Ce parcours est-il fait pour toi ?
Tu viens de commerce ou d'un domaine non-tech
Data Analyst ou Product Owner Data sont tes portes d'entrée naturelles. SQL + Power BI suffisent pour commencer.
Voir Data Analyst →Tu as un background technique (info, ingé, maths)
Data Engineer, Data Scientist ou AI Engineer sont accessibles en sortie d'école avec Python et les bonnes certifications.
Voir Data Engineer →Tu es déjà en poste data et tu veux progresser
Ce parcours est orienté débutants. Explore plutôt les fiches métiers seniors et les certifications avancées.
Voir les métiers seniors →Quel est ton point de départ ?
Clique sur ta situation pour voir un plan personnalisé.
5 étapes pour entrer dans la data
Comprendre les métiers de la data
⏱ 1 semaineAvant d'apprendre quoi que ce soit, il faut savoir vers quel métier tu te diriges. Data Analyst, Data Engineer, Data Scientist, ML Engineer : chaque rôle a des compétences différentes.
Ce que tu dois faire
Lire les fiches métiers Data Universe pour comprendre les différences
Identifier le rôle qui correspond à ton profil et tes objectifs
Regarder les salaires et les compétences requises pour chaque poste
Apprendre SQL — la compétence n°1
⏱ 2 à 4 semainesSQL est présent dans pratiquement toutes les offres data, quel que soit le métier. C'est la compétence la plus rentable à acquérir en premier : facile à apprendre, immédiatement valorisable.
Ce que tu dois faire
Suivre un cours SQL débutant (SQLZoo ou SQLBolt sont gratuits)
Pratiquer avec de vraies données sur BigQuery sandbox (gratuit)
Réaliser les exercices de 8 Week SQL Challenge (gratuit)
Ressources Data Universe
Apprendre Python pour la data
⏱ 4 à 8 semainesPython est le langage standard de la data. Mais si tu vises Data Analyst, commence par Power BI — c'est la compétence n°1 des offres junior en France. Python (Pandas) arrive ensuite pour les analyses plus avancées.
Ce que tu dois faire
Si tu vises Data Analyst : apprendre Power BI (Microsoft Learn, gratuit) — présent dans 80% des offres junior
Suivre Python for Everybody (Coursera, gratuit en audit) pour les bases du scripting
Pratiquer Pandas sur des datasets publics (Kaggle) : lecture de fichiers, groupby, merge
Ressources Data Universe
Décrocher ta première certification
⏱ 4 à 12 semainesUne certification valide tes compétences auprès des recruteurs et t'oblige à apprendre de façon structurée. Commence par une certification cloud accessible — elles sont reconnues, abordables et bien documentées.
Ce que tu dois faire
Choisir entre Google Data Analytics Certificate (débutant, 6 mois) ou AWS Cloud Practitioner (2 mois)
Suivre les cours officiels et la documentation
Passer l'examen — le taux de réussite au premier essai est élevé si tu révises sérieusement
Construire ton premier projet réel
⏱ 2 à 4 semainesUn projet concret sur ton CV vaut plus que 3 certifications. Il démontre que tu sais appliquer ce que tu as appris sur un vrai problème. Il n'a pas besoin d'être parfait — il doit être réel.
Ce que tu dois faire
Choisir un sujet qui t'intéresse vraiment (sport, finance, mobilité, santé…)
Récupérer des données ouvertes (data.gouv.fr, Kaggle Datasets, APIs publiques)
Construire un dashboard simple ou une analyse complète, la publier sur GitHub
Ressources Data Universe
Ce que tout débutant se demande
Faut-il être matheux pour travailler dans la data ?
Pour un poste de Data Analyst ou Data Engineer, non. Les maths de lycée suffisent. Pour Data Scientist ou ML Engineer, un niveau Bac+3 en statistiques est utile mais pas bloquant : beaucoup de Data Scientists ont appris les stats sur le tas. Commence par les métiers moins math-intensifs si tu pars de zéro.
Combien de temps pour trouver un premier poste ?
De 6 à 18 mois selon ton profil de départ. Quelqu'un qui part d'un profil analytique (finance, marketing, RH) peut viser Data Analyst en 6 mois. Une reconversion complète depuis un profil non technique prend plutôt 12-18 mois. La clé : combiner formation + certif + projet réel.
Faut-il faire un master pour entrer dans la data ?
Non. Les certifications cloud (AWS, GCP, Azure) sont reconnues par les recruteurs. Un portfolio avec 2-3 projets bien documentés compensera l'absence de diplôme dans la majorité des recrutements en PME et scale-ups. En grands groupes et cabinets, un Bac+5 est souvent attendu pour les postes seniors.
Par quel outil commencer : Python ou SQL ?
SQL en premier, sans hésiter. Il s'apprend plus vite, s'utilise dans tous les métiers data, et te permettra d'être opérationnel rapidement. Python arrive ensuite naturellement. Les deux sont indispensables à terme.
Mon profil commerce ou non-technique est-il un handicap ?
Non, surtout pour Data Analyst et Product Owner Data. Beaucoup d'entreprises cherchent des profils qui combinent compréhension métier et maîtrise des données — c'est exactement ce que tu apportes. Commence par SQL et Power BI, qui se maîtrisent en quelques semaines, et tu seras opérationnel rapidement. Le bagage technique se construit en poste.
Quelle certification choisir selon le métier que je vise ?
Data Analyst → Google Data Analytics Certificate (orienté SQL, Sheets, Tableau, accessible sans prérequis, ~180h). Data Engineer → AWS Data Engineer Associate (cloud AWS, pipelines, plus technique). Data Scientist → AWS ML Specialty ou Google Professional ML Engineer (statistiques et Python requis). Cloud Practitioner (AWS) ou Cloud Digital Leader (Google) sont de bons points de départ cloud pour n'importe quel métier.
Quelle est ta prochaine étape ?
Tu as le parcours. Choisis maintenant le métier qui te correspond — et découvre exactement quelles compétences et certifications te mèneront là-bas.
Tu peux aussi t'abonner à la newsletter pour suivre les ressources data chaque semaine.