Missions, compétences clés, salaire, formation et débouchés du métier de data analyst (business) — pour vous orienter et réussir votre alternance à Lyon.
Bonjour. Data analyst est un métier clé dans les entreprises, particulièrement en école de commerce.
La rémunération d'un data analyst (business) en alternance est encadrée par la loi : elle correspond à un pourcentage du SMIC selon l'âge et l'année de contrat (de 27 % à 100 % du SMIC en apprentissage, 55 % à 100 % en contrat de professionnalisation), auquel s'ajoutent les aides. Montant indicatif : de ~490 € à ~1 800 € brut/mois. Estimez votre rémunération →
Le métier de data analyst (business) se prépare en alternance (niveau B3), visant le titre RNCP RNCP34734. C'est une voie idéale pour se former tout en étant rémunéré et en acquérant une expérience concrète en entreprise à Lyon.
Voir les offres d'alternance data analyst (business) à Lyon →L'École de Commerce de Lyon et l'EFCM forment à ce métier en alternance — fort réseau d'entreprises partenaires, accompagnement personnalisé et rentrées souples. La meilleure voie pour réussir dans ce métier.
Découvrir les formations du groupe ECL →Sans mot de passe : entrez votre email et accédez aux offres d'alternance correspondantes à Lyon, avec alertes personnalisées.
Bonjour. Data analyst est un métier clé dans les entreprises, particulièrement en école de commerce. Pendant cette séance, nous découvrirons ensemble l'univers professionnel du data analyst business : où travaillent-ils, quelles sont leurs missions quotidiennes, quelles compétences vous permettront d'exceller. Ce cours prépare les futurs alternants à s'insérer rapidement et à performer dès leur entrée en poste. À la fin, vous comprendrez si ce métier vous correspond et vous posséderez les bases pour le maîtriser.
Ce cours est organisé en trois axes. D'abord, découvrir le métier : son environnement économique, les secteurs qui emploient, les profils d'employeurs typiques, et comment le métier se situe dans l'organisation. Ensuite, maîtriser les outils et méthodes : SQL pour extraire les données, Excel et Power BI pour visualiser, les méthodologies d'analyse business, et comment raconter une histoire avec les chiffres. Enfin, performer et évoluer : garantir la qualité des données, démontrer l'impact business de vos analyses, et comprendre les chemins de carrière. À vous de jouer.
Depuis les années 1960, l'informatique a révolutionné la capacité des entreprises à stocker et traiter les données. Dans les années 1990, le business intelligence a émergé, puis le Big Data a explosé après 2010. Aujourd'hui, en 2026, le métier de data analyst business est devenu une pénurie de talents : les entreprises recherchent des diplômés d'écoles de commerce qui maîtrisent les outils, mais surtout le business acumen. Cela signifie que vous avez une excellente position de marché.
Retail embauche pour optimiser stocks et offres clients. Finance pour risques et fraude. Consulting crée des équipes pour piloter transformations. Toutes les organisations savent qu'une décision sans donnée est au hasard. Vos options de carrière sont très larges.
L'environnement varie énormément selon la taille de l'entreprise. Dans un grand groupe comme une banque, vous ferez partie d'une équipe de vingt data analysts, spécialisé sur un domaine (fraude détection, scoring clients). Les outils seront premium, les processus formalisés, la carrière prévisible. Dans une ETI, vous serez plus polyvalent : vous gérerez l'analytics du département ventes, production et RH. Dans une PME, vous serez un data analyst presque généraliste, proche du patron, où vos insights auront un impact direct et immédiat. Dans une startup, vous construirez l'analytics à partir de zéro. Chaque contexte a ses avantages : la stabilité et la spécialisation d'un côté, la polyvalence et l'impact direct de l'autre.
Créez votre compte gratuit et recevez les offres d'alternance data analyst (business) à Lyon.
Quelques chiffres pour vous motiver : selon France Num et Pôle Emploi, le data analyst fait partie des métiers en tension. Les entreprises ont du mal à recruter, ce qui veut dire que vos compétences seront très recherchées. Un diplômé d'école de commerce alternant peut espérer 28 000 à 32 000 euros brut par an. Après deux ou trois ans, un confirmé gagne 40 000 à 50 000 euros, bonus inclus. La mobilité est bonne : vous pouvez travailler partout en France, et les salaires font que les entreprises sont prêtes à recruter à distance.
Pour synthétiser cette première sous-partie : le data analyst business est fondamentalement un traducteur qui lit les données et parle le langage métier. Vous le trouverez dans tous les secteurs, du retail au pharma, du public au privé. Son positionnement varie : très spécialisé en grand groupe, très polyvalent en PME, mais toujours au cœur des décisions. Le marché le recherche activement, ce qui vous place en position de force pour votre alternance ou votre premier CDI.
Voici les cinq activités qui structurent votre semaine. D'abord, l'extraction et le nettoyage : vous écrivez une requête SQL pour récupérer les données de ventes du mois, vous supprimez les doublons, vous validez la complétude. Puis vient l'analyse : vous calculez des taux de croissance, des parts de marché, vous créez des graphiques pour identifier les tendances. L'interprétation suit : vous expliquez pourquoi les ventes de tel produit ont baissé, c'est peut-être une promotion concurrent, un délai de livraison, une saisonnalité. Ensuite, vous racontez cette histoire avec une dataviz percutante, une slide, une email à votre directeur. Enfin, vous pilotez : vous mettez en place un tableau de bord qui rafraîchit les chiffres chaque nuit, vous configurez des alertes si une métrique sort des limites. C'est cette combinaison technique et narrative qui fait que le métier n'est jamais monotone.
Passons maintenant aux livrables concrets. Votre employeur attend de vous quatre types de livrables. Un rapport mensuel de performance, par exemple pour les ventes ou le marketing : trois à quatre pages avec graphiques accrocheurs, une synthèse et trois à cinq recommandations actionnables. Chaque semaine, vous entretenez un tableau de bord que les métiers consultent pour piloter leur activité : elle met à jour les chiffres clés, les taux, les alertes. Vous envoyez une email hebdomadaire récapitulant les faits saillants et les alertes (par exemple, « nous sommes 5 % en dessous du budget production cette semaine »). Enfin, le directeur vous demande régulièrement un deep-dive : pourquoi telle métrique s'est dégradée, quelle est la corélation avec telle action marketing, quelles sont vos recommandations. C'est très concret, très ancré dans le business.
Résumé de cette sous-partie : le métier de data analyst business alterne entre tâches techniques (SQL, Excel, Power BI) et tâches métier (discussion avec les responsables, présentation des résultats, recommandations). Vous ne codez pas toute la journée ; vous construisez plutôt une chaîne de valeur qui amène les données brutes à devenir des insights qui changent les décisions. Les livrables sont très concrets : rapport, dashboard, email, présentation. C'est ce qui rend le métier attirant pour une école de commerce : vous n'êtes pas que des techniciens, vous êtes des conseillers.
Les hard skills demandés pour un junior sont précis. D'abord, SQL : vous devez écrire une requête SELECT avec WHERE pour filtrer, JOIN pour croiser deux tables, GROUP BY pour agréger, et des fonctions comme SUM, COUNT, AVG. Ce n'est pas compliqué, mais c'est indispensable. En Excel, il faut maîtriser les tableaux croisés dynamiques pour agréger les données, la fonction RECHERCHEX pour faire des jointures, Power Query pour importer et transformer des données. En BI, il faut au minimum connaître Power BI ou Tableau : créer un graphique, un filtre interactif, un indicateur clé. Pour les stats, les notions basiques suffisent : comprendre une moyenne, un écart-type, la corrélation. Vous n'avez pas besoin d'une maîtrise de mathématiques bac+5. Les entreprises forment aussi sur les outils spécifiques.
Mais les hard skills ne suffisent pas. Un excellent data analyst se distingue par ses qualités humaines. D'abord, la curiosité business : vous ne devez pas attendre qu'on vous demande une analyse, vous devez aller vers les métiers, poser des questions, comprendre leurs enjeux, anticiper ce qui pourrait les intéresser. Deuxième, la communication claire : vous devez pouvoir expliquer à un directeur commercial que vous avez eu un problème de jointure SQL en trois mots qu'il comprendra. Troisième, la rigueur analytique : vous relisez votre travail, vous validez les sources de données, vous documentez vos hypothèses (« j'ai supposé que les annulations = zéro en bas »). Enfin, l'orientation résultats : vous ne dites jamais « les ventes ont baissé de 3 % » ; vous dites « les ventes ont baissé de 3 %, et nous devrions relancer le segment PME en Rhône-Alpes avec une offre personnalisée ». Ce sont ces qualités qui feront de vous un asset précieux, pas seulement un expert technique.
Pour conclure cette première partie : le profil recherché combine des hard skills techniques (SQL, Excel, Power BI) et des soft skills humains (curiosité, communication, rigueur, orientation action). Comme diplômé d'une école de commerce, vous avez un avantage compétitif : vous comprenez déjà le langage du business, vous savez ce que signifie un budget, une marge, une stratégie. Les data analysts issus d'écoles d'ingénieur peuvent être meilleurs techniciens, mais vous serez meilleur à traduire. C'est ce qui fait la différence.
Voici les quatre commandes SQL qu'un junior utilise 80 % du temps. D'abord, SELECT : vous listez les colonnes que vous voulez récupérer de la table. Par exemple, SELECT ventes, region FROM commandes récupère la colonne ventes et region. WHERE vous permet de filtrer : SELECT * FROM commandes WHERE region = 'Île-de-France' ne récupère que les commandes d'Île-de-France. JOIN vous permet de combiner deux tables : par exemple, vous avez une table commandes et une table clients ; pour avoir le nom du client à côté du montant de commande, vous faites une jointure. GROUP BY vous permet d'agréger : par exemple, GroupBy region et SUM(ventes) vous donne les ventes totales par région. Ces quatre éléments vous permettent de résoudre 90 % des questions de business. Le reste, ce sont des variantes ou des fonctions spécifiques (UNION, DISTINCT, HAVING).
Ventes : « Top 10 clients rentables » = SELECT client_id, SUM(profit) GROUP BY ORDER BY DESC. Logistique : « Taux retard par région » = SELECT region, COUNT(*), taux_retard_pct. Marketing : « Nouveaux clients par canal » = SELECT canal_acquisition, COUNT(DISTINCT client_id). Chaque question métier = requête SQL. Vous répondez en secondes.
Les chiffres parlent d'eux-mêmes. Selon l'APEC, 92,5 % des offres pour un data analyst business exigent la maîtrise de SQL. C'est la compétence technique numéro un. Vous voyez aussi que les data engineers et les BI consultants ont besoin de SQL, mais pour les data scientists, SQL est moins critique (71,8 %) parce qu'ils travaillent souvent en Python ou R. Pour vous, data analyst school of commerce, SQL est non-négociable. La bonne nouvelle, c'est que c'est une compétence qui s'apprend vite. Trois à six mois de pratique régulière et vous êtes opérationnel.
Résumé de cette sous-partie : SQL est le langage qui vous donne accès aux données. C'est simple, logique, et c'est exactement le même partout, du PME au grand groupe. Vous n'avez pas besoin d'une formation bac+5 mathématiques pour apprendre SQL : c'est juste une question de pratique. Les entreprises l'attendent de vous, c'est chiffré dans 92,5 % des offres d'emploi. Donc votre priorité numéro un lors de votre alternance : devenir au minimum compétent en SQL.
Excel reste l'outil numéro un des data analysts business pour une raison : c'est universel, rapide et puissant. Les trois fonctionnalités à maîtriser : d'abord, les tableaux croisés dynamiques. Vous avez 10 000 lignes de ventes avec colonnes date, région, produit, montant. Vous voulez voir les ventes par région et par mois. Une TCD vous génère ça en trois clics. Deuxième, RECHERCHEX (ou VLOOKUP en version ancienne). Vous avez deux feuilles : une avec client_id et montant_commande, une autre avec client_id et nom_entreprise. RECHERCHEX croise automatiquement. Troisième, Power Query : vous avez un CSV avec des espaces inutiles, des doublons, des dates au mauvais format. Power Query nettoie tout via une interface de transformation visuelle. Avec ça, vous n'avez pas besoin de Python ou R pour les tâches légères.
Une fois vos données nettoyées en Excel ou SQL, vous les connectez à une plateforme BI pour créer des dashboards interactifs. Trois options majeures en 2026. D'abord Power BI, le produit Microsoft : c'est souvent déjà acheté par les grandes organisations parce qu'elles ont Office 365. C'est puissant, intégré à l'écosystème Windows/Azure, et les prix sont raisonnables. Deuxième, Tableau, acquis par Salesforce : c'est le leader du graphique interactif, très beau, très puissant, mais plus coûteux. Troisième, Looker Studio, le produit Google : c'est gratuit, simple, idéal si vous utilisez Google Sheets ou Google Analytics. Comme data analyst junior, vous allez probablement travailler avec ce que l'entreprise utilise. Les trois font le même job : connecter vos données, créer des graphiques, ajouter des filtres, et générer des rapports. Apprendre l'un vous permet d'apprendre les autres en une semaine.
Règle simple en dataviz : votre cerveau traite l'information rapidement si elle est simple, mais lentement si elle est compliquée. Limitez-vous à trois éléments par slide ou par dashboard : un graphique (qui raconte l'histoire), un chiffre clé (le KPI principal), une observation textuelle (« attention, diminution de 5 % »). Utilisez au maximum trois couleurs : une pour les clients, une pour les produits, une pour les alertes. Vous avez trois secondes pour que quelqu'un comprenne votre message. Si ça prend plus de trois secondes, ça veut dire que votre dataviz n'est pas claire. Refactorisez : divisez en deux slides, enlevez les détails, ou changez le type de graphique. C'est ce qui sépare les excellents data analysts des médiocres : la simplicité et la clarté.
Cette sous-partie vous prépare à la visualisation des données. Excel et Power BI ne sont pas des fins en soi : ce sont des moyens de communiquer. Vous maîtrisez Excel avancé (TCD, RECHERCHEX, Power Query) pour les analyses légères et rapides, et au moins une plateforme BI pour les dashboards durables et interactifs. Mais le secret, c'est la dataviz : choisir le bon graphique, la bonne couleur, pour que le message passe en trois secondes. C'est ce qui vous rendra un asset précieux pour votre employeur.
Voici quatre méthodes qu'un data analyst business utilise constantment. La segmentation : vous groupez vos clients par critères (région, âge, fréquence d'achat) pour identifier les patterns. Par exemple, les clients de Paris dépensent 40 % plus cher que ceux de provinces. L'analyse de cohortes : vous prenez tous les clients qui se sont inscrits en janvier et vous suivez combien reviennent en février, mars, avril. Cela vous dit si vos clients restent fidèles ou partent. Le funnel analysis : le client entre par une pub, consulte un produit, ajoute au panier, puis... abandonne ? Pourquoi ? Vous décomposez chaque étape pour trouver les fuites. Enfin, RFM : vous notez pour chaque client depuis quand il n'a pas acheté (Recency), combien de fois il achète par mois (Frequency), combien il dépense (Monetary). Vous identifiez vos meilleurs clients (RRF = hautes valeurs) et vos clients à risque (RRF = faibles valeurs).
Data storytelling : contexte (croissance 5 %) → problème (0 % ce mois) → donnée (régions/produits/canaux) → insight (PME IDF -12 %) → recommandation (relancer avec offre). Progression claire = rapport technique devient story. Format : graphique, trois chiffres clés, contexte, action. Excellents analysts : ceux qui racontent bien.
Pour clore cette sous-partie et la partie 2 : vous avez maintenant les outils (SQL, Excel, Power BI) et les méthodes (segmentation, cohortes, funnel, RFM). Mais ce qui vous rendra indispensable, c'est votre capacité à raconter une histoire avec les données. À poser la bonne question, à creuser pour trouver la cause, à proposer une action concrète. Les data analysts qu'on garde longtemps ne sont pas les meilleurs codeurs, ce sont les meilleurs communicateurs.
Les quatre pièges classiques en analyse de données. D'abord, corrélation versus causalité : vous observez que les ventes augmentent quand il pleut. Conclusion : « la pluie augmente les ventes »? Non, c'est peut-être aléatoire, ou il y a une troisième variable (la pluie est en automne, et automne = saison haute pour votre produit). Deuxième, biais de sélection : vous envoyez une enquête de satisfaction à vos clients. Répondent surtout les satisfaits. Vous concluez que vous êtes au-dessus de 90 % de satisfaction. Faux : les mécontents n'ont pas répondu. Troisième, le paradoxe de Simpson : dans chaque région, votre produit A se vend mieux que le produit B. Mais au total, le B se vend plus. Comment ? Parce que le B est surreprésenté dans les régions à haut volume. C'est contre-intuitif. Quatrième, données manquantes : 30 % de votre base de données n'a pas l'âge du client renseigné. Si vous faites une segmentation par âge, vous travaillez sur 70 % des données, ce qui biaisa vos conclusions. Un bon data analyst questionne toujours ses données avant de conclure.
Pour éviter les pièges, voici les bonnes pratiques. D'abord, documenter : quand vous écrivez une requête SQL ou une formule Excel, notez les hypothèses. Par exemple : « j'ai supposé que les retours = 0 si la date de retour est vide ». Pourquoi ? Parce qu'un collègue relisant votre travail comprendra vos hypothèses et pourra les questionner. Deuxième, validation croisée : avant de présenter une conclusion importante (« nous devrions abandonner ce produit »), faites vérifier par un collègue. Il peut voir une erreur que vous avez manquée. Troisième, audits réguliers : les données changent, des colonnes sont ajoutées, des processus métier évoluent. Votre analyse de janvier peut ne plus être valide en juillet. Reprenez-la régulièrement. Quatrième, versionner : gardez trace des versions de votre analyse. Excel avec Date_modification, Git avec des commits, peu importe. Vous pourrez rejouer une analyse six mois plus tard si besoin.
À retenir pour cette sous-partie : la qualité des données n'est pas glamour, mais c'est la base de tout. Vous passerez plus de temps à nettoyer qu'à analyser. Il y a quatre pièges classiques à connaître. Et vous avez trois règles pour éviter les pièges : documenter, valider, auditer. Un data analyst qui produit une analyse rapide mais fausse est pire qu'un data analyst qui prend une semaine mais produit une analyse juste.
Trois axes. Gain revenue : pricing optimal +3 % = 300K€ sur 10M€ CA. Économie coûts : consolidation transport = 200K€/an. Efficacité : dashboard élimine 3h/semaine reporting = 7.8K€/an. Documentez, chiffrez ces impacts pour justifier augmentation/promotion.
E-commerce : cohorte analysis → 40 % churn, retard livraison → 10 % seulement → améliorer logistique = +15 % retention = 2M€. Banque : scoring fraude automatisé = -80 % incidents = 5M€ savings. Retail : stock optimization = 3M€ cash + réactivité. SaaS : segmentation produit = +25 % adoption = 1.5M€.
Regardons les chiffres : une entreprise moyenne de 50 millions d'euros de chiffre d'affaires embauche un data analyst pour 35 000 euros brut annuel plus charges (coût total ~50 000 euros). Cet analyst génère en moyenne 550 000 euros d'impact. Où ? 150 000 en optimisation processus, 200 000 en gain de revenue, 120 000 en réduction de fraude, 80 000 en efficacité opérationnelle. L'entreprise gagne 11 euros pour chaque euro investi. C'est pour ça que les data analysts sont recherchés : ce n'est pas une dépense, c'est un investissement qui se rembourse en 4,5 mois.
Pour conclure cette sous-partie : ne produisez jamais une analyse sans réfléchir à son impact. Vous n'êtes pas un technicien qui produit des rapports, vous êtes un consultant qui crée de la valeur. Cette valeur se mesure en euros. Un data analyst qui dit « j'ai créé un dashboard » est moins bien payé qu'un data analyst qui dit « ce dashboard réduit le reporting de 15 heures/semaine, soit 780 000 euros annualisés ». C'est cette conscience de l'impact qui vous fera progresser dans votre carrière.
Voici votre trajectoire typique. Phase junior, vous arrivez alternant, vous apprenez SQL, Excel, Power BI. Vous posez des questions basiques. Au bout de six mois, vous êtes autonome pour des tâches simples. Au bout d'un an, vous livrez vos premiers impacts mesurables : vous avez proposé une segmentation client qui le directeur a adoptée, elle rapporte 50 000 euros. À deux ans, vous candidatez pour un poste confirmé. Phase confirmée, vous gérez des projets du début à la fin. Vous extrayez les données, vous analysez, vous présentez au directeur, vous implémentez les recommandations. Vous avez aussi commencé à former des alternants. À quatre ans, vous postulez senior. Phase senior, vous êtes l'expert analytics du département ou de l'entreprise. Vous définissez la stratégie : « nous devons passer de Power BI à Tableau », « nous devons créer une équipe data science ». Vous êtes au côté du directeur. Après sept ans, deux chemins : restez specialist (vous devenez expert très profond en BI ou en data science) ou basculez management (vous gérez une équipe de 5-10 analysts). Comme école de commerce, le management sera plus naturel pour vous.
Au-delà du senior, deux chemins. Le chemin specialist : vous devenez un expert très profond. Par exemple, expert en machine learning et prédiction, vous travaillez sur les projets les plus critiques de l'entreprise. Ou expert en retail analytics, vous êtes un consultant interne pour tous les enjeux retail. Ou expert en compliance analytics et audit, vous décidez si une transaction est suspecte. Vous gagnez 70 000 euros+, vous êtes très recherché. Le chemin management : vous commencez à manager une petite équipe (3-5 analytics) ; vous apprenez comment motiver, évaluer, développer. À 30 personnes, vous êtes chef de service analytics. À 100+, vous êtes VP analytics ou CTO. Les salaires montent à 100 000 euros+ rapidement. Indépendamment du chemin, investissez dans la formation continue : certifications (Microsoft, Google, Tableau), conférences (qui vous apprend les trends), learning communities (Slack, meetups locaux). Vous resterez employable et vous progresserez plus vite.
Avant de terminer, voici un panorama des postes adjacents auxquels vous pouvez pivotage. En data scientist, vous approfondissez les stats et le machine learning ; c'est plus technique, moins métier. En data engineer, vous construisez l'infrastructure pour traiter les données ; c'est presque pas du métier. En product manager, vous définis des produits analytics (dashboards, APIs) que d'autres data analysts utilisent ; c'est plus business que technique. En chief data officer, vous dirigez toute la stratégie data d'une l'entreprise ; c'est très senior et très business. Votre parcours de base est data analyst junior → confirmé → senior. À partir de senior, vous avez ces options. Chacun paye différemment et demande des compétences différentes. Réfléchissez à celui qui vous attire quand vous avez un peu d'expérience.
Pour conclure : vous êtes au début d'une carrière prometteuse. Dans les trois prochains ans, vous apprendrez les fondamentaux et vous progresserez de junior à confirmé. Passé quatre ans, vous devenez senior, vous pilotez des projets, vous influencez la stratégie. Passé sept ans, vous choisissez : rester expert très spécialisé ou passer au management. Le marché vous recherche partout. Investissez dans votre formation, restez curieux, documentez vos impacts. Vous aurez une carrière lucrative et passionnante.
Pour approfondir, consultez les ressources académiques sur la data visualization et la big data, les guides pratiques en business intelligence, les articles presse sur les tools et le marché, et surtout les référentiels officiels de France Num et l'APEC. Microsoft Learn propose des formations gratuites en Power BI. Continuez à vous former : les tools évoluent vite, la curiosité est votre meilleur atout.
Ce lexique regroupe les termes techniques majeurs que vous rencontrerez. Base de données : où vivent vos données. Cohorte : groupe d'utilisateurs suivis dans le temps. Corrélation : attention, pas la même chose que causalité. Dashboard : votre ami, vous créerez beaucoup. Funnel : comment les clients progressent. Insight : le trésor que vous cherchez. Métrique : ce que vous mesurez. Segmentation : comment vous divisez les données. Maîtrisez ce vocabulaire, vous paraîtrez un expert.
SQL : interroger et extraire les données ; Excel avancé et dataviz (Power BI, Tableau, Looker Studio) ; Analyse business et restitution des résultats.
La rémunération d'un data analyst (business) en alternance est encadrée par la loi : elle correspond à un pourcentage du SMIC selon l'âge et l'année de contrat (de 27 % à 100 % du SMIC en apprentissage, 55 % à 100 % en contrat de professionnalisation), auquel s'ajoutent les aides. Montant indicatif : de ~490 € à ~1 800 € brut/mois.
Le métier de data analyst (business) se prépare en alternance (niveau B3), visant le titre RNCP RNCP34734. C'est une voie idéale pour se former tout en étant rémunéré et en acquérant une expérience concrète en entreprise à Lyon.
Sur Lyon Alternance : créez votre compte gratuit pour accéder aux offres d'alternance data analyst (business) à Lyon et recevoir les nouvelles offres en temps réel.
Léa