Ingénieur data → Ingénieur Analytics

Compétences transférables

• SQL & data modelling
• Data quality testing
• CI/CD for data
• Python

Compétences à acquérir

• dbt
• Version control (Git)
• Metric layer / semantics
• Documentation

Plan d'apprentissage étape par étape

1. 1. Capitaliser sur votre expérience de Ingénieur data

   2–4 semaines

   Capitaliser sur

   • SQL & data modelling
   • Data quality testing
   • CI/CD for data
   • Python

   Cartographier les compétences transférables — SQL & data modelling, Data quality testing, CI/CD for data — face aux besoins d’un Ingénieur Analytics.

2. 2. Apprendre le cœur du rôle de Ingénieur Analytics

   6–10 semaines

   Apprendre

   • dbt
   • Version control (Git)

   Technologies

   LookerPower BITableau

   Combler en priorité les écarts les plus importants : dbt, Version control (Git).

3. 3. Maîtriser les compétences avancées de Ingénieur Analytics

   6–10 semaines

   Apprendre

   • Metric layer / semantics
   • Documentation

   Technologies

   GitHub ActionsGitLab CIGreat Expectations

   Maîtriser les sujets avancés : Metric layer / semantics, Documentation.

4. 4. Devenir productif sur la chaîne d’outils de Ingénieur Analytics

   4–8 semaines

   Technologies

   LookerPower BITableauGitHub ActionsGitLab CIGreat ExpectationsMonte CarloJupyter

   Être à l’aise avec Looker, Power BI, Tableau et le reste de la stack cible.

5. 5. Pratiquer le travail de Ingénieur Analytics en conditions réelles

   4–8 semaines

   Livrer un projet personnel ou prendre des tâches de Ingénieur Analytics au travail.

6. 6. Se certifier et se positionner comme Ingénieur Analytics

   4–8 semaines

   Technologies

   dbt Analytics Engineering CertificationGoogle Professional Data EngineerMicrosoft DP-600 Fabric Analytics Engineer

   Mettre à jour CV et LinkedIn autour de Ingénieur Analytics, puis postuler aux postes cibles.

Routes alternatives

• Analyste Données → Ingénieur Analytics