Un entretien d'analyste de données se plante rarement sur une syntaxe de JOIN oubliée. Il se plante quand vous sortez un chiffre propre mais que vous ne savez pas expliquer ce que le business devrait en faire. En 2026, les équipes de recrutement ont arrêté de récompenser ceux qui savent écrire une requête et se sont mises à récompenser ceux qui savent transformer une question brouillonne en réponse défendable, et c'est exactement là que la plupart des candidats vacillent.
Ce que les entretiens d'analyste de données évaluent vraiment en 2026
Le niveau a bougé. La maîtrise du SQL est désormais supposée acquise, plus un motif de fierté, parce que presque tous les candidats passent un test de requêtes basique et que les outils d'IA ont rendu le code répétitif trivial. Ce qui sépare une offre d'un refus, c'est le jugement : cadrer une demande ambiguë, choisir la bonne métrique, repérer quand les données vous mentent, et transmettre un résultat à quelqu'un qui n'a jamais ouvert une base de données.
Concrètement, vos interlocuteurs sondent quatre choses. Un, l'exécution technique (SQL, un peu de Python ou de R, de la profondeur sur les tableurs, et un outil de BI comme Tableau, Power BI ou Looker). Deux, la culture statistique, c'est-à-dire connaître la différence entre corrélation et causalité et savoir quand un résultat n'est que du bruit. Trois, le sens du business, la capacité à relier un chiffre au chiffre d'affaires, à la rétention ou aux coûts. Quatre, la communication, parce qu'un enseignement sur lequel personne n'agit ne vaut rien. Les épreuves les plus dures mélangent les quatre dans une seule consigne ouverte et observent comment vous raisonnez à voix haute.
Le processus d'entretien : les vraies étapes
La forme varie selon la taille de l'entreprise, mais le parcours moderne d'un analyste de données est assez prévisible.
- Préqualification par le recruteur (20 à 30 minutes). Logistique, votre parcours, pourquoi cette équipe. Attendez-vous à une ou deux questions techniques légères ("vous êtes à l'aise en SQL, sur une échelle de un à dix ?") qui fixent la difficulté des étapes suivantes. Ne survendez pas ici.
- Test technique (45 à 60 minutes). En général du SQL en direct dans un éditeur partagé (HackerRank, CoderPad, ou un jeu de données à emporter). Vous pouvez aussi avoir quelques questions de statistiques ou sur la façon dont vous nettoieriez une table donnée. Certaines boîtes ajoutent une courte partie Python ou pandas.
- Étude de cas ou exercice d'analyse. Soit un exercice à emporter avec un vrai jeu de données et un délai de deux à quatre jours, soit une étude de cas produit en direct de 45 minutes. C'est l'étape qui décide de la plupart des processus. On vous note sur le cadrage, la méthode et la clarté de votre recommandation, pas seulement sur la réponse.
- Étape comportementale et parties prenantes. Un manager recruteur ou un partenaire d'une autre équipe vérifie si vous savez gérer une demande vague, contester une mauvaise métrique et expliquer des résultats à des non-techniciens.
- Étape finale ou en jury. Souvent la présentation de votre exercice à emporter, ou un mélange de ce qui précède avec la direction. La culture et la communication pèsent lourd ici.
Les questions
SQL et exécution technique
Écrivez une requête pour trouver le deuxième salaire le plus élevé d'une table.
Un grand classique d'échauffement. Montrez que vous connaissez plus d'une approche : une sous-requête avec MAX, ou une fonction de fenêtrage avec DENSE_RANK(). Précisez comment vous gérez les ex aequo et les valeurs nulles, parce que c'est cette distinction qu'on teste vraiment.
Comment trouveriez-vous les lignes en double dans une table, et comment les supprimeriez-vous ?
Déroulez GROUP BY avec HAVING COUNT(*) > 1 pour les repérer, puis expliquez une suppression sûre avec une CTE et ROW_NUMBER(). Insistez sur le fait que vous valideriez avec les parties prenantes avant de supprimer quoi que ce soit en production.
Expliquez la différence entre un LEFT JOIN et un INNER JOIN, et dans quel cas un JOIN peut gonfler silencieusement votre nombre de lignes. Définissez les deux rapidement, puis allez au vrai piège : joindre sur une clé non unique provoque un fan-out qui multiplie les lignes et casse en silence tous les agrégats en aval. Dire que vous comparez le nombre de lignes avant et après une jointure trahit de l'expérience.
Quelle est la différence entre WHERE et HAVING ?
WHERE filtre les lignes avant l'agrégation, HAVING filtre les groupes après. Un bon complément consiste à mentionner que filtrer tôt dans WHERE coûte en général moins cher que filtrer tard.
Vous avez besoin d'un cumul du chiffre d'affaires par jour. Comment l'écrivez-vous ?
Sortez une fonction de fenêtrage : SUM(revenue) OVER (ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW). Être à l'aise avec les fenêtres glissantes est ce qui sépare les profils confirmés des juniors.
En Python ou avec pandas, comment géreriez-vous les valeurs manquantes dans un jeu de données ? Ne dites pas juste "je les supprime". Commencez par le diagnostic (quelle proportion manque, est-ce aléatoire ou systématique), puis les options : supprimer, imputer par la moyenne ou la médiane, propager la dernière valeur pour les séries temporelles, ou marquer avec une colonne indicatrice. C'est le jugement qui compte.
Statistiques et raisonnement analytique
Quelle est la différence entre corrélation et causalité, et comment l'expliqueriez-vous à un product manager ? Donnez une définition nette, puis un exemple concret (les ventes de glaces et les noyades augmentent toutes les deux en été). Votre interlocuteur veut vous voir traduire, pas donner un cours.
Un test A/B ressort avec une p-value de 0.04. Qu'est-ce que ça veut dire exactement, et que vérifieriez-vous avant de déployer ? Définissez-la correctement (la probabilité d'observer un résultat aussi extrême si l'hypothèse nulle était vraie), puis évitez le piège de traiter 0.05 comme parole d'évangile. Mentionnez la taille d'échantillon, la durée du test, le problème des comparaisons multiples, et la différence entre significativité pratique et significativité statistique.
Comment détecteriez-vous et traiteriez-vous les valeurs aberrantes ? Couvrez la détection (méthode de l'écart interquartile, z-scores, inspection visuelle avec une boîte à moustaches) puis la moitié la plus dure : décider si une valeur aberrante est une erreur de données à corriger ou un vrai signal à creuser. Supprimer un vrai signal est une erreur de débutant.
Expliquez ce qu'un intervalle de confiance vous apprend. Beaucoup de candidats l'énoncent mal. Un intervalle de confiance à 95% signifie que si vous répétiez l'échantillonnage un grand nombre de fois, 95% des intervalles contiendraient la vraie valeur du paramètre. Formulez-le correctement et vous sortez du lot immédiatement.
Études de cas et sens du business
Les utilisateurs actifs quotidiens ont chuté de 8% d'une semaine sur l'autre. Comment enquêtez-vous ? La structure prime sur la vitesse. Vérifiez d'abord que la donnée est réelle (pas un bug de logging), puis segmentez par plateforme, par zone géographique, par utilisateurs nouveaux ou revenants, et par canal d'acquisition. Formulez une hypothèse, testez-la, et dites ce que vous recommanderiez. Penser à voix haute, c'est tout l'exercice.
Une partie prenante vous demande "un dashboard de tout". Comment réagissez-vous ? La bonne réponse rétrécit le périmètre. Demandez quelle décision le dashboard doit soutenir, à qui il s'adresse, et quelle action un chiffre déclencherait. Montrer que vous savez recadrer une demande floue, c'est exactement ce qu'ils veulent voir.
Comment mesureriez-vous le succès du lancement d'une nouvelle fonctionnalité ? Définissez une métrique principale liée à l'objectif de la fonctionnalité, puis des métriques garde-fous pour repérer les dégâts collatéraux (l'engagement sur une fonctionnalité en cannibalise-t-il une autre ?). Mentionnez une référence de départ et une fenêtre temporelle. Nommer une seule north star metric montre de la maturité.
Notre taux d'attrition client augmente. Quelles données iriez-vous chercher et que regarderiez-vous en premier ? Commencez par définir le churn précisément (le terme est ambigu, donc cadrez-le). Puis segmentez par cohorte, ancienneté, offre et usage, et cherchez les indicateurs avancés qui précèdent le départ plutôt que de simplement décrire ceux qui sont déjà partis.
Communication et comportement
Parlez-moi d'une fois où vous avez trouvé un enseignement qui a changé une décision. Utilisez un format structuré : la question, votre méthode, le résultat, et l'action qu'il a déclenchée. Ce sont l'action et son impact mesurable qui marquent le point, alors dirigez-vous vers eux.
Décrivez une fois où votre analyse était fausse ou vos données défectueuses. Que s'est-il passé ? On teste votre honnêteté et votre rigueur. Prenez un vrai exemple, assumez l'erreur, et expliquez le garde-fou que vous avez mis en place ensuite (un contrôle de validation, une relecture par un pair). Se mettre sur la défensive ici est un signal d'alarme pour vos interlocuteurs.
Les erreurs classiques qui coulent les candidats analystes de données
- Foncer directement sur le SQL dans une étude de cas. Vos interlocuteurs veulent d'abord entendre votre cadrage. Un silence pendant que vous tapez passe pour du tâtonnement.
- Confondre significativité statistique et importance business. Un gain de 0.1% peut être statistiquement significatif et commercialement sans intérêt. Revenez toujours à l'impact.
- Sur-complexifier la réponse. Sortir un modèle de régression quand une simple moyenne segmentée répond à la question trahit un mauvais jugement, pas de la sophistication.
- Ignorer la qualité des données. Ne pas se demander "puis-je faire confiance à ces données ?" avant de les analyser est la toute première raison pour laquelle de bons profils techniques perdent les études de cas.
- Réciter des définitions sans les traduire. Si vous ne savez pas expliquer une p-value à une partie prenante non technique, la définition du manuel ne vous sauvera pas.
- Apprendre des réponses par cœur au lieu de raisonner. Les processus sont conçus pour vous lancer une relance dès l'instant où vous sonnez récité.
Comment vous préparer (et où un copilote en direct aide)
Construisez un plan ciblé sur quatre semaines. La première semaine, martelez le SQL jusqu'à ce que les fonctions de fenêtrage, les CTE et les jointures multi-tables deviennent automatiques ; utilisez une plateforme avec de vrais jeux de données plutôt que des casse-têtes jouets. Semaine deux, rafraîchissez les statistiques appliquées en insistant sur les tests A/B, l'échantillonnage, et les mots pour expliquer les deux. Semaine trois, enchaînez des études de cas chronométrées à voix haute, idéalement avec quelqu'un qui joue la partie prenante et vous coupe la parole. Semaine quatre, peaufinez vos histoires avec une structure claire et répétez la présentation d'un exercice à emporter comme devant une salle sceptique.
Les entretiens blancs comptent plus que la lecture passive, parce que le vrai test consiste à raisonner sous pression avec quelqu'un qui vous regarde. C'est aussi là qu'un copilote en direct gagne sa place. GhostPilot AI écoute votre entretien en temps réel et fait apparaître des suggestions quasi instantanées dans le panneau latéral de Chrome : un rappel de la syntaxe optimale d'une fonction de fenêtrage en pleine requête, un cadrage structuré pour une étude de cas quand votre tête se vide, ou la définition statistique précise dont vous ne vous souvenez qu'à moitié. Comme il tourne dans le panneau latéral, il ne fait pas partie de la capture d'un onglet partagé, et l'application de bureau Windows optionnelle est invisible à la capture d'écran sous Windows 10 (build 2004 ou ultérieur) et Windows 11. Il soutient votre réflexion ; il ne remplace pas votre préparation. Plus d'infos sur ghostpilotai.com.
FAQ
Quel SQL faut-il maîtriser pour un entretien d'analyste de données en 2026 ?
Les jointures (tous types), les agrégations avec GROUP BY et HAVING, les sous-requêtes, les CTE, et les fonctions de fenêtrage (ROW_NUMBER, RANK, SUM OVER). Les fonctions de fenêtrage sont la ligne de partage la plus fréquente entre une offre junior et une offre confirmée.
Comment se préparer à un entretien d'analyste de données débutant sans expérience ? Construisez deux ou trois projets de portfolio sur des jeux de données publics, rédigez pour chacun la question posée et la recommandation, et entraînez-vous à les expliquer à voix haute. Vos interlocuteurs accepteront des projets à la place d'un historique professionnel si vous savez défendre votre méthode.
Faut-il connaître Python pour un entretien d'analyste de données ? Ça dépend de l'équipe. Beaucoup de postes tournent entièrement en SQL avec un outil de BI, alors que les équipes produit très orientées données attendent pandas. Lisez l'offre d'emploi : si Python y figure, attendez-vous à une courte partie de code, en général du nettoyage ou de l'agrégation de données.
Combien de temps dure le processus de recrutement d'un analyste de données ? En général deux à quatre semaines, sur trois à cinq étapes. Les études de cas à emporter rallongent le plus le calendrier, alors confirmez les échéances tôt et bloquez ce créneau dans votre agenda.
Quelle est la compétence la plus importante qu'ils testent ? Le jugement. Savez-vous prendre une question floue, choisir une méthode sensée, vérifier la cohérence des données, et livrer une réponse sur laquelle un décideur peut agir ? La technique vous fait entrer dans la pièce ; le jugement décroche l'offre.
Essayez GhostPilot AI
GhostPilot AI est un copilote d'entretien en temps réel conçu pour les moments où une question tombe et où il vous faut la bonne structure ou la bonne syntaxe immédiatement. Commencez par l'offre gratuite avec des sessions en direct de 10 minutes et des réponses IA illimitées ; quand vous enchaînez les entretiens, le Session Pass est à $29 pour trois entretiens complets de deux heures (paiement unique, sans abonnement), ou passez en Pro à $59/mois ou $192/an ($16/mois en facturation annuelle). Entraînez-vous à fond, puis entrez en entretien en sachant que vous avez un filet.