Aperçu
Les CV de data analysts regorgent de listes d'outils. SQL, Python, Tableau, Power BI, Excel. Tout le monde les liste. Mais lister des outils, ce n'est pas montrer ce que vous en faites. Un recruteur ne cherche pas quelqu'un qui connaît pandas. Il cherche quelqu'un qui a utilisé pandas pour résoudre un problème business concret et mesurable.
Ce CV est celui de Margaux, data analyst avec quatre ans d'expérience. Elle est actuellement chez BNP Paribas dans l'équipe Risk Analytics, où elle accompagne la direction des risques sur un encours de 14 milliards d'euros. Avant cela, elle était chez Société Générale (direction marketing, 4,2 millions de clients) et chez Criteo (publicité programmatique). Ce qui rend ce CV efficace, c'est que chaque outil mentionné est associé à un résultat.
L'accroche : domaine, données, impact
Data analyst avec quatre ans d'expérience en analyse de données business et construction de tableaux de bord décisionnels. Actuellement chez BNP Paribas où j'accompagne la direction des risques dans le pilotage de portefeuilles représentant 14 milliards d'euros d'encours.
14 milliards d'euros d'encours, c'est le contexte. Le recruteur comprend que les analyses de Margaux ont un impact financier direct. La mention "tableaux de bord décisionnels" positionne le rôle : elle ne fait pas du reporting pour du reporting. Ses dashboards alimentent des décisions.
Pour votre CV : Mentionnez le secteur dans lequel vous analysez des données, le volume de données ou d'enjeu financier, et le type de livrables que vous produisez.
BNP Paribas : l'analyse de risques
"Construis et maintiens 18 tableaux de bord Power BI suivis quotidiennement par 45 analystes risques"
"Automatisé la production de rapports réglementaires, réduisant le temps de préparation de 3 jours à 4 heures"
"Identifié des anomalies dans les données de provisionnement ayant permis de corriger 2,3 millions d'euros d'écarts"
Le bullet à 2,3 millions d'euros est le plus fort du CV. Identifier des anomalies qui mènent à une correction de cette ampleur, c'est une contribution directe et mesurable. La réduction de 3 jours à 4 heures pour les rapports réglementaires montre l'impact de l'automatisation.
La formation de 25 collaborateurs à Power BI ajoute une dimension de leadership technique.
Société Générale : le marketing bancaire
Le poste chez Société Générale apporte la dimension client :
"Analyse des comportements de 4,2 millions de clients pour segmenter les offres produit"
"Développé un modèle de scoring d'attrition en Python atteignant une précision de 87 %"
"Créé 12 dashboards Tableau pour le suivi des campagnes marketing"
4,2 millions de clients analysés et un modèle d'attrition à 87 % de précision : ce sont des résultats qui montrent une vraie compétence en data science appliquée. Le passage de l'analyse marketing à l'analyse de risques chez BNP montre aussi une polyvalence sectorielle.
Formation : Paris-Dauphine, statistique appliquée
Le Master en Mathématiques Appliquées (Statistique) de l'Université Paris-Dauphine est une formation de référence pour les métiers de la data en France. Le mémoire de recherche sur les méthodes de clustering appliquées à la segmentation client montre une capacité à combiner théorie statistique et application business.
Certifications : Power BI et Google Data Analytics
La certification Microsoft Power BI Data Analyst Associate valide la maîtrise de l'outil de visualisation le plus demandé en entreprise. Le Google Data Analytics Professional Certificate ajoute une validation des compétences analytiques globales.
Le projet d'automatisation : la pièce maîtresse
"Automatisé 23 rapports mensuels via Python et Airflow"
"Réduction du temps de production de 3 jours à 4 heures"
"Zéro erreur de conformité sur 12 mois consécutifs"
Automatiser 23 rapports réglementaires avec zéro erreur sur 12 mois, c'est un argument de fiabilité. En environnement bancaire, les erreurs de conformité ont des conséquences réglementaires et financières. Ce projet prouve que l'automatisation n'a pas seulement gagné du temps : elle a aussi amélioré la qualité.
Les erreurs fréquentes sur un CV de data analyst
Lister des outils sans contexte. "SQL, Python, Power BI" ne dit rien. "18 dashboards Power BI suivis par 45 analystes" dit tout.
Oublier l'impact business. "Créé un tableau de bord" n'est pas un résultat. "Identifié 2,3 M EUR d'écarts" en est un. Reliez toujours votre travail technique à un impact business.
Ne pas mentionner le volume de données. 4,2 millions de clients, 14 milliards d'encours : ces chiffres montrent l'échelle de votre travail.
Sous-estimer la formation des collègues. Si vous formez des non-techniciens à Power BI ou à l'utilisation de données, c'est une compétence de communication qui vaut de l'or.
Un dernier point
La data analyse, c'est raconter des histoires avec des chiffres. Votre CV doit faire la même chose. Chaque bullet devrait répondre à trois questions : quelle était la question business, qu'avez-vous trouvé, et qu'est-ce qui a changé grâce à votre analyse. Si vous pouvez répondre à ces trois questions pour chaque point de votre CV, vous êtes en bonne position.
