierie qui l'entourent — latence de service, disponibilité et coût de l'inférence. C'est là que la data rencontre le logiciel, et le CV doit prouver que vous maîtrisez les deux moitiés.

Pourquoi ce CV fonctionne

• Il met en avant la stack où la data rencontre le logiciel — Python, frameworks de ML, et outillage MLOps et cloud.
• Il montre le chemin de production complet : pipelines de features, service de modèles, monitoring de la dérive et ré-entraînement, et pas seulement l'entraînement du modèle.
• Il associe le résultat métier aux métriques d'ingénierie — latence de service, disponibilité et coût de l'inférence — prouvant les deux moitiés du rôle.
• Il nomme les systèmes et le travail de fiabilité qui distinguent un ingénieur ML d'un data scientist qui se contente de transmettre un notebook.

Un modèle de CV de data analyst à copier

Voici un CV complet de data analyst de mi-carrière en texte brut — une seule colonne, des intitulés standard, de vrais chiffres. C'est un modèle au sens pratique : remplacez par votre propre stack, votre entreprise et vos résultats, et vous avez un CV qu'un ATS peut lire et qu'un responsable du recrutement peut parcourir en quelques secondes.

Mei Tanaka

Chicago, IL · mei.tanaka@email.com · (312) 555-0164 · linkedin.com/in/mei-tanaka · github.com/meitanaka

Profil

Data analyst, quatre ans au service des équipes produit et marketing avec SQL, Python et Tableau. A construit les tableaux de bord en libre-service qui ont réduit de 60 % les demandes de données ad hoc et mené l'analyse de cohortes qui a refondu le parcours d'onboarding, faisant gagner 9 points à la rétention à 30 jours. Recherche un poste en analytics au sein d'une équipe centrée produit.

Compétences

SQL (avancé) · Python (pandas, scikit-learn) · Tableau · Power BI · dbt · Snowflake · Excel · Tests A/B · Statistiques · Communication avec les parties prenantes

Expérience

Data analyst — Lakefront Commerce, Chicago (2022–présent)

- Construction de 12 tableaux de bord Tableau en libre-service sur un entrepôt Snowflake, réduisant de 60 % les demandes de données ad hoc à l'équipe et libérant environ 15 heures d'analyste par semaine.

- Analyse de cohortes et de funnel du parcours d'inscription ayant conduit à une refonte de l'onboarding, faisant passer la rétention à 30 jours de 41 % à 50 %.

- Conception et analyse de tests A/B pour l'équipe marketing, dont un test sur la page de tarifs ayant augmenté la conversion de 7 % (340 k$ annualisés).

- Définition de l'indicateur north-star de l'entreprise et de sa logique SQL dans dbt, mettant fin à des mois de chiffres contradictoires entre les équipes.

Data analyst junior — Prairie Media, Chicago (2020–2022)

- Rédaction de SQL pour extraire et nettoyer les données de campagne d'un rapport de performance hebdomadaire utilisé par la VP Marketing.

- Automatisation en Python d'un rapport Excel manuel, réduisant une tâche hebdomadaire de 6 heures à 20 minutes.

Projets

Retards des transports de Chicago — Analyse de plus de 2 M d'enregistrements de la CTA en Python ; tableau de bord interactif et compte rendu. meitanaka.dev/cta

Formation

Licence en statistiques, University of Illinois Urbana-Champaign — 2016–2020

Certifications

Google Data Analytics Professional Certificate (2021) · Tableau Desktop Specialist (2022)

Ce qui fait la force de celui-ci : le profil nomme un résultat concret (60 % de demandes en moins, +9 points de rétention) dans les deux premières lignes, la rubrique de compétences liste les outils exacts qu'une annonce data recherche avec SQL en premier, et chaque puce d'expérience rattache l'analyse à une décision ou à un montant. La mise en page est volontairement sobre pour qu'un ATS extraie chaque champ proprement, et le lien du projet donne au relecteur quelque chose à ouvrir.

Ouvrez chaque puce d'analyse par la décision qu'elle a changée, pas par l'outil employé. « A construit un tableau de bord Tableau » est une tâche ; « a mené l'analyse de cohortes qui a refondu l'onboarding et fait gagner 9 points à la rétention » est un impact. Les outils ont leur place dans la rubrique de compétences et en détail d'appui — le responsable du recrutement achète votre capacité à transformer des données en décision, alors mettez la décision en premier et laissez SQL et Python l'appuyer.

Les compétences à mettre sur un CV de data analyst

Les compétences data se regroupent en catégories qu'un recruteur et un ATS parcourent tous deux. Listez les outils exacts — SQL en premier, presque toujours — regroupés pour que la stack se lise d'un coup d'œil, et restez honnête : tout ce qui figure sur cette liste peut tomber lors d'un entretien technique ou d'un test à la maison. Reprenez le vocabulaire de l'annonce quand il est vrai pour vous.

Évitez les barres de compétences et les pourcentages. « SQL 85 % » ne dit rien à un ATS et se lit comme du remplissage pour un responsable du recrutement — et cela appelle le test à la maison qui le démasque. Une liste regroupée et honnête, avec SQL en tête, plus des puces qui montrent les outils importants produisant une décision, vaut bien plus que n'importe quel graphique.

Comment rédiger chaque rubrique d'un CV de data analyst

Rédigez un profil qui nomme votre stack et une décision que vous avez changée

Deux ou trois phrases en haut de page : votre niveau et vos années, votre stack principale, et la seule décision la plus forte que votre analyse a produite. « Data analyst, quatre ans en SQL, Python et Tableau ; a construit les tableaux de bord qui ont réduit de 60 % les demandes ad hoc et l'analyse qui a fait gagner 9 points à la rétention » en dit plus à un responsable du recrutement qu'un paragraphe sur votre passion pour la data. Nommez le domaine métier que vous avez soutenu (produit, marketing, finance), car l'aisance dans le domaine est un vrai signal. Évitez un objectif sur ce que vous espérez apprendre ; le profil décrit ce que l'équipe y gagne.

Transformez l'analyse en décisions et en euros

« A analysé les données de ventes » décrit une tâche. « A mené l'analyse de churn qui a identifié le segment à risque, et la campagne de rétention bâtie dessus a récupéré 280 k$ par an » décrit un analyste qu'il vaut la peine de recruter. Le travail data se juge à ce qu'il a changé : un CV qui nomme le résultat se détache d'une pile de listes d'outils. Les chiffres qui comptent : revenus ou coûts déplacés par une décision que votre analyse a éclairée, efficacité gagnée (heures ou demandes économisées), rétention ou conversion améliorée par un test, et le volume des données et des parties prenantes servies. N'affirmez que ce que vous pouvez dérouler devant un recruteur — il demandera comment vous avez obtenu le chiffre.

Avant: Chargé de construire des tableaux de bord et des rapports dans Tableau. Après: Construction de 12 tableaux de bord Tableau en libre-service ayant réduit de 60 % les demandes de données ad hoc et libéré environ 15 heures d'analyste par semaine pour un travail plus approfondi.

Avant: A utilisé SQL et Python pour analyser les données clients. Après: Analyse de cohortes en SQL et Python ayant refondu le parcours d'onboarding, faisant passer la rétention à 30 jours de 41 % à 50 %.

Mettez les projets en avant quand l'expérience est mince

Pour un CV data de débutant ou de personne en reconversion, un vrai projet d'analyse fait le travail que des années d'expérience feraient. Donnez à vos deux ou trois meilleurs projets de vraies entrées : la question que vous avez posée, le jeu de données et sa taille, les méthodes et outils, l'enseignement trouvé, et un lien en ligne vers le tableau de bord, le notebook ou le compte rendu. Un relecteur cliquera : rendez-le donc lisible — une question claire, une visualisation propre et une conclusion énoncée valent mieux qu'un notebook tentaculaire sans narration. Une compétition Kaggle, un projet de fin d'études, une analyse de stage et un tableau de bord pour un club comptent tous ; traitez chacun avec la même rigueur qu'un emploi.

Employez les mots-clés que recherchent l'annonce et l'ATS

Les entreprises font passer les candidatures par un ATS qui analyse votre CV et le confronte à l'annonce. Les systèmes varient — certains écartent un prérequis manquant comme SQL, beaucoup se contentent de classer les candidats pour un recruteur — mais un fichier lisible par l'ATS et rédigé avec les mots de l'annonce vous donne les meilleures chances dans les deux cas. Reprenez les noms d'outils exacts de l'annonce quand c'est honnête : si elle dit « Power BI », « dbt » ou « BigQuery », employez ces termes plutôt qu'un générique « outils de BI » ou « entrepôt de données ». Gardez une mise en page lisible par l'ATS : une seule colonne, des intitulés standard (Profil, Compétences, Expérience, Projets, Formation), un PDF en texte réel, sans photo ni graphique à deux colonnes qui brouille l'analyse. Vous pouvez vérifier ce qu'un ATS extrait réellement de votre fichier avec le vérificateur de CV ATS gratuit de Prezumi, et les modèles compatibles ATS vous font partir d'une mise en page qui passe déjà.

Repères de salaire des data analysts

La rémunération dans la data grimpe fortement à mesure que le rôle passe du reporting vers la modélisation et l'ingénierie, et elle varie beaucoup selon le secteur et le rang de l'entreprise. Les fourchettes ci-dessous sont des chiffres de salaire de base américains indicatifs destinés à montrer comment la rémunération évolue selon le poste ; votre chiffre réel dépend de la localisation, du secteur et de la présence ou non d'actions. Pour les médianes nationales actuelles, l'Occupational Outlook Handbook du U.S. Bureau of Labor Statistics est la source citable.

Deux choses font le plus bouger ces chiffres : la profondeur du travail technique et le secteur. Le passage d'analyste à data scientist ou analytics engineer — là où la modélisation, l'expérimentation ou le code de production reposent sur vous — est le plus grand saut, et le même poste paie bien au-dessus de la moyenne dans la tech, la finance et la santé. Sur le CV, cela veut dire mettre en avant le travail le plus technique et à plus fort effet de levier que vous avez réellement fait, et nommer le secteur et le volume des données que vous avez traitées, car tous deux fixent la fourchette de salaire autant que l'intitulé.

Construisez votre CV de data analyst avec Prezumi

Prezumi conserve votre parcours data sous forme d'un seul profil et le décline dans plus de 55 modèles : vous écrivez la stack, les projets et les résultats une seule fois. Importez un CV existant pour éviter de tout retaper, choisissez un modèle compatible ATS qui garde une colonne unique et propre, et exportez un PDF en texte gratuitement. Quand vous postulez à un poste précis, l'éditeur IA reformule vos vraies entrées pour coller à l'annonce (il ne peut que retravailler les détails que vous avez saisis, il n'inventera donc pas un gain de rétention), et le vérificateur ATS confirme que le fichier s'analyse correctement avant l'envoi. Si c'est votre premier poste en data, notre guide du CV pour un premier emploi montre comment remplir un CV avec des projets, des stages et des enseignements plutôt qu'avec des années de poste, et les exemples de CV étudiant suivent la même approche d'une seule page. Envie de montrer l'analyse elle-même ? Un site portfolio mis en lien depuis le CV permet à un relecteur d'ouvrir vos tableaux de bord et notebooks en un clic. Pour la lettre qui accompagne la candidature, le générateur de lettre de motivation gratuit travaille à partir de votre CV et de l'annonce.

FAQ

Sur quoi un CV de data analyst doit-il se concentrer ?

La preuve que votre analyse a changé une décision, appuyée par la bonne stack technique. Listez SQL en premier — c'est la seule compétence que tout poste d'analyste filtre — puis vos outils de programmation, de BI et de statistiques, et construisez votre expérience autour de la boucle de la question à la recommandation : ce qu'on vous a demandé, ce que vous avez analysé, et ce que l'entreprise a fait différemment. Quantifiez le résultat (revenus, coûts, rétention, heures économisées) plutôt que de vous arrêter à « a construit un tableau de bord », et renvoyez vers un projet qu'un relecteur peut ouvrir.

Comment rédiger un CV de data analyst sans expérience ?

Laissez les projets porter le poids. Donnez à vos deux ou trois meilleurs projets d'analyse de vraies entrées avec la question, le jeu de données et sa taille, les outils, l'enseignement, et un lien en ligne vers le tableau de bord, le notebook ou le compte rendu. Un projet de fin d'études, une compétition Kaggle, une analyse de stage et un tableau de bord construit pour un club ou une association étudiante comptent tous. Ouvrez avec une rubrique de compétences (SQL en premier) et un profil qui nomme votre stack, et incluez un certificat pertinent comme le Google Data Analytics. Notre guide du CV pour un premier emploi explique comment remplir un CV sans années de travail rémunéré.

SQL est-il la compétence la plus importante sur un CV de data analyst ?

Oui — c'est la seule compétence qu'exige presque toute annonce de data analyst : listez-la donc en premier dans votre rubrique de compétences et montrez-la produisant un résultat dans votre expérience. Après SQL, les attentes courantes sont un outil de BI (Tableau, Power BI ou Looker), Excel avancé, et Python ou R pour une analyse plus poussée. Les postes seniors et d'analytics engineering ajoutent dbt, un entrepôt cloud et la gestion de versions. Reprenez les noms d'outils exacts de l'annonce là où c'est vrai pour vous, et soyez prêt à écrire du vrai SQL lors d'un entretien.

Quelle est la différence entre un CV de data analyst et un CV de data scientist ?

Un CV de data analyst est construit autour du reporting et de la réponse à des questions métier avec SQL, des outils de BI et des statistiques simples, et se mesure aux décisions et à l'efficacité que l'analyse a produites. Un CV de data scientist ajoute la modélisation et l'expérimentation — un modèle prédictif en production, un test A/B qui a tranché une décision — et associe la performance du modèle à l'impact en aval. Si vous passez d'analyste à data scientist, mettez en avant toute modélisation, prévision ou expérimentation que vous avez réellement faite.

Comment quantifier l'impact sur un CV data ?

Nommez la décision que votre analyse a changée et le chiffre qui s'y rattache. Les plus convaincants sont les revenus ou coûts déplacés par une décision que vous avez éclairée, la conversion ou la rétention améliorée par un test que vous avez mené, l'efficacité gagnée (heures ou demandes ad hoc économisées par un tableau de bord ou une automatisation), et le volume des données et des parties prenantes servies. Écrivez-les avec contexte — « analyse de cohortes ayant fait passer la rétention à 30 jours de 41 % à 50 % » — et n'affirmez que ce que vous pouvez dérouler devant un recruteur, car il demandera comment vous y êtes arrivé.

Quelle longueur pour un CV de data analyst ?

Une page pour les débutants et la plupart des analystes jusqu'à une dizaine d'années d'expérience environ. Deux pages ne se justifient que lorsqu'une décennie ou plus de travail directement pertinent et à fort impact les remplit vraiment — un data scientist senior ou un lead au long parcours. Gardez-le dense et précis ; un responsable du recrutement qui parcourt une pile préfère une page forte aux résultats clairs à deux pages gonflées de chaque outil et de chaque cours.

Dois-je lister des certifications data sur mon CV ?

Elles aident surtout au niveau débutant, où elles signalent que vous avez appris les outils de base. Parmi celles qui sont reconnues : le Google Data Analytics Professional Certificate, les certifications Tableau et Power BI, et pour les postes plus techniques, les certifications cloud data (AWS, GCP, Azure) ou une certification dbt. Placez-les dans une courte rubrique Certifications. Elles ne porteront pas un CV une fois que vous avez de la vraie expérience — ce sont les résultats mesurés qui le font — mais un certificat pertinent peut faire pencher une décision en début de carrière.

Un CV de data analyst doit-il comporter un lien de portfolio ?

Oui, et cela compte surtout en début de carrière. Un portfolio avec deux ou trois projets d'analyse propres — chacun avec une question claire, un tableau de bord ou un notebook lisible, et une conclusion énoncée — permet à un relecteur de voir comment vous pensez, et pas seulement quels outils vous listez. Mettez le lien dans votre en-tête. Pour les candidats débutants surtout, un bon portfolio peut faire plus qu'une moyenne. Un site portfolio mis en lien depuis le CV vous permet de montrer l'analyse elle-même en un clic.

Comment rendre mon CV de data analyst compatible ATS ?

Utilisez une mise en page à une seule colonne, des intitulés standard (Profil, Compétences, Expérience, Projets, Formation), et un PDF qui contient du texte réellement extractible plutôt qu'une image. Reprenez les noms d'outils exacts de l'annonce là où ils s'appliquent honnêtement — « Power BI », « Snowflake », « dbt » — et laissez de côté graphiques à deux colonnes, barres de compétences et icônes qui brouillent l'analyse. Le vérificateur de CV ATS gratuit de Prezumi réalise une vraie extraction de texte sur votre fichier et vous montre ce qu'un ATS en tire, pour confirmer que votre stack se lit proprement avant l'envoi.

Un CV de data analyst doit-il comporter une photo ?

Non, pour les postes aux États-Unis, au Royaume-Uni, au Canada et dans la plupart de l'Europe. Les entreprises n'ont pas besoin d'une photo, beaucoup préfèrent les candidatures sans photo pour éviter les biais, et une photo peut dérouter un ATS. Quelques pays attendent bien une photo sur tout CV ; suivez l'usage local si vous postulez dans un pays qui le demande clairement, mais omettez-la par défaut.

Comment adapter mon CV data à une offre précise ?

Lisez l'annonce pour en tirer la stack et le domaine, puis faites en sorte que le CV reflète les deux. Mettez les outils exacts qu'elle nomme dans votre rubrique de compétences là où c'est vrai pour vous, ouvrez l'expérience avec l'analyse la plus proche de ce que fait le poste, et ajustez le profil pour nommer le bon domaine métier. Ne revendiquez pas un outil que vous n'avez pas utilisé, mais réorganisez et reformulez votre vrai travail pour que l'adéquation saute aux yeux. L'éditeur IA de Prezumi retravaille vos vraies entrées pour une annonce sans rien inventer, et le vérificateur ATS confirme que le fichier s'analyse toujours proprement.

À propos de l’auteur

Zubair Baqai est ingénieur en IA et fondateur de Prezumi. Il l’a lancé après avoir étudié ce qui permet de décrocher des entretiens dans des entreprises comme Google, Meta, Microsoft et Amazon. Il rédige les guides de Prezumi sur le CV, le tri par ATS et les formats de CV. À propos de Prezumi

Votre boîte à outils de candidature

Des outils gratuits pour chaque étape d'une candidature. Sans inscription.

• Rédiger une lettre de motivation ciblée — Importez votre CV, collez l'offre d'emploi, choisissez un style et obtenez une lettre adaptée au poste en moins d'une minute.
• Transformez votre CV en site web — Convertissez votre CV en site personnel en ligne, avec un CV en ligne assorti et un lien partageable unique pour les recruteurs.
• Vérifiez si l’ATS peut lire votre CV — Importez votre PDF et obtenez un score instantané pour l’extraction du texte, l’ordre de lecture, les sections, les coordonnées et la force du contenu.
• Rédiger une lettre de démission — Indiquez votre nom, votre poste et votre dernier jour, choisissez un ton et obtenez une lettre de démission nette et professionnelle à copier ou à télécharger en PDF.
• Convertir en CV Harvard — Passez n'importe quel CV au format Harvard utilisé par les étudiants et les jeunes diplômés : aperçu immédiat, PDF téléchargeable gratuitement.
• Traduire votre CV — Traduisez votre CV entre l’anglais, l’espagnol, l’allemand, le français, l’italien, le portugais, le turc et l’arabe, en gardant la mise en page et les dates.
• Corrigez la formulation faible de votre CV — Détectez buzzwords, verbes faibles, puces vagues et métriques manquantes. Obtenez un score de formulation de 0 à 100 et des réécritures plus fortes.
• Convertir en CV Europass — Transformez tout CV au format type Europass attendu par les employeurs européens — aperçu instantané, téléchargement PDF gratuit.
• Convertir GPA et notes — Convertissez entre GPA américain, pourcentage, notes lettrées, mentions britanniques, ECTS et CGPA sur 10 — et voyez si vous avez obtenu une mention cum laude.

Explorez les pages principales