Guide pratique · Formation data · E-commerce · SaaS · Finance · RH · Lecture : ~18 min Teste ton niveau sur modai-lab.com/test-sql/


Pourquoi ce guide existe

En 2026, une IA Ă©crit une requĂȘte SQL syntaxiquement correcte en quelques secondes. Un GROUP BY, un LEFT JOIN, une fonction fenĂȘtre : c'est devenu gratuit.

Le problĂšme, c'est que correcte syntaxiquement ne veut pas dire juste. Une requĂȘte gĂ©nĂ©rĂ©e peut tourner sans erreur et renvoyer un chiffre d'affaires doublĂ©, un taux de churn faux ou une masse salariale qui oublie la moitiĂ© des contrats.

Les recruteurs l'ont compris. En entretien, la question n'est plus « sais-tu Ă©crire cette requĂȘte ? », mais :

  • Sais-tu vĂ©rifier que le rĂ©sultat est juste ?

  • Sais-tu expliquer ce que fait la requĂȘte, ligne par ligne, Ă  un manager non technique ?

  • Sais-tu dĂ©fendre tes choix (dĂ©finition d'un KPI, traitement des NULL, pĂ©rimĂštre) face Ă  un contradicteur ?

Beaucoup de formations data n'ont pas encore fait ce virage. Elles évaluent toujours la syntaxe comme compétence finale, sur des tables jouets de 10 lignes. Elles préparent à un métier que l'IA fait déjà.

Ce guide te donne une grille de diagnostic utilisable tout de suite, que tu sois :

  • Responsable pĂ©dagogique dans un organisme de formation ou un bootcamp

  • Formateur ou formatrice data / SQL

  • Manager data qui conçoit un parcours d'onboarding interne

  • Apprenant qui veut savoir si sa formation vaut le coup

Ce que tu vas trouver :

  • 📋 10 questions pour auditer tes exercices (cas rĂ©els ou tables jouets ?)

  • 🎯 Les 5 compĂ©tences que les recruteurs testent vraiment aujourd'hui, avec des exemples SQL

  • ⚠ Les 3 signaux qu'un module prĂ©pare Ă  un mĂ©tier qui disparaĂźt

  • 🧠 Un protocole pour intĂ©grer l'IA dans la pĂ©dagogie sans tuer l'apprentissage

  • Un prompt Claude pour auditer un programme ou un exercice, un tableau rĂ©cap et une checklist


đŸ§Ș Calibre ton niveau avant de commencer

Si une IA te donne une requĂȘte qui tourne sans erreur, saurais-tu repĂ©rer en moins de 2 minutes qu'elle double le chiffre d'affaires ? C'est exactement ce que mesure le test. Fais le test en 5 minutes.

👉 Faire le test sur modai-lab.com/test-sql/

_Résultat en direct · Niveau calibré · Parcours personnalisé_


PARTIE 1 — 10 questions pour auditer tes exercices

Le cƓur d'une formation, ce ne sont pas les slides : ce sont les exercices. C'est lĂ  que l'apprenant construit (ou non) les rĂ©flexes qui comptent en poste.

Prends un module de ta formation, ouvre ses 5 derniers exercices, et réponds à ces 10 questions. Compte 1 point par « oui ».

Bloc A — Les donnĂ©es

Q1. Les tables contiennent-elles plus de 1 000 lignes ? Sous ce seuil, l'apprenant vĂ©rifie « Ă  l'Ɠil ». Il ne dĂ©veloppe jamais le rĂ©flexe de contrĂŽle par agrĂ©gat (COUNT, SUM, comparaison de totaux).

Q2. Les données contiennent-elles des défauts réalistes ? Doublons, NULL, statuts annulés ou remboursés, dates en fuseaux différents, libellés mal saisis ("Paris", "paris ", "PARIS"). En production, c'est 100 % des tables.

Q3. Y a-t-il au moins une relation 1-N qui peut provoquer une explosion de lignes ? Une commande avec plusieurs articles, un client avec plusieurs abonnements, un salariĂ© avec plusieurs contrats. C'est l'erreur n°1 des requĂȘtes gĂ©nĂ©rĂ©es par IA (voir Partie 2).

Q4. Le schéma ressemble-t-il à un vrai systÚme métier ? Un employees(id, name, salary) de 8 lignes n'apprend rien. Un schéma orders / order_items / payments / refunds apprend à naviguer dans un vrai modÚle.

Bloc B — La consigne

Q5. La consigne part-elle d'une question mĂ©tier, et non d'une instruction technique ? ❌ « Faites une jointure gauche entre users et orders et comptez les lignes. » ✅ « Le directeur commercial veut savoir combien de clients inscrits en mars n'ont jamais commandĂ©. »

Q6. La consigne laisse-t-elle une ambiguĂŻtĂ© Ă  trancher ? « Quel est le CA de mars ? » → TTC ou HT ? Remboursements dĂ©duits ? Date de commande ou date de paiement ? Un bon exercice oblige Ă  poser la question ou Ă  documenter son choix.

Q7. Y a-t-il un chiffre de contrĂŽle connu pour valider le rĂ©sultat ? Exemple : « Le CA total de l'annĂ©e est de 4 812 340 €. Ton CA mensuel doit retomber sur ce total. » L'apprenant apprend Ă  se valider lui-mĂȘme, sans corrigĂ©.

Bloc C — L'Ă©valuation

Q8. L'apprenant doit-il expliquer sa requĂȘte Ă  l'Ă©crit ou Ă  l'oral ? Une requĂȘte correcte sans explication ne prouve rien en 2027 : elle peut venir d'une IA.

Q9. Y a-t-il des exercices oĂč on lui donne une requĂȘte fausse Ă  corriger ? DĂ©bugger une requĂȘte existante (humaine ou IA) est le quotidien d'un analyste. C'est aussi ce qui se teste le plus en entretien technique.

Q10. L'évaluation finale inclut-elle une phase de questions contradictoires ? « Pourquoi LEFT JOIN et pas INNER JOIN ici ? Que se passe-t-il si un client a deux comptes ? Ton chiffre change-t-il si on exclut les commandes test ? »

Lire ton score

Score

Diagnostic

Action

0 Ă  3

Formation « syntaxe » : prépare à un métier que l'IA fait déjà

Refonte des datasets et des évaluations en priorité

4 Ă  6

Formation en transition : bonnes bases, évaluation encore trop technique

Ajouter explication, débug et contradiction

7 Ă  8

Formation solide

Renforcer le travail avec l'IA (Partie 4)

9 Ă  10

Formation prĂȘte pour 2027

Documente ta méthode, c'est un argument commercial

Exemple concret : le mĂȘme exercice, deux versions

Domaine : e-commerce.

-- ❌ Version "table jouet" (score audit : 1/10)
-- Table : orders (8 lignes, aucune anomalie)
-- order_id | client | montant
-- 1 | Alice | 50
-- 2 | Bob | 30
-- 3 | Alice | 20
-- ...
-- Consigne : "Calculez le montant total par client avec GROUP BY."
 
SELECT client, SUM(montant) AS total
FROM orders
GROUP BY client;
 
-- ProblÚme : l'IA résout ça en 2 secondes.
-- L'apprenant n'a rien vérifié, rien décidé, rien expliqué.
-- Ce qu'il a appris : la syntaxe de GROUP BY. Ce que le recruteur teste : autre chose.
formation-data-ia-2027 · 01
-- ✅ Version "cas rĂ©el" (score audit : 8/10)
-- Tables : orders (184 520 lignes), refunds (6 310 lignes)
-- orders : order_id, user_id, created_at (UTC), montant_ttc, statut
-- statut ∈ ('payee', 'annulee', 'test', 'en_attente')
-- refunds : refund_id, order_id, montant_rembourse, refunded_at
--
-- Consigne : "La CFO veut le CA net par client pour le top 20 2026,
-- pour un programme de fidélité. Documente tes choix de périmÚtre.
-- Chiffre de contrĂŽle : CA brut payĂ© 2026 = 4 812 340 €."
 
WITH commandes_valides AS (
SELECT order_id, user_id, montant_ttc
FROM orders
WHERE statut = 'payee' -- choix documenté : on exclut annulées, tests, en attente
AND created_at >= TIMESTAMP '2026-01-01'
AND created_at < TIMESTAMP '2027-01-01' -- borne exclusive : pas de piĂšge sur le 31/12 23:59
),
remboursements AS (
SELECT order_id, SUM(montant_rembourse) AS total_rembourse
FROM refunds
GROUP BY order_id -- pré-agrégé : une commande peut avoir 2 remboursements partiels
)
SELECT
c.user_id,
SUM(c.montant_ttc) AS ca_brut,
SUM(COALESCE(r.total_rembourse, )) AS rembourse,
SUM(c.montant_ttc) - SUM(COALESCE(r.total_rembourse, )) AS ca_net
FROM commandes_valides c
LEFT JOIN remboursements r ON r.order_id = c.order_id -- LEFT : la plupart des commandes n'ont pas de remboursement
GROUP BY c.user_id
ORDER BY ca_net DESC
LIMIT ;
 
-- Contrîle attendu : SELECT SUM(montant_ttc) FROM commandes_valides → 4 812 340 €
-- Questions de soutenance : "Pourquoi pré-agréger refunds ?",
-- "Que se passe-t-il si un remboursement dépasse le montant de la commande ?"
formation-data-ia-2027 · 02

MĂȘme notion SQL (GROUP BY), mais la deuxiĂšme version entraĂźne exactement ce que l'IA ne fait pas Ă  ta place : cadrer, vĂ©rifier, documenter, dĂ©fendre.

đŸ§Ș EntraĂźne-toi sur des datasets qui ressemblent Ă  la prod

Sur Modai Lab, les exercices tournent sur des datasets métier avec doublons, NULL, statuts annulés et relations 1-N. Pas de tables jouets : tu développes les réflexes de contrÎle que les recruteurs cherchent.

👉 Pratiquer sur modai-lab.com

_Datasets de production · Cas business réels · Feedback sur ta logique, pas que ta syntaxe_


PARTIE 2 — Les 5 compĂ©tences que les recruteurs testent vraiment aujourd'hui

Les entretiens techniques data ont changĂ©. Les recruteurs savent que le candidat utilise (ou utilisera) une IA. Ils testent donc ce qui reste quand l'IA a Ă©crit la requĂȘte.

CompĂ©tence 1 — VĂ©rifier un rĂ©sultat (le rĂ©flexe de contrĂŽle)

Le test type : « Voici une requĂȘte qui calcule le CA mensuel. Elle tourne. Le rĂ©sultat est-il juste ? »

Domaine : e-commerce. Tables : orders (une ligne par commande, avec montant) et order_items (une ligne par article).

-- ❌ RequĂȘte gĂ©nĂ©rĂ©e par IA, sans erreur, mais fausse
-- orders : order_id | user_id | created_at | montant
-- 1001 | 42 | 2026-03-04 | 120.00
-- order_items : order_id | product_id | quantite
-- 1001 | P12 | 1
-- 1001 | P47 | 2
-- 1001 | P88 | 1
 
SELECT
DATE_TRUNC('month', o.created_at) AS mois,
SUM(o.montant) AS ca,
SUM(oi.quantite) AS articles_vendus
FROM orders o
JOIN order_items oi ON oi.order_id = o.order_id
GROUP BY ;
 
-- ProblĂšme : la jointure 1-N duplique la ligne orders pour chaque article.
-- Commande 1001 : 120 € comptĂ©s 3 fois → 360 € au lieu de 120 €.
-- Sur mars 2026 : CA affichĂ© 1 284 000 € au lieu de 486 200 €.
-- Aucune erreur SQL. Juste un chiffre faux présenté au COMEX.
formation-data-ia-2027 · 03
-- ✅ Version corrigĂ©e : on agrĂšge chaque grain sĂ©parĂ©ment avant de joindre
WITH articles_par_commande AS (
SELECT order_id, SUM(quantite) AS nb_articles
FROM order_items
GROUP BY order_id -- on ramĂšne order_items au grain "commande"
)
SELECT
DATE_TRUNC('month', o.created_at) AS mois,
SUM(o.montant) AS ca,
SUM(COALESCE(a.nb_articles, )) AS articles_vendus
FROM orders o
LEFT JOIN articles_par_commande a ON a.order_id = o.order_id
GROUP BY ;
 
-- Gain : une ligne par commande avant la jointure → plus de duplication.
-- ContrĂŽle : SELECT SUM(montant) FROM orders WHERE mois = mars → doit Ă©galer le ca de mars.
formation-data-ia-2027 · 04

Ce que le recruteur évalue : le candidat compare-t-il spontanément COUNT(*) avant et aprÚs jointure ? Recoupe-t-il avec un total connu ? Parle-t-il de « grain » de table ?

CompĂ©tence 2 — Expliquer une requĂȘte Ă  un non-technicien

Le test type : « Explique cette requĂȘte Ă  la directrice marketing en 1 minute. »

Domaine : SaaS. On calcule le taux de churn mensuel.

-- subscriptions : sub_id | user_id | plan | started_at | ended_at
-- S1 | 10 | pro | 2025-11-02 | NULL (actif)
-- S2 | 11 | starter | 2026-01-15 | 2026-03-20 (résilié en mars)
 
WITH actifs_debut_mois AS (
SELECT user_id
FROM subscriptions
WHERE started_at < DATE '2026-03-01'
AND (ended_at IS NULL OR ended_at >= DATE '2026-03-01')
),
resilies_dans_mois AS (
SELECT user_id
FROM subscriptions
WHERE ended_at >= DATE '2026-03-01'
AND ended_at < DATE '2026-04-01'
)
SELECT
COUNT(DISTINCT r.user_id) * . / NULLIF(COUNT(DISTINCT a.user_id), ) AS taux_churn_mars
FROM actifs_debut_mois a
LEFT JOIN resilies_dans_mois r ON r.user_id = a.user_id;
 
-- RĂ©sultat : 0.042 → 4,2 % de churn en mars 2026 (127 rĂ©siliations / 3 024 clients actifs au 1er mars)
formation-data-ia-2027 · 05

❌ Explication junior : « Je fais deux CTE, puis un LEFT JOIN, puis je divise le COUNT DISTINCT par l'autre COUNT DISTINCT avec un NULLIF. »

✅ Explication senior : « On prend tous les clients qui avaient un abonnement actif le 1er mars : 3 024. Parmi eux, on regarde combien ont rĂ©siliĂ© pendant le mois : 127. Ça fait 4,2 %. Les clients arrivĂ©s en cours de mois ne sont pas comptĂ©s, sinon on gonflerait la base et le churn paraĂźtrait plus faible qu'il n'est. »

Ce que le recruteur évalue : le candidat parle-t-il en business (clients, mois, décision) ou en mots-clés SQL ? Mentionne-t-il spontanément le choix de périmÚtre ?

CompĂ©tence 3 — DĂ©fendre un choix de dĂ©finition

Le test type : « Ton manager conteste ton chiffre. Défends-le, ou reconnais l'erreur. »

Domaine : e-commerce. Le taux de conversion.

-- sessions : session_id | user_id (NULL si anonyme) | started_at
-- orders : order_id | session_id | statut
 
-- Définition A : conversion par session
SELECT
COUNT(DISTINCT o.session_id) * . / COUNT(DISTINCT s.session_id) AS conv_session
FROM sessions s
LEFT JOIN orders o ON o.session_id = s.session_id AND o.statut = 'payee';
-- → 2,1 % (8 940 sessions converties / 425 700 sessions)
 
-- Définition B : conversion par visiteur identifié
SELECT
COUNT(DISTINCT CASE WHEN o.order_id IS NOT NULL THEN s.user_id END) * .
/ COUNT(DISTINCT s.user_id) AS conv_visiteur
FROM sessions s
LEFT JOIN orders o ON o.session_id = s.session_id AND o.statut = 'payee'
WHERE s.user_id IS NOT NULL;
-- → 6,8 % (7 210 acheteurs / 106 000 visiteurs identifiĂ©s)
formation-data-ia-2027 · 06

Les deux requĂȘtes sont justes. Elles ne rĂ©pondent pas Ă  la mĂȘme question. Une IA te donnera l'une ou l'autre selon la formulation du prompt.

Ce que le recruteur évalue : le candidat sait-il dire « 2,1 % par session, c'est le bon indicateur pour mesurer l'efficacité du tunnel ; 6,8 % par visiteur identifié, c'est biaisé à la hausse parce que les anonymes sont exclus » ? Sait-il quelle définition choisir selon la décision à prendre ?

CompĂ©tence 4 — Cadrer une question mĂ©tier floue

Le test type : « Le DRH veut savoir si on a un problÚme de turnover. Que fais-tu ? »

Domaine : RH. Le junior ouvre son éditeur SQL. Le senior pose 4 questions :

  1. Turnover volontaire seulement, ou incluant fins de CDD et licenciements ?

  2. Sur quelle période, et comparé à quoi (année précédente, benchmark secteur) ?

  3. Sur tout l'effectif ou par département, ancienneté, manager ?

  4. Quelle décision sera prise avec ce chiffre ?

-- contracts : contract_id | employee_id | departement | type_contrat | start_date | end_date | motif_sortie
-- motif_sortie ∈ ('demission', 'fin_cdd', 'licenciement', 'rupture_conv', NULL)
 
-- ✅ RequĂȘte cadrĂ©e : turnover volontaire 2026 par dĂ©partement, CDI uniquement
WITH effectif_moyen AS (
SELECT departement, COUNT(*) / . AS effectif_moy -- moyenne simple début/fin d'année
FROM (
SELECT departement FROM contracts
WHERE type_contrat = 'CDI'
AND start_date <= DATE '2026-01-01'
AND (end_date IS NULL OR end_date > DATE '2026-01-01')
UNION ALL
SELECT departement FROM contracts
WHERE type_contrat = 'CDI'
AND start_date <= DATE '2026-12-31'
AND (end_date IS NULL OR end_date > DATE '2026-12-31')
) t
GROUP BY departement
),
departs_volontaires AS (
SELECT departement, COUNT(*) AS nb_departs
FROM contracts
WHERE type_contrat = 'CDI'
AND motif_sortie IN ('demission', 'rupture_conv') -- choix documenté : volontaire = démission + rupture conv.
AND end_date >= DATE '2026-01-01'
AND end_date < DATE '2027-01-01'
GROUP BY departement
)
SELECT
e.departement,
e.effectif_moy,
COALESCE(d.nb_departs, ) AS departs,
ROUND(COALESCE(d.nb_departs, ) / e.effectif_moy * , ) AS turnover_pct
FROM effectif_moyen e
LEFT JOIN departs_volontaires d USING (departement)
ORDER BY turnover_pct DESC;
 
-- Résultat type : Support 24,3 % · Sales 17,8 % · Tech 9,1 % · Finance 5,4 %
-- → Le "problĂšme de turnover" est concentrĂ© sur le Support. Ça, c'est une rĂ©ponse utile.
formation-data-ia-2027 · 07

Ce que le recruteur évalue : le candidat pose-t-il les questions avant de coder ? Sait-il transformer « on a un problÚme ? » en un chiffre actionnable ?

CompĂ©tence 5 — DĂ©tecter les piĂšges de donnĂ©es

Le test type : « Cette requĂȘte renvoie 0 client inactif. C'est suspect. Pourquoi ? »

Domaine : finance. On cherche les clients sans aucune transaction ce trimestre.

-- ❌ Le piùge NOT IN + NULL
-- transactions : tx_id | client_id | montant | tx_date
-- Une ligne a client_id = NULL (transaction orpheline issue d'un import)
 
SELECT client_id
FROM clients
WHERE client_id NOT IN (
SELECT client_id FROM transactions
WHERE tx_date >= DATE '2026-07-01'
);
-- → 0 ligne. Alors qu'il y a 1 432 clients inactifs.
-- ProblĂšme : si la sous-requĂȘte contient un seul NULL, NOT IN renvoie toujours vide.
-- (x NOT IN (1, 2, NULL) vaut UNKNOWN, jamais TRUE)
formation-data-ia-2027 · 08
-- ✅ NOT EXISTS : insensible aux NULL
SELECT c.client_id
FROM clients c
WHERE NOT EXISTS (
SELECT
FROM transactions t
WHERE t.client_id = c.client_id
AND t.tx_date >= DATE '2026-07-01'
);
-- → 1 432 clients inactifs. Le bon chiffre.
-- RĂ©flexe bonus : SELECT COUNT(*) FROM transactions WHERE client_id IS NULL → 1 ligne Ă  signaler Ă  l'Ă©quipe data.
formation-data-ia-2027 · 09

Ce que le recruteur évalue : un résultat « trop beau » (0, 100 %, un chiffre rond) déclenche-t-il un doute chez le candidat ?

đŸ§Ș Mesure ces 5 compĂ©tences, pas juste ta syntaxe

Le test Modai Lab ne vĂ©rifie pas seulement si ta requĂȘte tourne : il mesure si tu repĂšres les piĂšges de grain, de NULL et de pĂ©rimĂštre qui font la diffĂ©rence en entretien.

👉 Faire le test sur modai-lab.com/test-sql/

_5 minutes · Diagnostic par compétence · Recommandations ciblées_


PARTIE 3 — Les 3 signaux qu'un module prĂ©pare Ă  un mĂ©tier qui disparaĂźt

Un module n'est pas obsolĂšte parce qu'il enseigne JOIN ou GROUP BY. Ces notions restent indispensables : impossible de vĂ©rifier une requĂȘte qu'on ne comprend pas. Il devient obsolĂšte quand la syntaxe est la compĂ©tence finale Ă©valuĂ©e.

Voici les 3 signaux d'alerte.

⚠ Signal 1 — L'Ă©valuation compare la requĂȘte, pas le raisonnement

Le correcteur compare la requĂȘte de l'apprenant Ă  une requĂȘte de rĂ©fĂ©rence. Si la syntaxe diffĂšre, c'est faux. Si elle est identique, c'est juste.

-- ❌ Évaluation "syntaxe"
-- Consigne : "Écrivez la requĂȘte qui donne le nombre de commandes par rĂ©gion."
-- Corrigé attendu :
SELECT region, COUNT(*) FROM orders GROUP BY region;
-- CritĂšre : "La requĂȘte est identique au corrigĂ© → 20/20"
 
-- ProblÚme : une IA obtient 20/20. L'apprenant qui a copié-collé aussi.
-- Celui qui a écrit COUNT(DISTINCT order_id) parce qu'il a repéré des doublons
-- se fait parfois sanctionner pour "écart au corrigé".
formation-data-ia-2027 · 10
-- ✅ Évaluation "raisonnement"
-- Consigne : "Donne le nombre de commandes par région. Justifie en 3 lignes
-- ton choix entre COUNT(*) et COUNT(DISTINCT order_id)."
-- Grille :
-- 4 pts : résultat juste ET vérifié par un total
-- 4 pts : justification du COUNT (doublons d'import détectés ou non ?)
-- 4 pts : traitement des région NULL (exclues, regroupées en 'Inconnue' ?)
-- 4 pts : explication orale en 1 minute Ă  un non-technicien
-- 4 pts : réponse à une question contradictoire
SELECT
COALESCE(region, 'Inconnue') AS region,
COUNT(DISTINCT order_id) AS nb_commandes -- 312 doublons d'import détectés dans orders
FROM orders
GROUP BY ;
formation-data-ia-2027 · 11

⚠ Signal 2 — Les exercices n'ont qu'une seule bonne rĂ©ponse

Dans la vraie vie, une question mĂ©tier a souvent plusieurs rĂ©ponses dĂ©fendables selon la dĂ©finition retenue (voir la CompĂ©tence 3 sur la conversion). Un module oĂč chaque exercice a une rĂ©ponse unique entraĂźne Ă  exĂ©cuter, pas Ă  dĂ©cider.

❌ Le junior formĂ© ainsi : « Quelle est la bonne requĂȘte ? » ✅ Le senior : « Selon la dĂ©finition, c'est 2,1 % ou 6,8 %. Pour ta dĂ©cision, c'est 2,1 % qui compte, voici pourquoi. »

Test rapide : prends 10 exercices de ton module. Combien acceptent plusieurs réponses justifiées ? Si c'est 0, signal rouge.

⚠ Signal 3 — L'IA est interdite, ou totalement ignorĂ©e

Deux variantes, mĂȘme rĂ©sultat :

  • Interdite : « Pas de ChatGPT ni de Claude pendant la formation. » L'apprenant arrive en poste sans savoir travailler avec l'outil que toute son Ă©quipe utilise, et sans savoir en critiquer les sorties.

  • IgnorĂ©e : le programme n'en parle pas. L'apprenant l'utilise en cachette pour faire ses exercices, valide son module, et n'a rien appris.

Dans les deux cas, la formation prĂ©pare Ă  un poste de « traducteur question → syntaxe ». C'est prĂ©cisĂ©ment le poste qui disparaĂźt.

Tableau des signaux

Signal

SymptĂŽme dans le programme

Conséquence pour l'apprenant

Correctif

1. Évaluation syntaxe

Corrigé unique comparé ligne à ligne

Ne sait pas vérifier ni justifier

Grille de raisonnement + soutenance

2. Réponse unique

Aucun exercice à définitions multiples

Ne sait pas trancher une ambiguïté

Exercices à KPI ambigu à défendre

3. IA interdite ou ignorée

Aucun module sur l'usage critique de l'IA

Usage passif, copier-coller sans contrĂŽle

Protocole de la Partie 4

đŸ§Ș Pratique sur des cas oĂč il n'y a pas qu'une seule bonne rĂ©ponse

Les cas Modai Lab partent de vraies questions métier (CFO, DRH, Head of Growth) : tu dois cadrer, choisir une définition et la justifier. C'est le type d'exercice qui manque à la plupart des programmes.

👉 Pratiquer sur modai-lab.com

_Questions métier ouvertes · Plusieurs réponses défendables · Feedback senior_


PARTIE 4 — IntĂ©grer l'IA dans la pĂ©dagogie sans tuer l'apprentissage

Le risque est rĂ©el : si l'IA Ă©crit toutes les requĂȘtes, l'apprenant ne construit jamais le modĂšle mental qui lui permet de les vĂ©rifier. On obtient quelqu'un qui « sait prompter » mais qui ne voit pas qu'un chiffre est faux.

La solution n'est ni d'interdire, ni de laisser faire. C'est de séquencer.

Le protocole en 4 temps : Tenter → Comparer → Critiquer → DĂ©fendre

Temps 1 — Tenter seul (sans IA, 15 Ă  20 min) L'apprenant Ă©crit sa propre requĂȘte et note son rĂ©sultat. MĂȘme faux, mĂȘme incomplet. C'est lĂ  que se construit le modĂšle mental (grain, jointures, NULL).

Temps 2 — Comparer avec l'IA Il demande la mĂȘme chose Ă  une IA. Il compare les deux rĂ©sultats. S'ils diffĂšrent, l'un des deux est faux, ou les deux rĂ©pondent Ă  des questions diffĂ©rentes.

Temps 3 — Critiquer (le temps le plus important) Il doit identifier, par Ă©crit, au moins un risque dans la requĂȘte IA : grain, NULL, pĂ©rimĂštre, borne de date, dĂ©finition du KPI. MĂȘme si la requĂȘte est juste, il doit expliquer pourquoi.

Temps 4 — DĂ©fendre Il prĂ©sente sa version finale en 2 minutes et rĂ©pond Ă  une question contradictoire du formateur ou d'un pair.

Exemple d'exercice prĂȘt Ă  l'emploi : « L'IA s'est trompĂ©e »

Domaine : SaaS. Le formateur fournit volontairement une requĂȘte IA piĂ©gĂ©e.

-- Consigne apprenant :
-- "Une IA a gĂ©nĂ©rĂ© cette requĂȘte pour calculer le MRR (revenu mensuel rĂ©current)
-- de juin 2026. RĂ©sultat obtenu : 1 912 400 €. Le Head of Finance attendait ~ 640 000 €.
-- Trouve le problĂšme, corrige, et explique-le en 3 phrases Ă  la Head of Finance."
 
-- subscriptions : sub_id | user_id | plan | prix_mensuel | started_at | ended_at
-- invoices : invoice_id | sub_id | montant | issued_at
 
-- ❌ RequĂȘte IA fournie
SELECT SUM(s.prix_mensuel) AS mrr_juin
FROM subscriptions s
JOIN invoices i ON i.sub_id = s.sub_id
WHERE s.started_at <= DATE '2026-06-30';
 
-- ProblĂšmes Ă  trouver :
-- 1. JOIN invoices : un abonnement a une facture par mois → prix comptĂ© N fois (fan-out)
-- 2. Aucun filtre sur ended_at : les abonnements résiliés sont inclus
-- 3. La table invoices est inutile pour un MRR basé sur le prix contractuel
formation-data-ia-2027 · 12
-- ✅ Correction attendue
SELECT SUM(prix_mensuel) AS mrr_juin
FROM subscriptions
WHERE started_at <= DATE '2026-06-30'
AND (ended_at IS NULL OR ended_at > DATE '2026-06-30'); -- actifs au 30 juin uniquement
-- → 638 950 €
 
-- Explication attendue (3 phrases, niveau Head of Finance) :
-- "La requĂȘte comptait le prix de chaque abonnement une fois par facture Ă©mise,
-- donc un client abonné depuis 6 mois pesait 6 fois. Elle incluait aussi les
-- clients résiliés. En ne gardant que les abonnements actifs au 30 juin, une
-- seule fois chacun, on obtient 638 950 €."
formation-data-ia-2027 · 13

Les 4 usages de l'IA Ă  encourager (et les 2 Ă  bannir)

Usage

Statut

Pourquoi

Expliquer une requĂȘte existante ligne par ligne

✅ Encourager

AccélÚre la compréhension, sans remplacer l'effort

Générer des données de test avec piÚges (NULL, doublons)

✅ Encourager

EntraĂźne au contrĂŽle

Proposer une version alternative aprĂšs sa propre tentative

✅ Encourager

Crée la comparaison et le doute utile

Jouer le contradicteur (« challenge ma définition »)

✅ Encourager

Entraßne à défendre

Générer la réponse avant toute tentative

❌ Bannir en phase d'apprentissage

Court-circuite la construction du modĂšle mental

Copier le résultat sans contrÎle par un total connu

❌ Bannir toujours

C'est exactement l'erreur qui coûte cher en poste

Erreurs classiques des organismes de formation

❌ Interdire l'IA en cours, l'autoriser en projet final Le projet final devient un concours de prompts. On n'Ă©value plus l'apprenant. ✅ Faire l'inverse : l'IA est autorisĂ©e et encadrĂ©e en cours (protocole 4 temps), et l'Ă©valuation finale inclut une soutenance orale sans Ă©cran.

❌ Ajouter un module « IA gĂ©nĂ©rative » sĂ©parĂ© en fin de cursus L'apprenant ne fait jamais le lien avec le SQL qu'il a appris. ✅ IntĂ©grer l'IA dans chaque module, comme on intĂšgre les tests ou la documentation.

❌ Garder les mĂȘmes datasets jouets et ajouter « utilisez ChatGPT si besoin » Sur une table de 8 lignes sans dĂ©faut, l'IA a toujours raison. L'apprenant apprend Ă  lui faire confiance aveuglĂ©ment. ✅ Des datasets avec piĂšges : c'est sur des donnĂ©es rĂ©alistes que l'IA se trompe, et que l'apprenant apprend Ă  le voir.

❌ Évaluer le nombre d'exercices rĂ©alisĂ©s Avec l'IA, 50 exercices en une soirĂ©e, c'est facile. Ça ne prouve rien. ✅ Évaluer moins d'exercices, plus en profondeur : 5 cas business dĂ©fendus valent mieux que 50 requĂȘtes validĂ©es.

đŸ§Ș Valide que tu sais critiquer une requĂȘte IA

Le test Modai Lab te met face Ă  des requĂȘtes qui tournent mais qui mentent. Si tu les repĂšres, tu es prĂȘt pour les entretiens 2027. Sinon, tu sais exactement quoi travailler.

👉 Faire le test sur modai-lab.com/test-sql/

_RequĂȘtes piĂ©gĂ©es · Niveau calibrĂ© · Plan de progression personnalisĂ©_


Prompt Claude pour auditer tes requĂȘtes

Deux prompts : un pour auditer une requĂȘte (apprenant), un pour auditer un module de formation (organisme ou formateur).

Prompt 1 — Auditer une requĂȘte SQL (gĂ©nĂ©rĂ©e par toi ou par une IA)

Tu es un Lead Data Analyst senior qui fait passer des entretiens techniques.
Je vais te donner une requĂȘte SQL, le schĂ©ma des tables et la question mĂ©tier
à laquelle elle doit répondre.
 
Ne réécris pas la requĂȘte tout de suite. D'abord, audite-la sur ces points :
 
1. GRAIN : quel est le grain de chaque table ? Une jointure peut-elle
dupliquer des lignes (relation 1-N) et gonfler un SUM ou un COUNT ?
2. NULL : y a-t-il un NOT IN sur une colonne nullable, un AVG ou une division
qui ignore ou propage des NULL, un COUNT(colonne) au lieu de COUNT(*) ?
3. PÉRIMÈTRE : les statuts (annulĂ©, test, remboursĂ©) sont-ils filtrĂ©s ?
Le choix est-il explicite ?
4. DATES : les bornes sont-elles exclusives Ă  droite ? Y a-t-il un risque de
fuseau horaire ou de perte du dernier jour ?
5. DÉFINITION DU KPI : la requĂȘte rĂ©pond-elle exactement Ă  la question mĂ©tier,
ou à une question voisine ? Existe-t-il une autre définition défendable ?
6. CONTRÔLE : propose 2 requĂȘtes de vĂ©rification (total connu, COUNT avant/aprĂšs
jointure) que je peux lancer pour valider le résultat.
 
Ensuite :
- Donne une version corrigée, commentée ligne par ligne.
- Explique le problĂšme principal en 3 phrases Ă  un manager non technique.
- Pose-moi 3 questions contradictoires qu'un recruteur pourrait me poser
sur cette requĂȘte, sans me donner les rĂ©ponses.
 
Question métier : [colle ici]
Schéma des tables : [colle ici]
RequĂȘte : [colle ici]
formation-data-ia-2027 · 14

Prompt 2 — Auditer un module de formation data

Tu es un responsable pédagogique spécialisé en formation data et un ancien
Lead Data recruteur. Je vais te donner le contenu d'un module de formation
SQL / data (programme, exercices, modalités d'évaluation).
 
Audite-le avec cette grille de 10 questions, réponds OUI/NON avec une
justification courte pour chacune :
 
Données
Q1. Les tables d'exercice ont-elles plus de 1 000 lignes ?
Q2. Contiennent-elles des défauts réalistes (doublons, NULL, statuts annulés,
fuseaux horaires, libellés incohérents) ?
Q3. Y a-t-il au moins une relation 1-N pouvant provoquer un fan-out ?
Q4. Le schéma ressemble-t-il à un vrai systÚme métier ?
 
Consigne
Q5. Les consignes partent-elles d'une question métier plutÎt que technique ?
Q6. Certaines consignes contiennent-elles une ambiguïté à trancher ?
Q7. Un chiffre de contrĂŽle est-il fourni pour s'auto-valider ?
 
Évaluation
Q8. L'apprenant doit-il expliquer sa requĂȘte ?
Q9. Y a-t-il des exercices de correction de requĂȘtes fausses (y compris IA) ?
Q10. L'évaluation finale inclut-elle des questions contradictoires ?
 
Ensuite :
- Donne le score sur 10 et le diagnostic (syntaxe / transition / solide / prĂȘt 2027).
- Indique lesquels de ces 3 signaux d'obsolescence sont présents :
(1) évaluation de la syntaxe vs corrigé, (2) exercices à réponse unique,
(3) IA interdite ou ignorée.
- Propose les 3 modifications à plus fort impact, classées par effort.
- Réécris UN exercice du module en version "cas réel" : question métier,
dataset avec piÚges, chiffre de contrÎle, grille d'évaluation sur 20,
et 2 questions de soutenance.
 
Contenu du module : [colle ici]
formation-data-ia-2027 · 15

Récapitulatif

Bloc

Ce qu'il faut retenir

Exemple SQL clé

Audit des exercices

10 questions : données, consigne, évaluation

Table jouet vs orders + refunds avec chiffre de contrĂŽle

Compétence 1 · Vérifier

ContrĂŽler le grain avant/aprĂšs jointure

Fan-out orders × order_items → CA × 2,6

Compétence 2 · Expliquer

Parler en business, pas en mots-clés

Churn mars 2026 : 127 / 3 024 = 4,2 %

Compétence 3 · Défendre

Deux définitions justes, une seule adaptée à la décision

Conversion 2,1 % (session) vs 6,8 % (visiteur)

Compétence 4 · Cadrer

Poser 4 questions avant de coder

Turnover volontaire CDI par département

Compétence 5 · Détecter

Un résultat « trop beau » doit déclencher un doute

NOT IN + NULL → 0 au lieu de 1 432

Signal 1

Évaluation par corrigĂ© unique

Grille de raisonnement sur 20

Signal 2

Exercices à réponse unique

KPI ambigu à défendre

Signal 3

IA interdite ou ignorée

Protocole Tenter → Comparer → Critiquer → DĂ©fendre

Pédagogie IA

Séquencer, pas interdire

Exercice « L'IA s'est trompée » sur le MRR


✅ Checklist formation data prĂȘte pour 2027

Données d'exercice

  • ☐ Les tables ont plus de 1 000 lignes

  • ☐ Elles contiennent doublons, NULL, statuts annulĂ©s et dates Ă  fuseaux

  • ☐ Au moins un exercice par module comporte une relation 1-N piĂ©geuse

  • ☐ Le schĂ©ma reproduit un vrai systĂšme (e-commerce, SaaS, finance, RH)

Consignes

  • ☐ Chaque exercice part d'une question posĂ©e par un rĂŽle mĂ©tier (CFO, DRH, Head of Growth)

  • ☐ Au moins un exercice sur trois contient une ambiguĂŻtĂ© Ă  trancher et documenter

  • ☐ Un chiffre de contrĂŽle est fourni pour permettre l'auto-validation

Évaluation

  • ☐ La note porte sur le raisonnement, pas sur la conformitĂ© Ă  un corrigĂ©

  • ☐ L'apprenant explique sa requĂȘte Ă  l'oral ou Ă  l'Ă©crit

  • ☐ Des exercices de correction de requĂȘtes fausses (humaines et IA) existent

  • ☐ La soutenance finale inclut des questions contradictoires sans Ă©cran

IA dans la pédagogie

  • ☐ Le protocole Tenter → Comparer → Critiquer → DĂ©fendre est appliquĂ©

  • ☐ L'IA est autorisĂ©e et encadrĂ©e, ni interdite ni ignorĂ©e

  • ☐ Au moins un exercice « L'IA s'est trompĂ©e » par module

  • ☐ Les usages Ă  bannir (rĂ©ponse avant tentative, copie sans contrĂŽle) sont explicites


🚀 Passe de « je sais Ă©crire » Ă  « je sais vĂ©rifier, expliquer, dĂ©fendre »

L'IA a rendu la syntaxe gratuite. Ce qui fait la différence en 2027, c'est le réflexe de contrÎle et la capacité à défendre un chiffre. Sur Modai Lab, chaque exercice est construit pour entraßner exactement ça, sur des cas business réels.

👉 modai-lab.com/test-sql/ — Exercices calibrĂ©s · Cas business rĂ©els · Feedback senior


_Guide offert suite au post LinkedIn · EntraĂźnez-vous sur modai-lab.com/test-sql/ · Partagez librement ♻_