Questions d'entretien Data Analyst (et réponses)

Un entretien de Data Analyst teste quatre choses : ta maîtrise du SQL, ta rigueur statistique, ta capacité à résoudre un cas analytique flou et ton sens business — savoir transformer un chiffre en décision. La technique compte, mais c'est ta façon de raconter la donnée qui fait la différence. Voici les questions qui reviennent et comment y répondre.

Au programme :

• À quoi ressemble un entretien de Data Analyst
• Les grandes familles de questions
• SQL et manipulation de données : quoi répondre
• Statistiques et cas analytique
• Business sense et storytelling data
• Questions comportementales

À quoi ressemble un entretien de Data Analyst

Le process type comporte trois à cinq étapes : un call RH ou recruteur, un test technique SQL (à la maison ou en live), un cas analytique ou une étude de cas métier, parfois un entretien avec l'équipe data, et un dernier échange avec le manager ou le stakeholder que tu servirais au quotidien. Chaque étape mesure une dimension différente.

Le fil rouge de toutes ces épreuves : on ne cherche pas quelqu'un qui sort une requête parfaite, mais quelqu'un qui relie la donnée à une décision. Un analyste qui explique pourquoi il a choisi telle métrique, qui doute d'un chiffre trop beau et qui traduit un résultat en action rassure bien plus qu'un candidat qui récite des définitions. Ta capacité à vulgariser vaut autant que ta technique.

Les grandes familles de questions

Selon ton niveau, le curseur bouge : un junior est surtout testé sur le SQL et la solidité de ses bases stats ; un confirmé sur le cadrage d'un problème ambigu, le choix des métriques et sa capacité à influencer une décision produit ou marketing.

SQL et manipulation de données : quoi répondre

Le SQL est le filtre le plus discriminant. On ne cherche pas la syntaxe parfaite mais la logique de raisonnement : sais-tu joindre proprement, éviter les doublons, choisir le bon niveau d'agrégation ? Verbalise toujours ta démarche avant d'écrire.

Question : « Quelle est la différence entre un INNER JOIN et un LEFT JOIN, et quand utilises-tu l'un ou l'autre ? »

Réponse-modèle (junior) : « L'INNER JOIN ne garde que les lignes présentes des deux côtés ; le LEFT JOIN conserve toutes les lignes de la table de gauche, même sans correspondance. J'utilise le LEFT JOIN dès que je veux repérer une absence — par exemple lister les clients qui n'ont passé aucune commande le mois dernier : je joins clients et commandes en LEFT, puis je filtre les lignes où la commande est nulle. Sur mon projet de bootcamp, c'est comme ça que j'ai isolé 12 % de comptes inactifs à relancer. »

Pour un profil confirmé, on attend une réflexion sur la performance et les cas piégeux (doublons de jointure, valeurs nulles, fenêtrage).

Question : « Comment calculerais-tu le chiffre d'affaires cumulé mois par mois par catégorie de produit ? »

Réponse-modèle (confirmé) : « J'agrège d'abord les ventes par mois et par catégorie, puis j'applique une fonction de fenêtrage — un SUM cumulé partitionné par catégorie et ordonné par mois. Le piège classique, c'est d'oublier les mois sans vente : je génère d'abord un calendrier de référence pour ne pas casser la continuité de la courbe. Sur un poste précédent en e-commerce, ce type de vue a permis au directeur commercial de repérer qu'une catégorie décrochait trois mois avant qu'on ne le voie dans le reporting mensuel. »

La règle : explique la logique métier derrière la requête, et mentionne les cas limites. « Je ferais attention aux doublons introduits par cette jointure » est un signal de séniorité fort.

Statistiques et cas analytique

Les questions de stats ne cherchent pas le cours de fac. On veut vérifier que tu ne te fais pas piéger par un chiffre : significativité, taille d'échantillon, corrélation vs causalité, biais de sélection. Reste simple et donne l'intuition avant la formule.

Question : « Ton A/B test montre +8 % de conversion sur la variante B. Tu recommandes de la déployer ? »

Réponse-modèle : « Pas tout de suite. Je vérifie d'abord si l'écart est significatif : quelle est la taille de l'échantillon, la p-value, l'intervalle de confiance ? Un +8 % sur 200 visiteurs ne veut rien dire, sur 50 000 c'est solide. Je regarde aussi la durée du test — au moins un cycle hebdomadaire complet pour lisser l'effet week-end — et si un segment tire tout le résultat. Si tout tient, je recommande le déploiement en chiffrant le gain annuel attendu. Sinon, je propose de prolonger. »

Le cas analytique est l'épreuve reine. On te donne un énoncé volontairement flou (« les inscriptions ont chuté de 20 % ce mois-ci, que se passe-t-il ? ») et on observe ta méthode. Applique cette séquence :

1. Cadre la question. « De quelle métrique exacte parle-t-on, sur quelle période, quel périmètre ? Est-ce une baisse en volume ou en taux ? »
2. Formule des hypothèses. Segmente : est-ce un canal, une zone géographique, un device, un problème de tracking ?
3. Priorise la vérification. « Je commencerais par vérifier si c'est un vrai signal ou un bug de collecte, c'est l'explication la plus fréquente et la plus rapide à écarter. »
4. Conclus par une action. Ne t'arrête pas au diagnostic : propose la décision ou la mesure suivante.

Ne cherche pas LA bonne réponse : montre que tu structures un problème ambigu et que tu pars toujours de la question business, comme le ferait un Product Manager sur son propre terrain.

Business sense et storytelling data

C'est ce qui sépare un analyste d'un exécutant de requêtes. On veut savoir si tu choisis les bonnes métriques et si tu sais présenter un résultat à quelqu'un qui n'a jamais ouvert un tableur.

Question : « Le CEO te demande : est-ce que notre dernière campagne marketing a marché ? Comment réponds-tu ? »

Réponse-modèle (confirmé) : « Je définis d'abord ce que "marcher" veut dire avec lui : acquisition, coût par client, ou revenu ? Admettons le coût d'acquisition. Je répondrais en une phrase : "La campagne a ramené 1 200 clients à 18 € pièce, contre 25 € en moyenne sur nos autres canaux — donc oui, elle est plus rentable, et je propose d'y réallouer 20 % du budget du canal le plus cher." Un chiffre, une comparaison, une reco. Je garde le détail méthodo pour les questions. »

Ce format — une conclusion actionnable d'abord, le détail ensuite — est exactement ce qu'un décideur attend. Entraîne-toi à résumer n'importe quelle analyse en trois phrases.

Questions comportementales

Un Data Analyst passe la moitié de son temps à collaborer avec des métiers qui ne parlent pas data. L'entretien creuse donc ta communication, ta gestion des demandes contradictoires et ta réaction quand un résultat dérange. Structure chaque récit avec la méthode STAR et prépare aussi les questions comportementales classiques.

Question : « Parle-moi d'une fois où ton analyse a été remise en cause par un métier. »

Réponse-modèle : « Une responsable marketing contestait mon calcul de taux de rétention, plus bas que ses chiffres à elle. Plutôt que de défendre ma requête, j'ai déroulé avec elle ma définition d'un client "retenu" : on ne comptait pas la même fenêtre. On a aligné la définition, documenté la règle dans notre dictionnaire de métriques, et l'écart a disparu. J'ai appris que 80 % des désaccords data viennent d'une définition floue, pas d'une erreur de calcul. »

Question : « Comment gères-tu plusieurs demandes urgentes en même temps ? »

Réponse-modèle (junior) : « Je pose deux questions à chaque demandeur : pour quand, et pour quelle décision ? Ça révèle vite les vraies urgences des demandes de confort. En stage chez un acteur retail, je recevais dix demandes de dashboards par semaine ; en clarifiant l'usage réel, j'en ai transformé la moitié en un self-service que les équipes consultaient seules, ce qui m'a libéré deux jours par semaine pour l'analyse de fond. »

Questions fréquentes

Faut-il connaître Python en plus du SQL ? Le SQL est non négociable ; c'est le socle testé partout. Python (ou R) est un plus attendu sur les postes plus analytiques ou orientés modélisation. Pour un premier poste, un SQL solide et un outil de dataviz (Looker, Power BI, Tableau) suffisent souvent à convaincre.

Comment réviser le test SQL sans stresser ? Refais des exercices sur les jointures, les agrégats groupés et les fonctions de fenêtrage — c'est 80 % de ce qu'on teste. Entraîne-toi surtout à verbaliser ta logique avant d'écrire : en live, un recruteur note ta démarche autant que le résultat final.

Junior sans expérience pro, comment convaincre ? Appuie-toi sur un projet perso ou de formation de bout en bout : une vraie question, un jeu de données réel, une conclusion actionnable. Sache expliquer tes choix de métriques et ce que tu ferais autrement. Un projet bien raconté vaut mieux qu'une liste d'outils.

Quelle est l'erreur la plus fréquente en entretien Data Analyst ? Rester dans la technique et oublier le « so what ». Beaucoup de candidats décrivent leur méthode sans jamais dire quelle décision elle a permise. Termine toujours par l'impact business, chiffré si possible.

S'entraîner pour de vrai

La partie SQL et stats se travaille seul, sur des exercices. Mais ce qui fait vraiment la différence en entretien — cadrer un cas flou à voix haute, choisir les bonnes métriques sous pression, résumer une analyse en trois phrases pour un décideur — ne se répète pas devant une base de données. Avec Repartie, tu colles la fiche de poste, un recruteur IA calibré sur le rôle de Data Analyst te fait passer une simulation vocale (cas analytique, business sense, comportemental), puis te rend un feedback noté sur 100 sur ta clarté, ta structure et ton assurance. L'aperçu est gratuit, sans carte bancaire. Essayer gratuitement.