Projet professionnel data analyst exemple : modèles et idées de portfolio

« Dans les contenus que je supervise chez Prorédaction, je vois la même difficulté revenir : beaucoup de candidats ont travaillé leurs outils, mais pas encore la mise en récit de leurs projets. Or, un bon portfolio de data analyst doit prouver une méthode, une logique métier et une capacité à expliquer simplement des données complexes. » – Aline, Responsable du pôle rédactionnel chez Prorédaction

Construire un projet professionnel data analyst convaincant, ce n’est pas empiler des notebooks Jupyter les uns après les autres. C’est montrer une trajectoire. Des choix méthodologiques assumés. Et surtout, des preuves concrètes de compétence — pas des déclarations d’intention.

Les recommandations actuelles du recrutement data convergent vers un format lisible et sélectif : 3 à 5 projets bien documentés, avec au minimum un projet SQL, un projet de nettoyage des données, un dashboard et un cas assorti de recommandations business. C’est la ligne défendue par les plateformes de référence comme Dataquest, Careery.pro et MetaIntro, qui insistent toutes sur la présence d’un README clair, du contexte métier, de la source des données, de la méthodologie et d’un impact mesurable.

Si vous cherchez un projet professionnel data analyst exemple — que vous soyez étudiant, en reconversion ou déjà en poste — l’objectif est finalement assez simple : bâtir un portfolio qui aide un recruteur à comprendre, en moins de deux minutes, ce que vous savez analyser, comment vous le faites et dans quel contexte métier vous pouvez apporter de la valeur. Cette démarche rejoint celle du projet professionnel informatique, où la preuve par le projet remplace la déclaration de compétences.

Checklist : les éléments à montrer dans votre portfolio de data analyst

Avant de vous lancer dans la rédaction, voici la liste complète des éléments attendus par les recruteurs dans chaque projet d’analyse données. Utilisez-la comme grille de vérification — une sorte de filet de sécurité — avant de publier quoi que ce soit sur GitHub ou votre site personnel.

• Un objectif professionnel clair : type de poste visé, secteur ciblé, forces principales. Si vous ne savez pas encore comment le formuler, la logique de la page de garde projet professionnel peut vous guider.
• Une question business explicite pour chaque projet.
• La source des données : plateforme, organisme, API, base publique ou données anonymisées.
• La description des ensembles de données : taille, période couverte, variables principales, licence si disponible.
• Une section dédiée au nettoyage des données : valeurs manquantes, doublons, formats, variables créées.
• Une méthodologie lisible : outils utilisés (SQL, Python, Excel, Power BI), étapes d’analyse, hypothèses retenues.
• Une visualisation des données pertinente : graphiques commentés, dashboard ou vues de synthèse.
• Des résultats interprétables pour un non-technicien — c’est souvent là que le bât blesse.
• Une recommandation business ou opérationnelle.
• Un README propre sur GitHub, ou une page portfolio avec liens vers code, dashboard et livrables.

Comment savoir si votre portfolio est complet ? Posez-vous cette question : un recruteur qui ne connaît pas votre parcours peut-il comprendre votre démarche en parcourant un seul projet pendant 90 secondes ?

Un ePortfolio IT efficace comprend : informations de contact, projets avec réalisations quantifiées, compétences certifiées et pièces jointes servant de preuves vérifiables aux compétences déclarées — Tasji & Turani, E-Portfolio Effectiveness in Seeking IT Jobs, 2023. Ce format améliore l’évaluation des candidats car il rend les compétences observables, et donc plus authentiques qu’un CV seul.

Un cas typique l’illustre bien. Un candidat dispose de six notebooks dispersés, sans introduction ni conclusion. Rien ne relie ses travaux entre eux. Il décide alors de restructurer l’ensemble en quatre projets, ajoute une problématique à chacun, documente le nettoyage des données et relie chaque projet à un besoin métier concret. Le résultat est plus crédible, plus rapide à lire et nettement plus utile en entretien. C’est exactement ce que recherchent les recruteurs : une démonstration, pas une accumulation.

Ce qu'un bon projet professionnel data analyst exemple doit contenir

Un bon projet professionnel data analyst exemple doit répondre à une question simple : pourquoi ce projet mérite-t-il sa place dans votre portfolio ? La réponse tient en cinq blocs : objectif, données, méthode, visualisations, impact. Ni plus, ni moins — du moins dans un premier temps.

Les recruteurs attendent des projets d’analyse données qui montrent : une question business, des données réelles ou imparfaites, un nettoyage documenté, une analyse structurée, une visualisation lisible et des conclusions exploitables. Le README doit être scannable en 30 secondes, car c’est souvent le seul élément que le hiring manager lira avant de décider s’il creuse le code. Autant dire que ces 30 secondes comptent énormément.

Un cadre d’employabilité intégré sur trois ans en informatique montre que l’ePortfolio, structuré autour de l’identité professionnelle et de l’engagement sectoriel, rend observable la progression des compétences pour les examinateurs et les recruteurs — cadre ERIC d’employabilité intégré dans un programme IT, 2023. Autrement dit, vos projets doivent enrichir votre portfolio tout en disant quelque chose du poste que vous visez — une logique similaire à celle du projet professionnel master.

En pratique, voici la structure que je vous conseille pour chaque projet dans votre portfolio :

1. Contexte : entreprise fictive ou réelle, secteur, problème posé.
2. Objectif : ce que vous cherchez à mesurer, comparer ou prévoir.
3. Source des données : d’où viennent les données pour les analyses, URL, licence.
4. Préparation : nettoyage des données, fusion éventuelle, gestion des anomalies.
5. Analyse : SQL, Python, Excel, statistiques descriptives ou tests.
6. Visualisation des données : graphiques clés ou dashboard.
7. Résultats : insights concrets, chiffres.
8. Recommandations : décision ou piste d’action.
9. Limites : biais, données manquantes, hypothèses.

Cette structure en neuf points peut sembler exigeante. Elle l’est. Mais c’est précisément cette rigueur qui distingue un portfolio professionnel d’un simple dépôt de fichiers.

« Ce qui distingue un projet débutant d’un projet vraiment professionnel, ce n’est pas seulement l’outil. C’est la capacité à expliciter ses choix et à transformer des résultats en recommandations. » — Aline, Responsable du pôle rédactionnel, Prorédaction

Exemple concret de projet professionnel data analyst

Voici un projet professionnel data analyst exemple complet, pensé pour être adapté à un CV, un entretien ou une page « About ». Je l’ai construit de manière à ce que vous puissiez vous en inspirer directement, en l’adaptant à votre propre parcours.

Formulation du positionnement professionnel

Je vise un poste de data analyst orienté marketing ou business intelligence en France. Mon objectif est d’aider les équipes à transformer des ensembles de données en décisions opérationnelles claires, grâce au SQL, au nettoyage des données, à la visualisation des données et à la formulation de recommandations mesurables. Dans mon portfolio, vous pouvez trouver un dashboard de ventes, une analyse SQL e-commerce, un projet de segmentation client et un cas de prévision simple, chacun documenté avec sa source de données, sa méthodologie et ses conclusions.

Cette formulation fonctionne parce qu’elle relie trois éléments essentiels :

• un poste cible clairement identifié ;
• des compétences explicites et vérifiables ;
• des preuves visibles dans votre portfolio.

Remarquez qu’il n’y a rien de spectaculaire dans cette formulation. Pas de superlatifs, pas de promesses vagues. Juste de la clarté. Et c’est justement ce qui la rend efficace.

Squelette d’un projet portfolio : analyse de cohortes e-commerce

Voici le squelette concret d’un projet tel qu’il pourrait apparaître dans un README sur GitHub ou une page Notion. Je l’ai volontairement détaillé pour que vous puissiez en reprendre la logique.

Titre : Analyse de cohortes — Rétention client sur le dataset Olist (Kaggle)

Contexte : Un responsable marketing d’une marketplace brésilienne souhaite comprendre pourquoi le taux de réachat est faible et identifier les cohortes de clients les plus fidèles.

Source des données : Kaggle — Olist Brazilian E-Commerce Dataset (≈ 100 000 commandes, 2016–2018, licence CC BY-NC-SA 4.0).

Étapes de nettoyage :

• 610 lignes supprimées (commandes annulées sans paiement).
• Colonne order_purchase_timestamp convertie en format date ; création de la variable cohort_month.
• Jointure entre les tables orders, customers et payments ; suppression de 42 doublons clients.

Résultat principal : Les clients acquis lors de campagnes promotionnelles (Black Friday, Noël) montrent une rétention deux fois supérieure, ce qui suggère que les promotions attirent un profil plus engagé, ou que la première expérience d’achat est plus satisfaisante en période de forte attention logistique.

Recommandation business : Concentrer les budgets d’acquisition sur les périodes de forte intention d’achat et mettre en place un programme de fidélité ciblé sur les 30 jours suivant la première commande — moment où le taux d’abandon est le plus élevé.

Limites : Pas de données après 2018 ; le dataset ne contient pas de variable « canal d’acquisition », ce qui empêche d’isoler l’effet du canal par rapport à la saisonnalité. C’est une frustration classique avec les données publiques, mais la transparence sur ces limites renforce la crédibilité de votre travail.

Dans une expérimentation quasi-expérimentale auprès de recruteurs IT, Tasji et Turani (2023) montrent que l’ePortfolio est jugé « plus professionnel qu’un profil sur les réseaux sociaux » grâce aux preuves détaillées de compétences. Le rapport 2024 du MIT Sloan Master of Business Analytics met lui aussi en avant la valeur des projets de type capstone réalisés sur des problématiques réelles d’entreprise, avec 34 entreprises partenaires cette année-là. Même si tous les candidats n’ont pas accès à un capstone institutionnel, la leçon est claire : un projet vaut davantage lorsqu’il repose sur un contexte métier identifiable et un livrable exploitable.

Modèle de README pour un projet de portfolio data analyst

Voici un modèle prêt à copier-coller pour structurer chaque projet. Adaptez les sections à votre contexte — l’important est de ne rien oublier d’essentiel, pas de suivre le modèle à la lettre.

# [Titre du projet]

## Contexte et question business

Décrivez le problème en 2-3 phrases. Qui est le commanditaire ? Quel est l’enjeu ?

## Source des données

– **Dataset :** [Nom et lien direct]

– **Taille :** [Nombre de lignes × colonnes]

– **Période :** [Date de début – date de fin]

– **Licence :** [CC BY, MIT, etc.]

– **Limites connues :** [Données manquantes, biais connu]

## Nettoyage et préparation

– Valeurs manquantes : [Nombre, méthode de traitement]

– Doublons : [Nombre supprimé]

– Variables créées : [Liste]

– Hypothèses : [Expliquer]

## Analyse

– **Outils :** SQL / Python (Pandas, Matplotlib) / Power BI

– **Méthode :** [Statistiques descriptives, clustering, régression…]

## Visualisations clés

[Insérer screenshots ou lien vers dashboard interactif]

## Résultats

[3-5 insights principaux avec chiffres]

## Recommandations business

[Actions concrètes proposées]

## Limites et pistes d’amélioration

[Ce que vous feriez avec plus de données/temps]

Ce modèle couvre les critères essentiels. Un recruteur peut scanner votre projet en 30 secondes et décider s’il veut creuser le code. D’après notre expérience avec les étudiants que nous accompagnons, c’est souvent la section « Recommandations business » qui fait la différence : elle montre que vous ne vous arrêtez pas à l’analyse technique, mais que vous pensez en termes de décision.

Idées de data analytics projects à inclure dans votre portfolio

Les meilleurs data analytics projects pour un portfolio ne sont pas forcément les plus complexes. Ils sont d’abord les plus lisibles, les plus cohérents avec le poste visé et les mieux documentés. Un projet simple mais complet impressionnera toujours davantage qu’un projet ambitieux mais bâclé.

Quatre formats reviennent constamment dans les portfolios solides :

• un projet SQL ;
• un dashboard ;
• un projet avec données imparfaites ;
• un projet avec recommandations business.

Voici une sélection de best data analytics projects à considérer, avec pour chaque idée un scénario concret qui vous aidera à démarrer.

1. Dashboard de ventes

C’est l’un des best data analytics projects pour les débutants, car il montre immédiatement votre sens de la synthèse. Vous pouvez utiliser un dataset public de ventes, puis construire un dashboard sous Power BI ou Tableau avec KPI, filtres et évolution temporelle. Un projet d’EDA (analyse exploratoire) ou de dashboard débutant demande typiquement 5 à 12 heures de travail pour produire un jeu de données nettoyé, 4 à 5 visualisations commentées et des conclusions en langage courant.

Scénario concret : Le directeur commercial d’un e-commerce de mobilier veut savoir quelles catégories de produits génèrent le plus de marge par région, et à quels moments de l’année les ventes chutent.

À montrer dans votre portfolio :

• source des données (par exemple : Kaggle — Superstore Sales Dataset) ;
• période couverte ;
• calcul des KPI (CA, marge, panier moyen) ;
• visualisation des données par région, catégorie, marge ;
• recommandation : sur quels produits concentrer les promotions saisonnières.

2. Analyse de cohortes ou de rétention

Ce type de projet est plus analytique. Il plaît aux recruteurs car il relie directement les données pour les analyses à la fidélisation client. Les projets intermédiaires de type cohortes ou rétention impliquent des pipelines multi-étapes et des connaissances métier, avec une durée estimée de 10 à 20 heures.

Scénario concret : L’équipe produit d’une application SaaS souhaite identifier à quel moment les utilisateurs décrochent après leur inscription, pour optimiser l’onboarding.

À montrer :

• définition de la cohorte ;
• méthode de calcul de la rétention ;
• matrices ou heatmaps ;
• recommandations marketing.

3. Segmentation client

Très utile si vous ciblez le marketing, le CRM ou le e-commerce. Ce projet montre que vous savez passer de la description à l’action — et c’est précisément ce passage qui fait défaut dans beaucoup de portfolios. La démarche rejoint celle d’une étude de cas marketing appliquée aux données.

Scénario concret : RFM-segmentation (Récence, Fréquence, Montant) des acheteurs d’un site de prêt-à-porter pour cibler une campagne email de réactivation.

À montrer :

• variables retenues ;
• logique de segmentation (K-means, RFM manuel, scoring) ;
• interprétation des groupes ;
• recommandations de ciblage.

4. Analyse de texte ou de sentiment

Ce projet permet de varier votre portfolio et de montrer que vous pouvez travailler avec des données non structurées. Il est particulièrement pertinent si vous travaillez sur des avis clients, des enquêtes ou des tickets support.

Scénario concret : Le service client d’un opérateur télécom veut catégoriser automatiquement les motifs d’insatisfaction dans 10 000 avis Google Play.

À montrer :

• collecte ou sélection du corpus ;
• nettoyage des textes (tokenisation, stop words, lemmatisation) ;
• catégorisation ;
• visualisations de fréquence ou de polarité.

5. Forecasting simple

Projet plus avancé, mais très valorisant. Les analyses de séries temporelles figurent parmi les data analytics projects à forte attractivité pour les recruteurs, car elles démontrent une capacité à anticiper des tendances — logique proche de l’étude de cas en management.

Scénario concret : Le CFO d’une chaîne de restaurants veut prévoir le chiffre d’affaires mensuel par établissement pour ajuster les commandes fournisseurs.

À montrer :

• séries étudiées ;
• saisonnalité détectée ;
• méthode de prévision (moyenne mobile, régression, Prophet) ;
• intervalles de confiance ;
• limites du modèle ;
• lecture business du résultat.

Où trouver des ensembles de données publiques pour les débutants

Pour les débutants, il faut privilégier des jeux de données lisibles, documentés et assez riches pour permettre un vrai travail de préparation. Le point clé n’est pas seulement le volume — c’est la qualité du contexte. Un dataset de 500 lignes bien documenté vaut souvent mieux qu’un fichier de 2 millions de lignes sans métadonnées.

Voici quelques sites où vous pouvez trouver des ensembles de données publiques, avec pour chacun un conseil de sélection :

• Kaggle (Olist E-Commerce Dataset) — Idéal pour un projet de segmentation client et d’analyse des ventes. Données réelles, environ 100 000 commandes, bien documentées.
• data.gouv.fr — Données françaises ouvertes (transports, santé, éducation). Parfait pour un portfolio ancré dans un contexte local, ce qui peut faire la différence auprès d’un recruteur français.
• Google Dataset Search — Moteur de recherche dédié aux données pour les analyses. Tapez votre thématique métier et filtrez par licence.
• UCI Machine Learning Repository — Jeux de données classiques pour la classification et la régression, bien adaptés à un projet statistique.
• World Bank Open Data — Données macro-économiques mondiales, idéal pour un projet de forecasting ou de comparaison internationale.
• Eurostat — Données socio-économiques européennes avec de bonnes métadonnées.

Conseil pour choisir un bon dataset : Privilégiez des jeux de données avec des lacunes, des formats hétérogènes ou des valeurs aberrantes — ce sont ces imperfections qui vous permettent de montrer vos compétences de nettoyage. Évitez les 10 datasets les plus populaires de Kaggle (Titanic, Iris…) : les recruteurs les ont déjà vus des centaines de fois, et votre projet risque de se fondre dans la masse.

Les standards de documentation recommandent de consigner pour chaque dataset : la source précise, la licence, la période couverte et les limites connues, afin de garantir la reproductibilité de l’analyse. Concrètement, si vous utilisez des ensembles de données publiques, ne vous contentez pas d’écrire « source : Kaggle ». Ajoutez la page précise, la date d’accès, la période des données et, si possible, les limites connues du dataset. Ce niveau de détail peut sembler excessif, mais c’est exactement ce qui distingue un travail rigoureux d’un travail approximatif.

Comment documenter le nettoyage des données

Le nettoyage des données doit être visible. C’est une compétence centrale du métier de data analyst, et souvent l’une des plus scrutées par les recruteurs — bien plus que la modélisation elle-même.

Il faut documenter séparément les étapes de nettoyage, conserver la trace du jeu de données source, expliciter les modifications et, si nécessaire, lister les lignes ou colonnes supprimées. Tasji et Turani (2023) identifient les « pièces jointes » comme le composant le plus important d’un ePortfolio IT, car elles permettent aux recruteurs de vérifier rapidement la rigueur du travail présenté.

Concrètement, pour le nettoyage des données, indiquez :

• les valeurs manquantes détectées (nombre, pourcentage, méthode de traitement) ;
• les doublons supprimés ;
• les formats harmonisés (dates, devises, encodage) ;
• les outliers traités ou conservés (avec justification — c’est ce « avec justification » qui compte) ;
• les colonnes créées ;
• les hypothèses prises.

Un mini-cas fréquent mérite d’être mentionné. Un étudiant présente un dashboard propre, mais aucune trace du traitement initial. En entretien, il est incapable d’expliquer pourquoi certaines lignes ont disparu. Après reprise du projet, il ajoute un notebook de préparation, un fichier de log des transformations et une note méthodologique. Le portfolio devient soudain beaucoup plus solide, car il permet de suivre le raisonnement de bout en bout. La rigueur de cette documentation rejoint les bonnes pratiques d’une analyse évaluation statistique.

On sait à quel point cette étape peut sembler fastidieuse quand on a hâte de passer à l’analyse. Mais c’est justement cette discipline qui rassure un recruteur : elle prouve que vous ne prenez pas de raccourcis avec les données.

Comment réussir la visualisation des données dans un portfolio

La visualisation des données doit servir une décision. Un beau graphique sans lecture métier reste un beau graphique — rien de plus.

Il est essentiel d’indiquer clairement la source des données, d’ajouter des notes sur les hypothèses et, autant que possible, d’associer chaque graphique à un commentaire interprétatif. Les dashboards interactifs (Power BI, Tableau Public, NovyPro) sont particulièrement recommandés pour rendre les résultats immédiatement lisibles. La scoping review de Hamilton et al. (2023), portant sur 1 530 articles et 9 études retenues, identifie la littératie visuelle comme compétence clé développée par les ePortfolios dans les formations professionnelles.

Pour bien présenter la visualisation des données dans votre portfolio :

• choisissez peu de graphiques, mais des graphiques utiles ;
• donnez un titre informatif (pas « Graphique 1 », mais « Évolution du taux de rétention par cohorte ») ;
• mentionnez la source ;
• explicitez l’unité, la période et la population ;
• ajoutez une conclusion simple sous chaque vue.

Une erreur que je vois régulièrement : des candidats qui multiplient les graphiques sans jamais les commenter. Le recruteur voit cinq camemberts, trois histogrammes, un scatter plot… mais aucun fil conducteur. Mieux vaut trois visualisations bien choisies et bien expliquées que dix graphiques orphelins.

Les projets avec dashboards sont particulièrement efficaces parce qu’ils donnent au recruteur un aperçu rapide de votre raisonnement. C’est pourquoi ils figurent souvent parmi les meilleurs choix pour enrichir la présentation du projet dans un portfolio.

Comment enrichir votre portfolio sans tomber dans l'effet catalogue

Pour enrichir votre portfolio, il faut varier les preuves, pas simplement les outils. Un portfolio crédible montre une progression et une cohérence — pas une vitrine d’échantillons déconnectés.

Les étudiants qui construisent activement leur ePortfolio en sélectionnant et commentant leurs artefacts développent des compétences métacognitives recherchées dans des contextes complexes comme l’analyse de données — Hamilton et al., Scoping review on ePortfolios and employability, 2023. Cela signifie que vos projets d’analyse données doivent aussi refléter votre évolution : compréhension métier, montée en autonomie, amélioration de la documentation, meilleure capacité à expliquer des résultats complexes à un public non technique.

Je vous conseille une logique simple pour structurer l’ensemble :

• 1 projet fondamental : EDA ou ventes ;
• 1 projet SQL ;
• 1 projet dashboard ;
• 1 projet avec données imparfaites ;
• 1 projet plus ambitieux lié au secteur visé.

Si vous avez déjà plusieurs projets d’analyse de projet, sélectionnez les meilleurs au lieu de tout montrer. Moins, mais mieux. Cette architecture — 3 à 5 projets finalisés, chacun avec README, contexte, méthode, visualisations et impact — est aujourd’hui le standard dans le recrutement data.

Où héberger votre portfolio

Le choix de la plateforme dépend de votre profil et de vos cibles :

• GitHub — Incontournable si vous postulez dans des équipes techniques. Projets épinglés, README soigné, code versionné. C’est le réflexe numéro un des recruteurs tech.
• Notion — Bonne option pour un portfolio narratif avec texte, images et liens intégrés. Moins technique, plus visuel, adapté si vous ciblez des postes orientés business.
• NovyPro / Tableau Public — Idéal pour présenter des dashboards interactifs accessibles sans installation.
• Site personnel (GitHub Pages, WordPress) — Le plus complet, mais demande plus de maintenance. À privilégier si vous avez le temps de l’entretenir régulièrement.

L’essentiel : le recruteur doit accéder à l’information clé en un clic, sans devoir cloner un dépôt ou ouvrir un fichier .ipynb. Si l’accès à votre travail demande plus de deux étapes, vous perdrez la majorité de votre audience.

« Un bon portfolio n’impressionne pas par sa longueur. Il rassure par sa clarté, sa preuve et sa cohérence. » — Aline, Responsable du pôle rédactionnel, Prorédaction

Auteur et relecture éditoriale

Cet article est rédigé dans l’esprit éditorial de Prorédaction, agence d’assistance à la rédaction académique et professionnelle. J’y applique la même exigence que pour les contenus liés aux projets professionnels, aux dossiers de candidature et aux travaux méthodologiques : structure claire, vérification des sources, articulation entre preuves et stratégie de présentation.

Chez Prorédaction, nous accompagnons régulièrement des étudiants, des profils en reconversion et des candidats qui doivent transformer un parcours encore dispersé en dossier lisible, crédible et défendable — que ce soit pour un projet professionnel ressources humaines ou un projet technologique. Sur ce type de sujet, mon rôle consiste à aider à formuler un positionnement professionnel, à structurer les contenus et à rendre chaque projet compréhensible pour un recruteur comme pour un jury.

Si votre difficulté ne porte pas sur l’analyse elle-même, mais sur la manière de présenter vos travaux, cette étape mérite une attention particulière. Un bon fond mal présenté perd beaucoup de sa force — et c’est dommage, parce que le travail a été fait.