Guide pratique · E-commerce · SaaS · Finance · RH · Lecture : ~18 min Teste ton niveau sur modai-lab.com/test-sql/
Pourquoi ce guide existe
Tu veux devenir data analyst. Tu ouvres LinkedIn ou YouTube, et on te sert une roadmap qui ressemble à un programme de master : SQL, Python, pandas, NumPy, statistiques, machine learning, Power BI, Tableau, dbt, Airflow, Spark, Git, Docker, cloud…
Résultat : tu commences tout, tu ne finis rien. Six mois plus tard, tu as suivi trois cours Python à moitié, tu sais faire un SELECT *, et tu ne te sens toujours pas prêt pour un entretien.
Le problème n'est pas ta motivation. C'est que tu mènes trop de combats en même temps.
Après une dizaine d'années dans la data (ESN, freelance, banque, assurance, industrie, et aujourd'hui Lead Data dans une néobanque), mon constat est simple :
Le SQL est la compétence qui te fait embaucher et celle que tu utiliseras tous les jours
Tu n'as pas besoin de maîtriser SQL et Python pour décrocher ton premier poste
Le SQL est beaucoup plus simple à maîtriser que Python : surface réduite, logique déclarative, résultats immédiats
Python viendra après, quand tu auras un vrai besoin, pas avant
Ce guide couvre :
Ce que fait vraiment un data analyst au quotidien (et la place du SQL dedans)
Pourquoi il faut choisir ses combats, et lesquels laisser de côté au début
Pourquoi SQL est plus simple à maîtriser que Python, preuves à l'appui
Le socle SQL exact à maîtriser, niveau par niveau, avec des cas business
Les erreurs classiques des débutants (et ce que font les seniors)
Un plan de route sur 90 jours, concret et réaliste
🧪 Calibre ton niveau avant de commencer
Avant de bâtir ta roadmap, il faut savoir d'où tu pars. Tu sais écrire une jointure, mais sais-tu calculer un taux de rétention mensuel ou dédoublonner une table de commandes proprement ? Fais le test en 5 minutes.
👉 Faire le test sur modai-lab.com/test-sql/
_Résultat en direct · Niveau calibré · Parcours personnalisé_
PARTIE 1 — Le vrai métier de data analyst : 80 % de SQL
Ce qui se passe vraiment dans une journée
Oublie l'image du data analyst qui entraîne des modèles de machine learning toute la journée. Dans la réalité d'une entreprise, voici à quoi ressemble une semaine type :
Activité | Part du temps | Outil principal |
|---|---|---|
Répondre à des questions business (« combien ? », « pourquoi ça baisse ? ») | ~35 % | SQL |
Construire et maintenir des tables / KPI pour les dashboards | ~25 % | SQL (+ dbt parfois) |
Contrôler la qualité des données (doublons, trous, incohérences) | ~15 % | SQL |
Construire / mettre à jour des dashboards | ~15 % | Power BI, Looker, Tableau, Metabase |
Analyses ponctuelles avancées, automatisations | ~10 % | Python, Excel |
Ce n'est pas une statistique officielle, c'est ce que j'observe depuis des années, en ESN, en freelance et en interne. Le point clé : la donnée vit dans des bases de données. BigQuery, Snowflake, PostgreSQL, Redshift, SQL Server… Et la langue pour parler à ces bases, c'est le SQL.
Même le dashboard que tu construis dans Power BI ou Looker repose, en dessous, sur une requête SQL. Même le data scientist qui fait du Python commence par un SELECT pour récupérer ses données.
Ce qu'on te demande vraiment en entretien
Dans la grande majorité des process de recrutement data analyst junior, tu vas rencontrer :
Un test SQL technique (live coding ou test en ligne) : quasi systématique
Une étude de cas business : « voici une table de commandes, dis-moi ce qui se passe »
Des questions de logique métier : comment tu définis un client actif, un churn, un panier moyen
Parfois une question Python ou un exercice pandas, surtout dans les startups tech
Remarque bien : le point 2 et le point 3 se résolvent… en SQL.
Cas business : la question que tu recevras dès ta première semaine
Contexte e-commerce. Ton manager te demande sur Slack : « Le CA de mars a baissé de 12 % par rapport à février. C'est quoi le problème ? »
Voici ce qu'un analyste fait, en SQL, en moins de 15 minutes :
Pas de Python, pas de machine learning. Une requête bien construite, une lecture business, et une prochaine question. C'est ça, le métier.
🧪 Entraîne-toi sur des questions business réelles
Sur Modai Lab, chaque exercice part d'une vraie question de manager (« pourquoi le CA baisse ? », « quels clients vont churner ? ») sur des datasets proches de la production, pas sur des tables employees à 10 lignes.
_Cas business réels · Datasets réalistes · Correction par l'IA_
PARTIE 2 — Choisir ses combats : SQL d'abord, le reste ensuite
Le piège de la roadmap « tout-en-un »
Le cerveau humain apprend mal en parallèle. Quand tu apprends SQL le lundi, Python le mardi, Power BI le mercredi et les stats le jeudi, tu fais quatre fois le travail de mise en route, et tu n'atteins jamais le stade où une compétence devient automatique.
Or c'est ce stade-là qui compte en entretien et en poste : quand tu n'as plus à réfléchir à la syntaxe, tu peux enfin réfléchir au problème business.
La règle : un combat principal, un combat secondaire, zéro combat tertiaire
Priorité | Compétence | Pourquoi |
|---|---|---|
🥇 Combat principal | SQL | Utilisé tous les jours, testé dans quasiment tous les entretiens |
🥈 Combat secondaire | Un outil de BI (Power BI ou Looker Studio) + Excel | Tu dois savoir montrer tes résultats |
🧠 En continu | Logique business (KPI, définitions métier) | C'est ce qui te différencie d'un « exécutant de requêtes » |
⏸️ Plus tard | Python / pandas | Utile, mais pas bloquant pour un premier poste d'analyste |
⛔ Pas maintenant | Machine learning, Spark, Docker, Airflow | Ce sont des compétences de data scientist / data engineer |
« Mais toutes les offres demandent Python… »
Oui, beaucoup d'offres listent Python. Mais lis bien :
Il est souvent dans les « plus » ou les « idéalement », pas dans les prérequis
Les fiches de poste sont des listes de souhaits, rarement des minimums
Le test technique, lui, est presque toujours en SQL
Un candidat qui maîtrise vraiment SQL (fenêtres, CTE, cohortes, dédoublonnage) et sait expliquer un KPI passe devant un candidat « SQL + Python + ML » qui ne maîtrise rien à fond. La profondeur bat la largeur, surtout pour un junior.
❌ La roadmap qui épuise vs ✅ la roadmap qui embauche
Quand ajouter Python ?
Ajoute Python quand tu as un besoin concret que SQL ne couvre pas bien :
Automatiser un traitement répétitif (envoi de fichiers, appels d'API)
Faire des statistiques plus poussées (tests A/B, régressions)
Manipuler des fichiers non structurés (JSON complexes, scraping)
À ce moment-là, tu apprendras Python 2 à 3 fois plus vite, parce que tu sauras déjà raisonner sur des tables, des jointures et des agrégations. pandas, c'est en grande partie du SQL avec une autre syntaxe.
🧪 Sais-tu vraiment où tu en es en SQL ?
Avant de décider que tu es « prêt pour Python », vérifie que ton SQL est vraiment solide : jointures, agrégations, fenêtres, cas pièges avec NULL. Le test te dit précisément quoi travailler.
👉 Faire le test sur modai-lab.com/test-sql/
_5 minutes · Niveau calibré · Points faibles identifiés_
PARTIE 3 — Pourquoi SQL est plus simple à maîtriser que Python
Raison 1 : SQL est déclaratif, Python est impératif
En SQL, tu décris ce que tu veux. Le moteur décide comment le calculer. En Python, tu décris chaque étape du calcul.
C'est une différence énorme pour un débutant : en SQL, tu penses en résultat business (« je veux le CA par région »), pas en boucles, variables et types.
Raison 2 : la surface à maîtriser est réduite
Le SQL d'un data analyst tient en une vingtaine de concepts. Python, c'est un langage généraliste complet, plus un écosystème de bibliothèques.
SQL (analyste) | Python (analyste) | |
|---|---|---|
Concepts de base | ~20 (SELECT, WHERE, GROUP BY, JOIN, CTE, fenêtres…) | Variables, types, listes, dicts, boucles, fonctions, classes… |
Bibliothèques à apprendre | Aucune | pandas, NumPy, matplotlib/seaborn, souvent requests, etc. |
Environnement | Un éditeur web (BigQuery, Metabase…) | Installation, environnements virtuels, notebooks, dépendances |
Erreurs typiques | Logiques (jointure, NULL, doublons) | Logiques + syntaxe + types + versions de librairies |
Temps avant d'être utile en entreprise | Quelques semaines de pratique sérieuse | Plusieurs mois |
Raison 3 : la même question, deux niveaux de complexité
Question business (SaaS) : « Quel est le revenu mensuel par plan, uniquement pour les abonnements actifs ? »
La même chose en Python demande de savoir : se connecter à la base (ou charger un CSV), connaître pandas, comprendre groupby, agg, les index, reset_index, sort_values… et de gérer l'environnement qui va avec.
Ce n'est pas que Python soit « mauvais ». C'est qu'il y a plus de choses à savoir avant d'être productif. Pour un premier poste, SQL te donne le meilleur retour sur investissement.
Raison 4 : SQL est stable
Le GROUP BY que tu apprends aujourd'hui fonctionnera dans 10 ans. SQL existe depuis les années 70 et reste le standard d'accès aux données, même dans les outils les plus récents (BigQuery, Snowflake, dbt, DuckDB). Ce que tu investis dans SQL ne se périme pas.
Raison 5 : avec l'IA, SQL devient encore plus rentable
Les assistants IA écrivent du SQL très correctement. Mais ils se trompent sur ce qui compte vraiment : la logique métier (quel est le bon grain ? faut-il exclure les commandes annulées ? comment définir un client actif ?). Pour vérifier ce que l'IA te propose, tu dois lire et comprendre le SQL. Le maîtriser fait de toi celui qui valide, pas celui qui copie-colle.
🧪 Apprends le SQL qui sert vraiment en poste
Sur Modai Lab, tu travailles directement les requêtes que demandent les managers : CA par segment, rétention, funnels, cohortes, contrôles qualité. Avec un feedback qui t'explique la logique, pas seulement la syntaxe.
_Exercices progressifs · Cas métiers · Feedback détaillé_
PARTIE 4 — Le socle SQL à maîtriser, niveau par niveau
Voici exactement ce qu'il faut savoir faire pour être opérationnel en tant que data analyst junior. Pas plus au début. Pas moins.
Niveau 1 — Lire et filtrer
SELECT, WHERE, ORDER BY, LIMIT, DISTINCT, IN, BETWEEN, LIKE, IS NULL.
Niveau 2 — Agréger
COUNT, SUM, AVG, MIN, MAX, GROUP BY, HAVING, COUNT(DISTINCT).
Niveau 3 — Joindre
INNER JOIN, LEFT JOIN, jointures multiples, et surtout : connaître le grain de chaque table.
Niveau 4 — Structurer avec CASE WHEN, les dates et les CTE
Les CTE (WITH) sont le meilleur ami du data analyst : chaque étape a un nom, la requête se lit de haut en bas, et tu peux tester chaque bloc séparément.
Niveau 5 — Les fonctions de fenêtre (ce qui fait la différence en entretien)
ROW_NUMBER, RANK, LAG, LEAD, SUM() OVER, AVG() OVER.
Si tu maîtrises ces 5 niveaux sur des cas business, tu as le niveau SQL d'un data analyst junior opérationnel. Ensuite viennent les cohortes, la rétention, les funnels, qui ne sont que des combinaisons de ces briques.
Cas business complet : rétention par cohorte (SaaS)
C'est LA requête qui impressionne en entretien, et elle n'utilise que les briques ci-dessus.
🧪 Où te situes-tu sur les 5 niveaux ?
Le test Modai Lab couvre exactement cette progression : filtres, agrégations, jointures, CTE, fenêtres. En 5 minutes, tu sais si tu es au niveau 2 ou au niveau 5, et quoi travailler ensuite.
👉 Faire le test sur modai-lab.com/test-sql/
_Niveau par compétence · Recommandations ciblées · Gratuit_
PARTIE 5 — Les erreurs classiques des futurs data analysts
Erreur 1 : apprendre la syntaxe sans le contexte business
❌ Le junior enchaîne les exercices « sélectionne les employés dont le salaire est supérieur à 3 000 ». Il connaît la syntaxe, mais en entretien, face à « calcule le taux de conversion du funnel », il ne sait pas par où commencer.
✅ Le senior commence toujours par la question business : quel est le grain ? quelle est la définition du KPI ? quelles lignes exclure ? La syntaxe vient ensuite, presque naturellement.
Erreur 2 : ne jamais vérifier ses résultats
Erreur 3 : oublier les NULL
Erreur 4 : dédoublonner avec DISTINCT au lieu de comprendre
Erreur 5 : vouloir tout apprendre avant de postuler
❌ Le junior attend d'avoir « fini » Python, les stats et le machine learning avant d'envoyer son premier CV. Il n'a jamais fini.
✅ Le senior (qui a été junior) sait qu'on apprend énormément en poste. Un SQL solide, un portfolio de 2-3 analyses business, et tu postules. Le reste s'apprend avec de vraies données et de vrais problèmes.
Erreur 6 : faire des projets portfolio sans question business
❌ « Analyse du dataset Titanic » ou « Prédiction des prix immobiliers » : déjà vus mille fois, aucun lien avec le quotidien d'un analyste.
✅ « Pourquoi la rétention de la cohorte de juillet est 7 points plus basse ? », « Quels segments de clients génèrent 80 % du CA ? » : une question, une requête SQL propre, un graphique, trois recommandations.
🧪 Évite ces erreurs en pratiquant sur des cas réalistes
Les exercices Modai Lab sont construits autour de ces pièges (doublons de jointure, NULL silencieux, grain mal défini) pour que tu les rencontres à l'entraînement plutôt qu'en entretien.
_Pièges réels · Explications de senior · Progression mesurée_
PARTIE 6 — Ton plan de route sur 90 jours
Semaines 1 à 4 : les fondamentaux SQL
SELECT, WHERE, ORDER BY, GROUP BY, HAVING, JOIN
30 à 45 minutes par jour, tous les jours, plutôt que 5 heures le dimanche
Chaque exercice : formule d'abord la question business en une phrase
Objectif de fin de mois : écrire sans aide une requête CA par mois et par segment
Semaines 5 à 8 : le SQL intermédiaire
CASE WHEN, fonctions de dates, CTE, sous-requêtes
Gestion des NULL, dédoublonnage, contrôle de grain
Début des fonctions de fenêtre : ROW_NUMBER, LAG
Objectif : refaire les requêtes de la partie 4 de ce guide sans les regarder
Semaines 9 à 12 : SQL avancé + mise en valeur
Cohortes, rétention, funnels, parts de CA (Pareto)
Un outil de BI : Power BI ou Looker Studio, pour montrer tes résultats
2 à 3 projets portfolio avec une vraie question business chacun
Préparation aux tests techniques SQL en temps limité
Après 90 jours : candidater, puis élargir
Tu postules avec ton SQL, ta BI, et tes projets
Une fois en poste (ou en parallèle des candidatures), tu peux ouvrir le chapitre Python : pandas d'abord, sur des cas où SQL est moins adapté
Tu ne pars plus de zéro : tu sais déjà penser en tables, en grain et en agrégations
Ce que contient un bon projet portfolio
Élément | Exemple |
|---|---|
Une question business | « Quels canaux d'acquisition amènent les clients les plus rentables ? » |
Les données | Dataset public réaliste ou dataset d'entraînement e-commerce/SaaS |
La requête SQL | Propre, commentée, découpée en CTE |
Un visuel | 1 ou 2 graphiques clairs (BI ou Google Sheets) |
Les conclusions | 3 constats chiffrés + 2 recommandations actionnables |
Les limites | Ce que les données ne permettent pas de conclure |
🧪 Valide ton niveau à la fin de chaque étape
Repasse le test à la fin de chaque bloc de 4 semaines : c'est le moyen le plus simple de mesurer ta progression et de savoir quand tu es prêt pour les entretiens.
👉 Faire le test sur modai-lab.com/test-sql/
_Mesure ta progression · Repère tes lacunes · Prépare tes entretiens_
Prompt Claude pour auditer tes requêtes
Copie-colle ce prompt dans Claude, puis colle ta requête et le contexte en dessous.
Récapitulatif
Principe | Ce que ça veut dire concrètement |
|---|---|
Le métier est majoritairement SQL | Questions business, KPI, qualité de données : tout passe par des requêtes |
Choisir ses combats | Un combat principal (SQL), un secondaire (BI), la logique business en continu |
Python n'est pas un prérequis | Utile plus tard, rarement bloquant pour un premier poste d'analyste |
SQL est plus simple à maîtriser | Déclaratif, ~20 concepts, aucun environnement à installer, stable dans le temps |
Niveau 1 : lire et filtrer | SELECT, WHERE, attention aux NULL |
Niveau 2 : agréger | GROUP BY, HAVING vs WHERE, COUNT DISTINCT |
Niveau 3 : joindre | Toujours connaître le grain, éviter les doublons de jointure |
Niveau 4 : structurer | CASE WHEN, dates, CTE |
Niveau 5 : fenêtres | ROW_NUMBER, LAG, SUM OVER : ce qui fait la différence en entretien |
Portfolio | 2-3 projets avec une vraie question business, pas Titanic |
Plan 90 jours | Fondamentaux → intermédiaire → avancé + BI + candidatures |
✅ Checklist pour devenir data analyst
☐ J'ai fait le test de niveau SQL et je connais mon point de départ
☐ J'ai choisi UN combat principal (SQL) et j'ai mis Python en pause
☐ Je pratique SQL au moins 30 minutes par jour
☐ Je formule la question business avant d'écrire chaque requête
☐ Je connais le grain de chaque table que j'utilise
☐ Je sais faire la différence entre WHERE et HAVING
☐ Je contrôle les NULL dans mes filtres et mes moyennes
☐ Je sais détecter et éviter un doublon de jointure
☐ J'écris mes requêtes longues avec des CTE nommées
☐ Je maîtrise ROW_NUMBER et LAG sur un cas business
☐ J'ai construit une analyse de rétention par cohorte
☐ Je sais présenter un résultat dans un outil de BI
☐ J'ai 2 à 3 projets portfolio avec question, requête, visuel et recommandations
☐ J'ai commencé à postuler sans attendre de « tout savoir »
🚀 Ton premier combat commence maintenant
Devenir data analyst, ce n'est pas tout apprendre : c'est maîtriser à fond la compétence qui compte le plus, puis élargir. Commence par mesurer ton niveau SQL, et entraîne-toi sur les cas business que tu retrouveras en poste.
👉 modai-lab.com/test-sql/ — Exercices calibrés · Cas business réels · Feedback senior
_Guide offert suite au post LinkedIn · Entraînez-vous sur modai-lab.com/test-sql/ · Partagez librement ♻️_