Ce que les débutants en Data devraient savoir en 2026
#39 Les métiers ont changé, les attentes aussi. Voici ce qu’il faut comprendre avant de se lancer.
Hello à tous !
Bienvenue dans la 39e édition de cette newsletter !
On est désormais 2 754 personnes à se retrouver toutes les deux semaines pour parler d’une passion commune : la Data. Merci pour votre fidélité ❤️.
A part de lire du contenu dans cette édition, vous pouvez:
Rejoindre l’Accélérateur Projet Portfolio – l’accompagnement personnalisé pour vous aider à créer des projets portfolio solides et décrocher les meilleures opportunités.
Télécharger ma cheat sheet gratuite SQL (+1300 téléchargements) qui recense 90% des commandes essentielles pour travailler dans la Data, chacune illustrée par un exemple concret.
Lire les éditions précédentes.
Me suivre sur Linkedin.
Introduction
La Data reste aujourd’hui un secteur très porteur avec les salaires attractifs, les opportunités nombreuses, et les voies d’entrée plus variées que jamais.
Mais ce n’est pas parce que le marché est ouvert qu’il est devenu plus simple d’y entrer. Au contraire, la spécialisation des métiers ainsi que l’abondance des formations rendent les choix plus complexes. Trouver la bonne piste demande aujourd’hui plus de clarté et de méthode qu’avant.
Pour guider les débutants en Data, voici ce que je conseillerais à toute personne qui démarre en 2025/2026.
1. Bien comprendre la différence entre les rôles
Quand j’ai commencé, on parlait seulement de trois métiers : data analyst, data scientist et data engineer. Et pourtant, on les confondait déjà.
Aujourd’hui, les métiers se spécialisent:
Dans la data analyse, en général vous aidez les métiers à tirer valeur des données. Certains profils travaillent au plus près du business, d’autres en support technique avec les data engineers (Voir l’édition #2 Les différents rôles de Data Analyst où j’ai détaillé ce panorama de métiers)
En data science, on distingue les profils business (comme le Business Scientist - voir ce post de Mohamed Lemine Beydia où il parle de ce changement), les machine learning engineers, les analystes quantitatifs, ou encore ceux qui se spécialisent dans l’IA.
En data engineering, on retrouve les profils orientés infrastructure et ceux qui s’approchent du software engineering.
Cette spécialisation est une bonne nouvelle. Il vous aide à cibler ce qui correspond à vos forces et à vos intérêts. Mais il suppose de bien comprendre les spécificités de chaque métier car cela impacte votre choix de formation et de première expérience.
Cela ne veut pas dire que changer de voie en cours de route est un problème. Ce qui compte, c’est de le faire en connaissance de cause, en comprenant les implications et la réalité du marché.
Pour vous aider à faire le point, demandez-vous :
Voulez-vous travailler proche du business ou plus technique ?
Préférez-vous un métier avec beaucoup de maths et orienté recherche, ou davantage de stratégie ?
Souhaitez-vous travailler de manière autonome ou au sein d’une équipe transverse ?
2. Etudier le marché
Vous pouvez aimer un métier, mais si le marché ne recrute pas, vous risquez de ramer.
Être dans un marché favorable, c’est comme naviguer avec le vent.
Être dans un marché saturé, c’est avancer contre le vent : vous dépensez deux fois plus d’énergie pour aller moins loin.
De mon côté, mon profil orienté business m’a naturellement guidé vers le métier de data analyst, où les offres sont plus nombreuses que dans la data science.
Mais si la Data Science est votre passion, suivez-la mais faites-le en étant conscient du contexte.
Un exercice simple que je propose à mes coachés:
Cherchez sur les sites d’emploi (Linkedin, Indeed, Glassdoor…) le nombre d’offres correspondant à votre métier cible, dans votre zone géographique. Vous verrez immédiatement la taille réelle du marché.
Autres ressources utiles:
Les études de la Grande École du Numérique donnent une bonne idée des tendances de formation et des besoins à court terme.
Les salons de recrutement : allez rencontrer directement les entreprises qui vous intéressent et demandez-leur leurs besoins. Vous pouvez relire l’édition #6 Les salons et conférences à ne pas manquer. Elle date de 2024, mais les mêmes événements reviennent chaque année.
Les managers et les pairs sur LinkedIn : écrivez-leur pour comprendre leurs besoins de recrutement actuels.
3. Choisir une formation avec de la pratique obligatoire
Le marché aujourd’hui devient plus compétitif. Le nombre de candidats augmente, alors que le nombre d’offres stagne.
Les entreprises cherchent des profils opérationnels. Une formation sans stage ni alternance réduit fortement vos chances.
Les seules exceptions sont les personnes déjà en poste, qui ont discuté avec leur manager d’une évolution interne. Dans ce cas, un bootcamp suffit souvent pour passer à un poste Data.
Sinon, prévoyez une période de pratique obligatoire en entreprise entre la formation et le premier CDI/CDD.
Stage, alternance, ou plusieurs projets encadrés si besoin. C’est là que vous prouverez votre valeur.
4. Montrer que vous êtes opérationnel, pas seulement diplômé
Les recruteurs ne veulent plus seulement des diplômés. Ils veulent savoir si vous êtes capable de travailler comme un analyste dès le premier jour. Si ce sujet vous intéresse, je vous recommande le post de Mehdi Cornilliet sur le krach des diplômés. Il reste tôt pour tirer des conclusions, mais les signaux sont assez clairs : le diplôme seul ne suffit plus.
Mais comment faire si vous n’avez jamais eu d’expérience et que vous avez eu peu d’expérience? La meilleure piste reste les projets. Un bon projet montre comment vous pensez, analysez un problème et transformez les données en recommandations.
Il y a 5 ans, il y avait peu d’occasions de faire des projets. Aujourd’hui, elles sont partout. Les plateformes, les formations et les communautés rendent l’exercice accessible à tous.
Mais attention : un projet invisible ne sert à rien. Publiez-le, partagez-le, expliquez-le.
C’est ce qui prouve votre autonomie et votre compréhension du métier.
5. Être solide sur les fondamentaux
Les outils changent vite, mais les fondamentaux restent.
Les recruteurs cherchent toujours la même chose chez les Data Analysts:
SQL : demandé dans plus de 90 % des postes de data analyst.
Excel : encore omniprésent, surtout quand vos interlocuteurs ne sont pas techniques.
Power BI/Tableau/Looker Studio: indispensables pour la data visualisation.
Pourquoi encore Excel? Beaucoup d’entreprises ne sont pas encore au niveau d’automatisation souhaité. Il faut souvent travailler sur des fichiers Excel, faute d’accès direct à un outil BI ou à une base de données partagée. Apprenez à jongler avec ces contraintes, c’est être réaliste, ce qui fera de vous un professionnel adaptable.
Autres questions souvent posées, déjà abordées dans mes précédentes éditions :
Conclusion
Le marché est aujourd’hui plus difficile, oui, mais cela ne veut pas dire que c’est impossible.
Avec une stratégie, un réseau solide et des compétences alignées sur les besoins des entreprises, vous trouverez votre place.
Et si vous doutez parfois, rappelez-vous : il vaut mieux avancer lentement dans la bonne direction que courir dans le brouillard.
Si vous avez trouvé cette édition utile, un petit coeur ❤️ me ferait très plaisir !
A la prochaine !