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.

Le marché en chiffres

• ~15 500 offres Data Analyst / BI Analyst en France sur les 12 derniers mois (jobboards FR + LinkedIn). Le métier le plus recruté de la famille data.
• +22 % de demande Data Analyst sur 2024-2026 (rapport Apec 2025), à comparer à −12 % sur les profils assistant administratif et comptable junior.
• Salaire médian Data Analyst junior : 38-42 K€ en province, 42-50 K€ région parisienne. Confirmé : 50-65 K€. Senior : 65-85 K€.
• 40 % des Data Analysts ne sont pas issus d'une formation initiale data (étude Talent.io 2025), la reconversion est un vrai chemin reconnu.
• Top recruteurs : ETI industrielles (Saint-Gobain, Décathlon, Auchan), banques (BNP, Crédit Agricole), scale-ups SaaS (Doctolib, Mirakl), administrations publiques (Pôle Emploi, ministères).

Cas concret : Naïma, 34 ans, assistante de direction → Data Analyst

Naïma a 9 ans d'expérience comme assistante de direction chez un fabricant industriel à Lyon. Excel et Power Query sont son quotidien : suivi des achats, reporting au comex, fiabilisation des fichiers fournisseurs. En 2024, son service est restructuré et son périmètre se réduit. Elle décide de pivoter.

• Mois 1-4 : SQL via Mode Analytics (gratuit) + DataCamp (CPF, ~700 €). 1 h/jour le soir, 2 h le week-end. Atteint un niveau confirmé sur SELECT/JOIN/GROUP BY/window functions.
• Mois 5-7 : Power BI via formation CPF (gratuite, 6 semaines). Construit 3 dashboards sur des données data.gouv.fr (consommation énergétique communes). Publie sur LinkedIn (450 likes sur le 2e dashboard).
• Mois 8-10 : Python pandas via le livre de Wes McKinney + side project, automatise un reporting hebdo qu'elle faisait à la main (8 h gagnées par semaine, mis en avant dans son CV).
• Mois 11-13 : 18 candidatures, 6 entretiens, 2 offres. Décroche un poste Data Analyst dans une PME industrielle (380 personnes) à 40 K€, soit +6 K€ vs son salaire d'assistante.
• 2 ans plus tard : passe Senior Data Analyst à 55 K€ avec management d'un junior. Le profil « assistante qui connaît le métier industriel + sait faire de la data » est devenu son avantage compétitif.

FAQ

Faut-il quitter son poste pour se former ?

Pas forcément. La majorité des reconversions réussies se font en parallèle du poste actuel (1-2 h/jour le soir, 4-6 h le week-end), ce qui prend 12-18 mois. Quitter en avance est risqué financièrement et rarement plus rapide. Si votre employeur est ouvert, un mi-temps ou un congé formation (CPF de transition) peut accélérer.

Le CPF couvre-t-il vraiment tout ?

Une grande partie : formations Power BI, SQL, Tableau, Excel avancé, Python, certaines bootcamps Data Analyst (Wild Code School, Datascientest, Le Wagon Data) sont éligibles. Ne couvre pas les bootcamps américains à 15 K$ ni les masters universitaires complets. Vérifier sur moncompteformation.gouv.fr.

L'âge est-il un frein ?

Moins qu'on ne le pense. Les recruteurs data valorisent la maturité métier, un profil 35-50 ans qui connaît la finance / la supply / le retail a un avantage net face à un junior 23 ans 100 % technique. Ne pas se décourager si vous avez plus de 40 ans, c'est même souvent un plus.

Faut-il viser Data Scientist plutôt que Data Analyst ?

Non, sauf si vous avez déjà un fond statistique fort (école d'ingé, master maths). Data Analyst est le palier réaliste depuis un fond administratif : même salaire de départ, demande beaucoup plus forte, ticket d'entrée plus accessible. Vous pourrez toujours pivoter vers Data Scientist 2-3 ans après.

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. Le bilan de compétences Noryvana peut vous aider à valider que c'est bien le pivot qui vous correspond, ou identifier des alternatives mieux alignées avec votre profil.