20 questions d'entretien pour évaluer un data analyst (avec les réponses attendues)

Le data analyst est souvent le premier profil data qu'une entreprise recrute — et l'un des plus mal évalués. Beaucoup d'entretiens se limitent à vérifier la maîtrise d'un outil de dataviz et quelques requêtes SQL, alors que la valeur d'un analyst se joue ailleurs : dans sa capacité à transformer une question métier floue en réponse chiffrée fiable. Voici les 20 questions que nous utilisons chez Spherys pour évaluer un data analyst, organisées en quatre blocs, avec, pour chacune, ce qu'une bonne réponse doit contenir.

Avant les questions : ce qu'un bon data analyst doit savoir faire

Un data analyst efficace combine trois compétences : extraire et fiabiliser la donnée (SQL, modèles de données), l'analyser avec rigueur (statistiques de base, esprit critique) et la restituer utilement (visualisation, narration, sens métier). Votre entretien doit couvrir les trois — un déséquilibre dans l'évaluation produit des recrutements déséquilibrés. Si vous recrutez plutôt un profil pipeline/infrastructure, consultez notre méthode dédiée pour évaluer un data engineer en entretien.

Bloc 1 — Sept questions SQL et manipulation de données

1. Quelle est la différence entre un LEFT JOIN et un INNER JOIN, et quand l'un produit-il des résultats trompeurs ?

Réponse attendue : au-delà de la définition, le bon candidat mentionne le cas classique : un INNER JOIN qui écarte silencieusement des lignes (clients sans commande, par exemple) et fausse un taux ou une moyenne. Les meilleurs évoquent aussi la duplication de lignes quand la jointure n'est pas 1-à-1.

2. Comment détecteriez-vous des doublons dans une table, et surtout comment décideriez-vous lesquels supprimer ?

Réponse attendue : GROUP BY / HAVING COUNT(*) > 1 ou fonction de fenêtrage ROW_NUMBER(). Le vrai discriminant est la seconde partie : un bon analyst demande pourquoi il y a des doublons avant de supprimer, et définit une règle de survie (la ligne la plus récente, la plus complète…).

3. Expliquez ce que fait une fonction de fenêtrage, avec un cas d'usage concret.

Réponse attendue : un calcul sur un groupe de lignes sans les agréger — cumul glissant, rang, comparaison à la période précédente. Le candidat doit produire un exemple métier spontané (« comparer le CA de chaque mois au mois précédent avec LAG »).

4. Une requête qui tournait en 10 secondes prend maintenant 10 minutes. Que faites-vous ?

Réponse attendue : une démarche, pas une recette : volume de données a-t-il changé ? Plan d'exécution ? Jointure devenue explosive ? Index ou partitionnement ? Méfiez-vous du candidat qui répond « j'optimise la requête » sans méthode de diagnostic.

5. Comment vérifiez-vous qu'un jeu de données est fiable avant de l'analyser ?

Réponse attendue : contrôles de volumétrie (nombre de lignes attendu), nulls et valeurs aberrantes, cohérence temporelle (trous de dates), rapprochement avec une source de référence. Un analyst qui ne contrôle jamais ses sources est un risque opérationnel.

6. Qu'est-ce qu'un modèle en étoile, et pourquoi vous concerne-t-il en tant qu'analyst ?

Réponse attendue : tables de faits et dimensions ; l'analyst n'a pas à le concevoir mais doit savoir s'y orienter, comprendre la granularité d'une table de faits et éviter les agrégations à la mauvaise maille — source d'erreurs de chiffres très fréquente.

7. Sans écrire de code : comment calculeriez-vous un taux de rétention mensuel ?

Réponse attendue : définir la cohorte, définir « actif », compter les présents au mois M+1 parmi les actifs du mois M. La qualité de la réponse se joue dans les définitions — un bon candidat commence par « ça dépend de ce qu'on appelle actif ».

Bloc 2 — Six questions d'analyse et de sens métier

8. Le taux de conversion a chuté de 20 % ce mois-ci. Racontez votre enquête.

Réponse attendue : vérifier d'abord la donnée (tracking cassé ?), puis segmenter (canal, device, géographie, nouveau/récurrent), chercher le moment exact de la bascule, corréler avec les événements (mise en prod, campagne, saisonnalité). La structure de l'enquête compte plus que la conclusion.

9. Un dashboard affiche deux chiffres contradictoires pour le même indicateur. Que faites-vous ?

Réponse attendue : remonter aux définitions et aux sources de chaque chiffre (périmètre, filtres, fraîcheur). Les bons candidats en tirent la leçon organisationnelle : documenter les définitions d'indicateurs, une seule source de vérité.

10. Qu'est-ce qu'une corrélation fallacieuse ? Donnez un exemple vécu ou plausible.

Réponse attendue : deux variables corrélées sans lien causal (facteur confondant, saisonnalité commune). L'exemple doit être concret : « les ventes de glaces et les noyades augmentent ensemble — c'est l'été, pas la causalité ».

11. Le métier vous demande « une analyse sur le churn ». Quelle est votre première action ?

Réponse attendue : reformuler le besoin — quelle décision cette analyse doit-elle éclairer ? Quel horizon, quel segment, quelle définition du churn ? Un candidat qui ouvre son éditeur SQL avant d'avoir posé ces questions livrera une analyse inutilisable.

12. Quand un simple tableau vaut-il mieux qu'un graphique ?

Réponse attendue : quand la précision des valeurs compte plus que la tendance, quand il y a peu de valeurs, ou pour du lookup. Cette question teste la maturité en restitution : le but n'est pas de faire joli, mais de faire décider.

13. Comment mesureriez-vous l'impact d'un changement produit sans A/B test possible ?

Réponse attendue : comparaison avant/après avec témoin de contrôle (segment non exposé), séries temporelles, prudence sur la causalité. Personne n'attend un économètre — on attend la conscience des limites de la mesure.

Bloc 3 — Quatre questions comportementales

14. Racontez une analyse dont la conclusion a déplu. Qu'avez-vous fait ?

Réponse attendue : des faits précis et la posture : maintenir le chiffre tout en aidant le métier à décider. Un analyst qui ajuste ses conclusions à ce qu'on veut entendre détruit la valeur de toute la fonction data.

15. Comment expliqueriez-vous une moyenne pondérée à quelqu'un d'allergique aux chiffres ?

Réponse attendue : une analogie simple, livrée avec patience (la note du bac avec les coefficients). Vous testez ici la compétence qui fera la différence au quotidien : la vulgarisation.

16. Trois demandes urgentes de trois directions différentes. Comment priorisez-vous ?

Réponse attendue : un critère explicite (impact sur la décision, échéance réelle, effort), la transparence vis-à-vis des demandeurs, et l'escalade à son manager si l'arbitrage le dépasse — pas le silence ni le premier arrivé premier servi.

17. Qu'avez-vous appris récemment en data, et comment ?

Réponse attendue : peu importe le sujet — ce qui compte est la précision de la réponse. « Je me tiens au courant » sans exemple est un signal faible ; un apprentissage récent, sourcé et appliqué est un signal fort.

Bloc 4 — Trois questions pièges (et ce qu'elles révèlent)

18. « Nos données sont propres, vous pourrez analyser directement. » Vous en pensez quoi ?

Réponse attendue : un scepticisme poli. Les données ne sont jamais aussi propres qu'annoncé ; le candidat doit décrire ses contrôles de départ. Celui qui accepte la prémisse sans broncher manque d'expérience terrain.

19. Quel est votre outil de dataviz préféré, et pourquoi le vôtre est-il meilleur que les autres ?

Réponse attendue : le refus de la guerre des outils. Un bon analyst raisonne en « bon outil pour le contexte » (existant, budget, compétences des utilisateurs). L'attachement dogmatique à un outil est un marqueur de rigidité.

20. Si je vous donne le poste, quel est le premier livrable que vous produisez en 30 jours ?

Réponse attendue : pas un dashboard. D'abord comprendre : rencontrer les métiers, cartographier les sources et les définitions d'indicateurs, identifier une victoire rapide utile. La modestie du plan est ici un signal de séniorité.

Comment utiliser ces 20 questions sans y passer vos semaines

Vingt questions, c'est 45 à 60 minutes d'entretien par candidat. Multiplié par 15 ou 20 candidatures, votre process de recrutement devient un second métier. La solution n'est pas de réduire l'exigence, mais de déplacer le premier filtre : faire passer les questions discriminantes en présélection automatisée, et réserver l'entretien humain à la shortlist. C'est le principe d'Entretiens Data : un entretien vidéo de 5 minutes mené par un avatar IA spécialisé data, les mêmes questions pour tous, une évaluation revue par un humain — et vos équipes ne rencontrent que les candidats qui en valent la peine. Notre méthode de présélection est détaillée dans cet article.

En résumé

Évaluez les trois dimensions du métier — SQL et manipulation, analyse et sens métier, communication — avec des questions de situation plutôt que des questions de cours. Attendez des réponses qui commencent par des questions, contrôlent la donnée avant de conclure et assument les limites de la mesure. Et surtout : posez les mêmes questions à tous vos candidats, sinon vous ne comparez rien.