Modèle de CV ATS pour Data Analyst – Guide Complet

Data Analyst orienté décision, spécialisé dans l’analyse de données orientées produit et marketing. J’utilise SQL avancé (CTE, window functions) pour fiabiliser les indicateurs et réduire le temps de requêtage, puis Python (pandas, numpy) pour nettoyer, consolider et analyser les tendances. Je transforme les résultats en dashboards Power BI (modélisation en étoile et DAX) pour accélérer la prise de décision par les équipes métier.

Je m’appuie systématiquement sur des KPI concrets (conversion, churn, marge, ARR, coût d’acquisition) et sur des méthodes statistiques actionnables comme l’A/B testing et l’analyse de cohorte. Par exemple : sur un périmètre de 2M+ utilisateurs, j’ai isolé des segments à risque via une cohorte et proposé des actions qui ont réduit le churn de 6,4% en 60 jours. Mon objectif est clair : relier la qualité des données à un impact mesurable.

Conception de reporting décisionnel : création de tableaux de bord Power BI pour le COMEX, avec une couche de calcul en DAX et des contrôles de cohérence sur les sources. Les dashboards alimentent des indicateurs clés (taux de conversion, panier moyen, marge) avec une mise à jour quotidienne et une traçabilité des définitions KPI. Résultat : détection d’une dérive de marge sur un segment, avec un plan d’actions déployé sous 2 mois.

Analyse statistique et expérimentation : pilotage d’analyses A/B testing (définition des métriques, contrôle du tracking, interprétation des p-values) et mise en place de régressions pour expliquer les variations de performance. J’ai automatisé la préparation des données avec pandas afin de standardiser les analyses et limiter les erreurs manuelles. KPI visés : augmentation de la conversion (+22% sur un funnel), réduction de l’écart d’attribution et amélioration de la fiabilité des conclusions.

SQL et bases de données : jointures complexes, tables partitionnées, CTE, window functions, et optimisation de requêtes pour traiter des volumes de 10M+ lignes. Selon le contexte, j’ai travaillé avec BigQuery et Snowflake (ou PostgreSQL) pour fiabiliser les pipelines analytiques et harmoniser les modèles de données. Je documente les définitions de champs (métriques, filtres, périodes) afin de garantir une lecture cohérente par les parties prenantes.

Python & data prep : pandas pour le nettoyage et le feature engineering, numpy pour les transformations, et matplotlib pour des visualisations exploratoires. J’applique des méthodes statistiques (régression, analyse de cohorte, tests d’hypothèses) pour produire des conclusions actionnables, et je veille à la qualité via des checks (valeurs aberrantes, duplications, tests de complétude). Côté stack, j’intègre parfois dbt pour la modélisation et Airflow pour l’orchestration quand le contexte l’exige.

Qualité & gouvernance : mise en place de contrôles de données (taux de manquants, dérives, règles de validation) et documentation des hypothèses utilisées dans les analyses. J’adopte une logique de “single source of truth” pour les KPI, en alignant les définitions entre produit, marketing et finance. Je contribue aussi à la création de fiches techniques (data dictionary) pour réduire les ambiguïtés et accélérer la réutilisation.

Collaboration & communication : j’anime des sessions de cadrage avec les équipes métier pour traduire un besoin en question analytique, puis j’explique les résultats avec un storytelling data adapté au public. J’illustre les décisions à prendre via des recommandations structurées (impact attendu, risques, hypothèses, dépendances). Je présente les résultats en tenant compte d’indicateurs de performance opérationnels, comme la latence de refresh (ex. <24h) et la stabilité des métriques.