Analyste / BI : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

Les 5 technologies principales dans les offres d'analyste : sql, user stories, cloud, backlog, salesforce. Incontournable universel — SQL (PostgreSQL/ClickHouse/Snowflake/BigQuery, JOIN, fonctions de fenêtrage, CTE, performance). Python pour l'analyse (pandas, numpy, matplotlib, seaborn, scipy.stats). Excel/Google Sheets — travail ponctuel et présentations aux parties prenantes. BI : Tableau, Power BI, Looker, Metabase, Superset, Yandex DataLens (stack de la CEI). Analytique produit : Amplitude, Mixpanel, GA4, Heap, PostHog. Tests A/B : connaissances en statistiques (p-values, puissance, MDE, tests séquentiels) + plateformes (Optimizely, VWO, Statsig, solutions internes). Pour le Business Analyst — BPMN/UML, Confluence, Jira, Visio/draw.io. Pour l'analyste systèmes — REST/SOAP, Swagger/OpenAPI, Postman, contrats Kafka/RabbitMQ. Analytics Engineer — dbt + git + DWH + couche sémantique.

Ces trois rôles sont souvent confondus, mais ils traitent des problèmes différents. Data Analyst (DA) — un rôle technique : extractions SQL, tableaux de bord, études ad hoc à la demande du métier. L'accent est mis sur comment obtenir les données et ce qu'elles disent. Stack : SQL + Python + BI. Business Analyst (BA) — un rôle orienté métier : recueil des exigences, diagrammes de processus BPMN, spécifications de fonctionnalités, communication avec les parties prenantes. L'accent est mis sur quoi construire et pourquoi. Stack technique plus restreinte (même si SQL est apprécié) ; la communication, l'anglais et la modélisation des processus comptent davantage. Product Analyst (PA) — un hybride entre DA et gestion de produit : tests A/B, hypothèses produit, rétention/LTV/cohortes, analyse de funnel. L'accent est mis sur quelles fonctionnalités produit fonctionnent et pourquoi. Le segment le plus premium de l'analytique en termes de rémunération dans les entreprises produit. En moyenne : PA > BA ≈ DA dans les entreprises produit ; BA > DA dans les grands comptes/banques.

Oui — les analystes font partie des spécialisations IT les plus ouvertes au télétravail : 29 % des offres sont entièrement à distance ou hybrides. Le travail repose sur les données et les outils ; la présence physique est rarement exigée. Postes entièrement à distance : startups produit, entreprises SaaS internationales, équipes relocalisées de la CEI (Dubaï, Chypre, Lisbonne, Tbilissi, Erevan). Hybride (1–3 jours au bureau) : grandes entreprises IT, banques, télécoms, distribution. Bureau uniquement : le plus souvent le Business Analyst dans les banques traditionnelles soumises à des exigences de conformité et l'analyste systèmes sur les grands projets d'entreprise. L'anglais ouvre le marché mondial du télétravail avec une prime de rémunération de 20–40 %.

SQL est obligatoire pour tout analyste (DA/PA/BA à partir de Middle). Sans SQL, vous ne décrocherez pas de poste — c'est la compétence de base dans 100 % des offres. Python est indispensable pour un Data/Product Analyst à partir de Middle (pandas, nettoyage de données, ML de base, automatisation des tâches routinières). Pour un Business Analyst, Python est un plus mais pas une exigence. Ce qu'il faut connaître en Python pour l'analytique : pandas (DataFrame, groupby, merge), numpy, matplotlib/seaborn pour la visualisation, statistiques de base (scipy.stats), notebooks Jupyter. Ce dont vous n'avez pas besoin : POO avancée, frameworks de développement web, DevOps. En analytique, la programmation est un outil d'investigation, pas le produit lui-même. L'Analytics Engineer fait exception : dbt + templating Jinja + workflows git ainsi qu'une solide pensée programmatique rapprochent ce rôle du Data Engineer.

Analytics is one of the most accessible entry points into IT. Optimal roadmap: 1) SQL to a confident level — SELECT, JOIN, GROUP BY, window functions, CTEs. Courses: Stepik «SQL для всех», SQL-Academy, Mode Analytics SQL tutorial, LeetCode Database. 2) Excel/Google Sheets — pivot tables, VLOOKUP/XLOOKUP, basic formulas. 3) One BI tool: Tableau Public (free) or Power BI Desktop. Build 3–5 dashboards on open data. 4) Python pandas — Kaggle tutorials, pandas docs, "Python for Data Analysis" by Wes McKinney. 5) Basic statistics: confidence intervals, correlation vs causation, A/B tests (p-value, power, effect size). "Statistics Done Wrong". 6) Pet project: end-to-end analysis of an open dataset (Kaggle, data.world) with a dashboard and conclusions on GitHub. 7) Training programs: Karpov.Courses, Yandex.Practicum «Аналитик данных», Skillfactory, Stepik «Python для анализа данных». Time to first Junior role — 4–8 months of full-time study.

As of the latest data refresh, the Zorky sample contains 5327 active open Analyst positions. These are postings published in the last 90 days. Geography: leaders are US, PL, GB. The sample covers all sub-specialisations: Data Analyst, Business Analyst, Product Analyst, Marketing Analyst, Financial Analyst, Systems Analyst, Analytics Engineer, BI Developer. The real market is wider than the sample: many Analyst positions are published only inside major companies' internal HRMS or through closed recruiting channels. Analytics Telegram channels («Аналитика и данные», «Data Driven») are a good additional source for Senior positions.

Un Analyste Senior prend en charge le cycle complet : des exigences à la conclusion business. Techniquement : SQL au niveau maîtrise (fonctions de fenêtrage, optimisation, plans d'exécution), Python (pandas + scipy + automatisation ETL/rapports), un outil BI en profondeur (Tableau/Power BI/Looker — champs calculés, expressions LOD, optimisation des tableaux de bord). Statistiques : planification des tests A/B (puissance, MDE, taille d'échantillon), diagnostics (SRM, peeking), interprétation (séquentiel vs horizon fixe), bootstrap, approches bayésiennes. Pensée produit : compréhension des funnels, rétention/LTV/cohortes, économie unitaire, métriques à chaque couche du produit. Communication : data storytelling, présentations à la direction, défense des conclusions face aux sceptiques. Mentorat : revue de code SQL/Python pour les Middle/Junior. L'anglais est indispensable pour Senior+ (même sur des postes locaux dans les grandes entreprises, la documentation et les processus sont souvent en anglais).