Du métier administratif vers la data : le chemin réaliste

Vous travaillez dans l'administratif, l'assistanat ou la compta de base, et vous sentez bien que l'IA grignote votre périmètre. Plutôt que de subir, beaucoup de gens dans cette situation se demandent : et si je pivotais vers la data ? Bonne nouvelle : c'est faisable, c'est mieux payé, et plusieurs de vos compétences actuelles transfèrent. Voici un parcours réaliste sur 12 à 18 mois.

Pourquoi la data est une cible accessible

Le métier de Data Analyst (et plus largement Data Engineer / BI Analyst / Reporting Manager) demande des compétences qui ne sont pas si éloignées d'un fond administratif solide :

Excel avancé que vous pratiquez probablement déjà (TCD, formules complexes, Power Query) → fondations directes pour le SQL et Power BI.
Sens du chiffre et de la cohérence : vous avez l'habitude de vérifier que les totaux tombent, que les formats sont bons. C'est très exactement la posture data.
Connaissance métier : vous comprenez les processus d'entreprise (factures, RH, supply chain). Énorme avantage face à un junior data 100 % technique.
Rigueur et patience : la data, c'est 80 % de nettoyage de données. Si vous avez eu à fiabiliser des fichiers clients, vous savez ce que c'est.

Le plan d'apprentissage en 12-18 mois

Mois 1-3 : SQL et Excel avancé

Apprendre SQL est la première marche. C'est la compétence la plus rentable : tous les métiers data en passent par là. Ressources : Mode Analytics SQL Tutorial, SQLZoo, exercices SQL sur LeetCode niveau Easy/Medium. Objectif : SELECT, JOIN, GROUP BY, sous-requêtes, fenêtres.

En parallèle, montez en niveau sur Excel/Power Query si ce n'est pas déjà fait : DAX basique, transformation de données, modèles relationnels.

Mois 4-6 : Power BI ou Tableau + premières dashboards

Choisissez un outil de BI (Power BI a la plus grande demande en France). Apprenez à connecter une source, modéliser, créer des KPI, publier. Construisez 2-3 dashboards sur des données publiques (Insee, data.gouv.fr). Mettez-les sur LinkedIn.

Mois 7-9 : Python pour la data

Pas besoin d'aller très loin : pandas, numpy, matplotlib. Suffisant pour nettoyer un fichier compliqué, faire de l'EDA, automatiser un reporting. Ressources : DataCamp, Real Python, ou « Python for Data Analysis » de Wes McKinney.

Mois 10-12 : projet portfolio + premières candidatures

Construisez un projet de bout en bout : prendre un dataset public (open data ville, météo, santé), nettoyer, modéliser, publier un dashboard ou un blogpost analytique. C'est ça qui décrochera vos premiers entretiens.

Mois 13-18 : statistiques + ML léger (optionnel)

Si vous visez Data Scientist plutôt que Data Analyst, ajoutez des bases stats (régression, tests d'hypothèse) et ML (scikit-learn, classification, régression). Coursera Andrew Ng / fast.ai. Mais Data Analyst est déjà un très bon palier intermédiaire.

Comment vous positionner en entretien

Ne cachez pas votre parcours administratif — valorisez-le :

« J'ai 8 ans d'expérience à fiabiliser des données dans un contexte métier, et je transfère ces compétences vers la data au sens technique. »
« Je connais les processus comptables / RH / supply, je n'aurai pas à les apprendre. »
« Je suis une data analyst en formation, voici mes 3 projets, voici mon SQL et mon Power BI. »

Vers quels métiers postuler

Data Analyst (junior) : 35-45 K€ en France après 12-18 mois de transition. Cible la plus accessible.
BI Analyst / Reporting Manager : valorise l'expérience métier. Bon match si vous venez de la finance ou de la supply chain.
Analytics Engineer : entre la data analyst et le data engineer. SQL avancé + dbt + git. Demande qui explose.

Conclusion

Le pivot administratif → data est l'un des plus solides qu'on observe sur le marché français en 2026. C'est exigeant (12-18 mois d'effort sérieux), mais récompensé : à la sortie, vous gagnez plus qu'avant et vous êtes mieux protégé·e des prochaines vagues d'automatisation.