Data Analyst

Capacité à articuler un lien causal entre l'analyse et la décision : la question métier de départ, la démarche analytique, le résultat communiqué, et la décision prise. Bonus : la·le candidat·e cite ce qui aurait pu invalider sa conclusion et comment il·elle a contrôlé contre ce risque. Les candidat·e·s qui décrivent uniquement la complexité technique sans rattacher à une décision révèlent une posture d'exécution déconnectée du métier.

Humilité analytique et capacité à se challenger soi-même. Bonus : la·le candidat·e cite la source précise de la découverte de l'erreur (un·e stakeholder qui a remis en cause, une donnée incohérente repérée à froid, une cross-check qui n'a pas tenu). Les candidat·e·s qui répondent « ça ne m'est jamais arrivé » mentent ou n'ont pas livré d'analyses non triviales sur la durée.

Capacité à reformuler la demande pour en extraire le vrai besoin avant de refuser. Bonus : la·le candidat·e a proposé une alternative qui répondait au besoin sous-jacent (par exemple : refus de produire un rapport hebdomadaire ad-hoc, proposition d'un dashboard self-service). Les candidat·e·s qui décrivent leur posture comme « toujours servir le client interne » sans nuancer révèlent une faiblesse de cadrage qui produit du bruit analytique.

Cadrage avant exécution : (1) comprendre quelle décision sera prise sur la base de ces 12 indicateurs (souvent aucune, ou seulement 2-3 vraiment exploités), (2) proposer une version réduite avec les 3-4 indicateurs qui actionnent vraiment, (3) discuter de la cadence (hebdo vs mensuel) en fonction du cycle de décision. Les candidat·e·s qui livrent les 12 indicateurs sans questionner produisent du noise reporting et seront vite débordé·e·s.

Pragmatisme face au chaos : (1) cartographier les sources de données et les questions métier prioritaires AVANT de proposer une stack, (2) commencer par des analyses ad-hoc sur les sources brutes pour valider la demande réelle, (3) ne pas se lancer dans le chantier data warehouse complet dès le jour 1, (4) proposer une stack minimale (Fivetran / Airbyte + BigQuery / Snowflake + dbt + Metabase / Looker) seulement après avoir validé que les questions justifient l'investissement. Les candidat·e·s qui veulent construire la stack data parfaite avant la première analyse révèlent une faiblesse de priorisation.

Transparence et rapidité : (1) signaler immédiatement au·à la responsable direct·e ET aux consommateurs du dashboard, (2) chiffrer l'écart entre la métrique fausse et la vraie, (3) évaluer rétrospectivement si les décisions de pricing auraient été différentes avec la bonne métrique, (4) documenter la cause profonde et le correctif pour éviter la récidive. Les candidat·e·s qui cherchent à « corriger silencieusement avant que ça ne se voie » révèlent une faiblesse éthique grave.

Méthode structurée : (1) vérifier l'instrumentation et la qualité de la donnée d'abord (souvent la cause d'une chute brutale), (2) segmenter (cohorte d'acquisition, canal, géographie, plan, device) pour isoler où la chute se concentre, (3) hypothèses ordonnées (saisonnalité, changement marketing en amont, dégradation produit silencieuse, bug d'instrumentation), (4) cross-check avec les indicateurs adjacents (activation à 1 jour, à 30 jours, conversion paid). Les candidat·e·s qui sautent à une conclusion sans segmenter révèlent un biais analytique.

Capacité à manipuler le math SaaS à voix haute : base à 12 mois = 1 500 clients, churn 3 %/mois donc perte mensuelle moyenne d'environ 30-35 clients, acquisition mensuelle nécessaire pour atteindre 1 500 et compenser le churn = environ 90-100 nouveaux clients / mois. LTV / CAC à interroger : LTV grossière = 250 € × (1 / 0,03) = environ 8 300 €, CAC 1 200 €, ratio environ 7 : sain. Bonus : la·le candidat·e questionne les hypothèses (churn stable ? MRR moyen stable ? le churn grandit-il avec la base ?). Les candidat·e·s qui ne savent pas faire ce raisonnement sans tableur ne seront pas un·e partenaire métier crédible.

Structure attendue : (1) la conclusion d'abord (1-2 phrases actionables), (2) la donnée clé qui supporte la conclusion (1-2 graphiques bien choisis), (3) les limites et incertitudes explicites, (4) les questions ouvertes ou les analyses complémentaires recommandées. La méthodologie détaillée vient en annexe, pas en intro. Les candidat·e·s qui décrivent une présentation linéaire (« méthode → données → analyse → conclusion ») révèlent une posture académique inadaptée à la communication exécutive en PME.

Maîtrise des fondamentaux SQL et capacité à les rattacher à un cas métier. Exemple attendu type : compter le nombre de clients par segment marketing, avec INNER JOIN sur la table marketing on perd les clients sans attribution marketing (analyse biaisée en faveur des canaux trackés) ; LEFT JOIN garde tous les clients et révèle le volume non attribué. Les candidat·e·s qui définissent correctement la syntaxe mais ne peuvent pas donner d'exemple métier révèlent une posture d'exécutant·e plutôt que d'analyste.

Hypothèses ordonnées : (1) granularité incorrecte (jointure qui crée des doublons sur un many-to-many non géré), (2) définition d'« actif » floue (a fait au moins une action vs a une session, sur quelle période), (3) gestion des nulls qui change la sémantique, (4) fenêtre temporelle inclusive vs exclusive aux bords du mois. Bonus : la·le candidat·e mentionne SELECT DISTINCT comme un signal d'alerte (utile mais souvent un pansement sur une jointure mal faite). Les candidat·e·s qui font « j'ajoute DISTINCT » sans diagnostic révèlent une faiblesse de rigueur.

Compréhension de la distribution : moyenne sensible aux valeurs extrêmes, médiane stable face aux outliers mais ignore la queue de distribution. Cas métier types : pour le MRR moyen par client en B2B avec quelques très gros comptes, la médiane est plus représentative du client typique ; pour le revenu total à projeter, la moyenne est correcte. Bonus : la·le candidat·e mentionne les quartiles ou les écarts-types comme compléments utiles. Les candidat·e·s qui définissent les deux sans pouvoir les rattacher à un cas métier révèlent une faiblesse statistique critique.

Ouverture : capacité à dissocier l'analyse de l'ego personnel. Bonus : la·le candidat·e cite une fois où il·elle a changé d'avis grâce à un retour métier qui a révélé une hypothèse fausse. Les candidat·e·s qui décrivent avoir « expliqué leur méthodologie » au lieu d'écouter le retour révèlent une faiblesse de coachabilité critique pour le travail en partenariat avec le métier.

Position nuancée : la donnée informe les décisions mais ne les remplace pas, surtout en early-stage où les volumes sont faibles et les signaux bruités. La discovery qualitative (interviews, observation) doit rester centrale. Le·la Data Analyst en early-stage produit des analyses ad-hoc rapides plutôt que de la production de dashboards. Les candidat·e·s qui répondent « tout doit être data-driven » sans nuancer signalent une posture rigide qui produit du paralysis-by-analysis en early-stage.

Maturité réflexive sur le métier. Capacité à nommer une qualité ET une difficulté révèle un cadre qui sait observer ses propres modèles. Les candidat·e·s qui ne peuvent que louer ou que critiquer leur·s ancien·ne·s collègues sont rarement de bon·ne·s analystes eux·elles-mêmes : l'analyste est par construction quelqu'un qui voit les nuances et les compromis.