Formation Analytics Engineer
En 450h, apprenez à modéliser les données d'une entreprise, à en garantir la fiabilité et à automatiser leur traitement pour que toutes les équipes puissent s'appuyer dessus, et décrochez votre premier poste d'Analytics Engineer.
Devenez Analytics Engineer en 450h
Une donnée brute ne sert à personne. Entre les bases de données, les exports de fichiers et les outils métier, il faut bien que quelqu'un mette de l'ordre pour que le marketing, la finance et le produit travaillent enfin sur les mêmes chiffres. C'est exactement le rôle de l'Analytics Engineer, ce profil hybride entre le Data Analyst et le Data Engineer que les entreprises s'arrachent depuis deux ans.
À l'issue de notre formation Analytics Engineer chez Jedha, vous serez en capacité de :
- Modéliser vos données pour qu'elles restent claires et durables
- Automatiser vos flux, de la collecte à la mise à disposition
- Garantir la fiabilité de vos données et la cohérence des indicateurs
- Mettre vos données à disposition des équipes métier
Le programme de notre formation Analytics Engineer
Contenu de la card compilé au chargement
Contenu de la card compilé au chargement
Spreadsheet Analytics
Avant d’utiliser des outils d’analyse de données avancés, il est essentiel de maîtriser les tableurs, encore largement utilisés en entreprise. Ce premier module fera de vous un expert de Google Sheets.
Vous apprendrez à utiliser les spreadsheets comme de véritables outils d’analyse : nettoyage, transformation et exploration des données, jusqu’à la création de dashboards. Et comme Google Sheets et Excel fonctionnent de manière similaire, toutes les compétences acquises seront directement transférables à Excel.
Outils & Technologies
.webp){kind=small}
Compétences maîtrisées
- Nettoyage & préparation de données dans un tableur, avec les fonctions TRIM, CLEAN, SUBSTITUTE, SPLIT, CONCATENATE, LEFT, RIGHT.
- Maîtrise des fonctions avancées de spreadsheet engineering : VLOOKUP, QUERY, ARRAYFORMULA.
- Analyse de données dans un tableur, avec la maîtrise des tableaux croisés dynamiques, appelés “pivot table” en anglais.
- Data visualisation dans un tableur : création de graphiques et de dashboards avec Google Sheet.
Python avancé
Puissant et simple à prendre en main, Python s’est imposé comme le langage de programmation incontournable pour travailler dans la Data. Dans ce module, vous commencerez par revoir les bases en Python.
Mais surtout, vous apprendrez à coder en Python dans les règles de l’art, afin de produire un code robuste et aligné avec les pratiques des équipes Data et Engineering.
Outils & Technologies
.webp){kind=small}
Compétences maîtrisées
- Bases de Python : maîtrise des conditions, boucles, fonctions.
- Organisation du code : création de fonctions réutilisables, structuration claire et modulaire d’un projet pour avoir un code lisible, maintenable et évolutif.
- Fonctions avancées : utilisation des décorateurs, du typage (typing en anglais) et de Pydantic.
- Introduction à la Programmation Orientée Objet : bases des classes, objets, attributs et méthodes pour modéliser proprement des données et comportements.
- Interaction avec des fichiers et APIs.
Exploratory Data Analysis
Dans ce module, vous apprendrez à utiliser Python pour analyser vos données comme un véritable Data Analyst. Après une remise à niveau en statistiques, vous verrez comment structurer, transformer et explorer vos datasets avec Python et différentes librairies afin d’en extraire des informations pertinentes.
Notre pédagogie repose sur la pratique : pas de démonstrations théoriques inutiles, mais de nombreux exercices pour développer une véritable expertise en analyse de données. Vous apprendrez ainsi à identifier tendances, variations et patterns cachés, et à produire des insights fiables et actionnables.
Outils & Technologies
.webp){kind=small}
.webp){kind=small}
Compétences maîtrisées
- Manipulation et nettoyage des données : préparation de datasets, détection d’anomalies et validation des données.
- Analyse statistique appliquée : compréhension des distributions, réalisation de tests d’hypothèses et interprétation rigoureuse des résultats.
- Dataviz avancée : création de graphiques interactifs avec Plotly.
- Data storytelling : présentation d’insights actionnables par les équipes Métiers.
Machine Learning
Le Machine Learning n’est plus une compétence réservée aux Data Scientists : tous les professionnels de la data sont désormais amenés à faire de l’analyse prédictive. C’est pourquoi en tant que Data Analyst nous vous formons au machine learning.
Dans ce module, vous apprendrez à préparer vos données, à entraîner différents types de modèles et à interpréter leurs performances pour produire des prédictions fiables et utilisables par les équipes Métier.
Outils & Technologies
.webp){kind=small}
Compétences maîtrisées
- Prise en main des principaux modèles de ML supervisé : régression linéaire & régularisation, Decision Trees, Random Forest, XGBoost.
- Optimisation de votre modèle : techniques pour éviter l'overfitting et fine tuning pour améliorer les performances de vos modèles.
- Évaluation de votre modèle : calcul de la performance de vos modèles et choix du plus performant.
- Clustering, avec KMeans pour segmenter les données.
SQL avancé
SQL est le langage universel pour dialoguer avec les bases de données et la compétence technique n°1 exigée d'un Data Analyst. Ce module vous permettra de développer des compétences avancées en SQL, pour exploiter vos données le plus simplement & efficacement possible.
Vous apprendrez également à centraliser et structurer efficacement vos données en utilisant des Data Warehouses, véritables fondations de toute stratégie de Business Intelligence.
Outils & Technologies
.webp){kind=small}
Compétences maîtrisées
- Requêtage de données (DQL) : sélection, filtrage, agrégations, jointures.
- Manipulation de données (DML), avec les instructions INSERT, UPDATE, DELETE.
- Structuration de bases (DDL) : création de tables, schémas, contraintes.
- Gestion des accès (DCL) : permissions, rôles, contrôle d’accès.
- Requêtes SQL avancées : CTE, window functions, sous-requêtes, optimisation.
- Data modeling : modélisation et compréhension des architectures OLTP vs OLAP.
NoSQL & Data Lakes
Les besoins des entreprises ne se limitent plus aux bases de données relationnelles. Pour faire face à l'explosion des données non structurées, aux volumes massifs de données produites et aux exigences d'accessibilité en temps réel, les architectures NoSQL et les Data Lakes sont devenues indispensables.
Dans ce module, vous apprendrez à manipuler des données brutes sur Amazon S3 et à exploiter les deux bases NoSQL les plus utilisées, MongoDB et Redis. C'est une étape essentielle pour apprendre à créer et gérer une infrastructure Data moderne.
Outils & Technologies
Compétences maîtrisées
- SQL vs NoSQL : bonnes pratiques et cas d’usages.
- Gestion de Data Lakes avec Amazon S3, et lecture et écriture de jeux de données volumineux via des scripts Python et la librairie Boto3.
- Stockage de documents et requêtes avec MongoDB.
- Gestion de données en mémoire et caching avec Redis.
- Applications Métier Modernes : mise en place de solutions de log management, de système de recommandations, de temps réel & de microservices.
Analytics Engineering
L’Analytics Engineering est une compétence clé pour industrialiser un projet Data. Elle permet d'automatiser vos projets et de garantir leur fiabilité et leur performance.
Dans ce module, vous apprendrez à construire, tester et déployer vos propres workflows de données, à l’aide des outils professionnels (conteneurs, CI/CD) utilisés par les équipes de Data Engineering.
Outils & Technologies
Compétences maîtrisées
- Maîtrise des commandes Linux/Bash.
- Collaboration et CI/CD, avec Git et GitHub.
- Déploiement fiable des applications Data à l'aide de Docker et Docker Compose.
- Collecte de données via des APIs externes.
- Construction d’un pipeline ETL complet.
Data Products
Ce module vous permettra de transformer vos projets Data en produits tangibles, que vous pourrez mettre à disposition des utilisateurs finaux : clients, équipes Métier ou partenaires.
Concrètement, vous irez au-delà des rapports statiques pour concevoir des services analytiques dynamiques : APIs, dashboards web interactifs et applications complètes que vous apprendrez à déployer en production.
Outils & Technologies
Compétences maîtrisées
- Programmation asynchrone
- Création d’API professionnelles avec FastAPI
- Tableau de bord interactif avec Streamlit
- Déploiement sur HuggingFace
Business Intelligence
La visualisation de données est essentielle pour rendre les données compréhensibles par le plus grand nombre et faciliter la prise de décision.
Dans ce module, vous apprendrez à transformer vos analyses en dashboards clairs et percutants grâce à Power BI, l’outil de dataviz le plus utilisé. Les compétences que vous développerez sont transférables en partie à la plupart des outils de dataviz du marché (Looker Studio, Tableau).
Outils & Technologies
.webp){kind=small}
Compétences maîtrisées
- Maîtrise approfondie de Power BI pour mettre en forme et explorer vos données.
- Dataviz : bonnes pratiques de data visualisation pour présenter la donnée de manière claire et impactante.
- Construction de dashboards.
Carrière & Projet final
Pour faciliter votre insertion, un professionnel en data analysis vous livrera sa vision du marché et vous prodiguera des conseils concrets pour décrocher votre 1er poste dans le domaine.
Puis vous mettrez en pratique l’ensemble de vos nouvelles compétences lors d’un projet final, que vous présenterez lors de votre DemoDay.
Outils & Technologies
Compétences maîtrisées
- Amélioration de votre CV : pour qu’il soit impactant et conforme aux standards des professionnels de la Data.
- Présence en ligne : perfectionnement de votre profil LinkedIn et initiation au "branding personnel" pour renforcer votre notoriété sur les plateformes professionnelles.
- Préparation pour les entretiens : méthodes et conseils pour vous distinguer et mettre en avant vos compétences spécialisées.
- Mise en pratique de vos connaissances lors du projet final : ingestion, transformation, Machine Learning, API, dashboarding.
Une triple reconnaissance de vos compétences
.webp)
insert-icon_diploma_s24
Attestation de fin de formation
Cela atteste du bon déroulement de votre formation.
insert-divider
insert-icon_graduate_s24
Certification reconnue par l’État
Le bloc n°3 de la certification professionnelle de niveau 7 (bac+5) développée par Jedha et enregistrée au RNCP : Architecte en intelligence artificielle
Grâce à cette certification, notre formation Analytics Engineer est éligible au CPF et à la plupart des financements publics.
insert-divider
insert-icon_computer-smiley_s24
Certification Power BI PL-300
Cela atteste de votre maîtrise avancée de Power BI.
.webp)
Rapport d’insertion Jedha 2025
Découvrez le parcours de nos alumni avant et après leur formation chez Jedha : profil des apprenants, insertion professionnelle, salaire médian et débouchés.
Téléchargez le programme de nos formations
- Excellence académique et technique
- Apprentissage par la pratique
- Formations adaptées à vos besoins
Rechargez la page et ressayez d'envoyer le formulaire.
Nos prochaines sessions de formation
- 17 campus en France et en Europe
- Présentiel ou distanciel
- Temps complet ou temps partiel
Temps plein
Temps plein
Temps plein
Temps partiel
Temps partiel
Temps partiel
Choisissez l’excellence pour vous former en Data Analysis
%201.webp)
%201.webp)
Formez-vous à l'Analytics Engineering à votre rythme
Temps complet (3 mois)
insert-icon_pre-required_s24
Modalités
- 450h d'apprentissage en classe
- Lundi à vendredi, 9h30 - 18h
- À temps complet sur 3 mois
insert-icon_location_s24
Localisation
En ligne ou sur l'un de nos 17 campus
insert-icon_smiley_s24
Avantages
- Formation accélérée
- Esprit de promo
- Discipline de travail
Temps partiel (7 mois)
insert-icon_pre-required_s24
Modalités
- 450h d'apprentissage hybride (travail en autonomie, cours, coaching)
- À votre rythme (2h par jour)
- À temps partiel sur 7 mois
insert-icon_location_s24
Localisation
En ligne
insert-icon_smiley_s24
Avantages
- Adapté à vos contraintes pros et persos
- Apprentissage en autonomie
- Accessible partout dans le monde
Pourquoi devenir Analytics Engineer ?
L'Analytics Engineer est le maillon qui manque dans la plupart des équipes Data : il y a aujourd'hui plus de postes ouverts que de profils formés, et les rémunérations suivent. Un junior démarre entre 35 000 et 50 000 € brut par an, quand la moyenne du métier atteint 54 800 €.
Et parce que les compétences se recoupent largement, cette formation vous ouvre aussi les postes de Data Analyst et de Data Engineer.
Vos questions sur les débouchés de la formation
Qu'est-ce qu'un Analytics Engineer ?
L'Analytics Engineer est le professionnel chargé d’organiser et de structurer les données d'une entreprise pour que tout le monde puisse les utiliser facilement (équipes marketing, finance, produit…). Son rôle est essentiel, puisqu’il fait le pont entre le Data Analyst, qui analyse les données au quotidien, et le Data Engineer, qui construit les systèmes nécessaires à la récupération de ces données.
Et à l’heure où les entreprises cherchent à industrialiser leur utilisation des données, ce profil est de plus en plus recherché, et c’est justement pour cela que notre Formation Data Analyst & Analytics Engineer vous permettra de vous y préparer.
Quelle est la différence entre Data Analyst et Analytics Engineer ?
Le Data Analyst exploite les données au quotidien pour aider les équipes à prendre de meilleures décisions, tandis que l'Analytics Engineer travaille en amont pour organiser et fiabiliser ces données. Ces deux métiers sont donc complémentaires, mais leurs rôles sont bien distincts :
- Le Data Analyst exploite les données au quotidien : il crée des tableaux de bord et analyse les résultats pour aider les équipes à prendre de meilleures décisions en se basant sur des chiffres concrets.
- L'Analytics Engineer travaille en amont : il organise et automatise la collecte, le tri et le nettoyage des données pour que les Data Analysts (et toutes les autres équipes qui en ont besoin) puissent accéder rapidement à des données fiables.
En résumé : l'Analytics Engineer rend utilisables les données que le Data Analyst utilise ensuite. Ces deux métiers sont donc étroitement liés, et c’est pour cela que notre Formation Data Analyst & Analytics Engineer vous prépare aux deux.
L'Analytics Engineering enseignée par des professionnels
David Raux
Senior Consultant Data
Jean-Philippe Peyronnet
Senior Consultant Digital
Jules Burguières
Consultant Data & Enseignant
.webp)
Alia Poonie
Data Analyst
Vos questions sur la formation
Quelle est la différence entre Analytics Engineer et Data Engineer ?
Le Data Engineer construit les systèmes qui font entrer la donnée dans l'entreprise, l'Analytics Engineer transforme cette donnée brute en tables propres et documentées, prêtes à être analysées.
Dans le détail, le Data Engineer travaille sur l'infrastructure : bases de données, flux temps réel, architectures distribuées, très gros volumes. C'est un métier de plomberie technique. L'Analytics Engineer travaille sur la modélisation : il décide de la structure des tables, garantit que deux équipes qui calculent le même indicateur trouvent le même chiffre, et documente l'ensemble.
Si c'est l'infrastructure qui vous attire davantage, regardez plutôt notre formation Data Engineer.
Quel est le salaire d'un Analytics Engineer en France en 2026 ?
Un Analytics Engineer gagne en moyenne 54 800 € brut par an en France en 2026, soit environ 4 570 € brut par mois.
La rémunération démarre entre 35 000 et 50 000 € brut pour un profil junior, et dépasse 90 000 € sur les postes seniors et de lead. En freelance, le tarif journalier se situe entre 500 et 800 €.
Deux facteurs pèsent lourd : la localisation, Paris payant nettement au-dessus du reste de la France, et le secteur, la finance et les scale-ups tech étant les plus généreux. Ces niveaux sont supérieurs à ceux d'un Data Analyst à expérience équivalente, ce qui s'explique simplement par la rareté du profil.
Quels outils faut-il maîtriser pour devenir Analytics Engineer ?
Trois familles d'outils structurent le métier.
Le SQL avancé et la modélisation de données d'abord, qui sont le cœur du poste : CTE, window functions, conception d'un Data Warehouse. Les outils d'ingénierie ensuite, empruntés aux développeurs : Git pour versionner, Docker pour déployer, la CI/CD pour automatiser, et la construction de pipelines ETL. Les outils de restitution enfin, Power BI en tête, pour mettre la donnée à disposition des équipes métier.
S'y ajoutent les briques de l'écosystème moderne comme dbt ou Snowflake. Elles s'apprennent vite une fois les fondamentaux de SQL et de modélisation acquis.
Peut-on devenir Analytics Engineer en reconversion ?
Oui, à condition d'accepter la part technique du poste. L'Analytics Engineer écrit du SQL avancé, versionne son code et déploie avec Docker : il faut être à l'aise avec la logique de la programmation, sans qu'il soit nécessaire de venir d'une école d'informatique.
Une expérience professionnelle antérieure est même un vrai atout. Modéliser des données, c'est d'abord comprendre comment une entreprise fonctionne, quels indicateurs comptent et qui va s'en servir : un ancien contrôleur de gestion ou chef de projet part avec une longueur d'avance sur un profil purement technique.
Chez Jedha, la majorité des apprenants ont entre 30 et 49 ans, et 92 % sont en emploi un an après leur formation.
Comment financer une formation d'Analytics Engineer ?
La formation coûte 7 500 € et elle est éligible au CPF, parce qu'elle prépare au bloc n°3 de la certification « Architecte en intelligence artificielle », enregistrée au RNCP au niveau 7.
D'autres dispositifs se combinent avec le CPF : France Travail si vous êtes demandeur d'emploi, votre employeur ou son OPCO si vous êtes en poste, le paiement en 3 fois sans frais ou étalé sur 6 à 12 mensualités, et un prêt étudiant à taux préférentiel, sans limite d'âge, que vous ne commencez à rembourser qu'une fois la formation terminée.
Notre équipe monte le dossier avec vous.
Quelle est la meilleure formation pour devenir Analytics Engineer ?
Le métier ne s'apprend presque nulle part en formation initiale : il se situe entre la Data Analysis et le Data Engineering, et la plupart des cursus choisissent l'un ou l'autre. Le bon critère de choix est donc simple : la formation couvre-t-elle les deux versants ?
Cherchez un cursus qui enseigne à la fois la modélisation et le SQL avancé, et l'industrialisation avec Git, Docker et la CI/CD. Vérifiez aussi la part de pratique et l'accompagnement carrière, deux éléments décisifs à l'embauche sur un poste encore mal identifié par les recruteurs.
Le bootcamp Jedha réunit ces critères sur 450 heures, avec 70 % de pratique et 92 % d'alumni en emploi à un an.