Entretien blanc data analyst — pratique avec l'IA

Les entretiens de data analyst paraissent faciles sur le papier — du SQL, quelques stats, un ou deux graphiques — et prennent les gens en embuscade le jour J. Les questions sont courtes. Les attentes, non. Un screen SQL avec trois problèmes peut prendre 45 minutes ; une seule discussion sur un A/B test peut durer une heure. S'entraîner au format avec des entretiens blancs IA transforme les questions piège en questions de routine.

La forme d'un loop de data analyst

La plupart des loops d'analyst comportent quatre éléments mobiles. Un screen recruteur. Un screen technique SQL (en live ou en take-home), généralement de 45 à 60 minutes avec deux ou trois problèmes de difficulté croissante. Un tour de cas produit/business, où le recruteur vous lance une question métrique ambiguë et observe comment vous raisonnez. Et un tour behavioral/cross-functional, qui vérifie si vous savez parler à des non-spécialistes de la data sans leur donner l'impression d'être bêtes.

Les loops de senior analyst et d'analytics engineer ajoutent un cinquième tour : une question de conception de système ou d'expérimentation. « Concevez un framework d'A/B testing pour notre équipe recommandations » ou « concevez une couche de métriques pour notre org finance ». Ce sont les questions à plus forte variance de tout le loop — elles récompensent la réflexion structurée et pénalisent ceux qui sautent sur les dashboards avant d'avoir défini les métriques.

Les entretiens blancs IA couvrent bien trois des quatre tours. Les screens SQL, vous devriez les pratiquer dans un vrai éditeur SQL avec un vrai jeu de données (LeetCode SQL, StrataScratch, les tutoriels Mode font tous l'affaire). Tout le reste — les walkthroughs SQL à l'oral, les études de cas, le raisonnement sur les A/B tests, le behavioral — est exactement ce pour quoi les entretiens blancs IA ont été conçus.

Screens SQL : là où la plupart des candidats perdent des points

Le screen SQL filtre plus de candidats que n'importe quel autre tour, et il ne filtre pas pour la raison que la plupart des gens supposent. La barre n'est pas « savez-vous écrire une jointure ». C'est « savez-vous écrire une requête propre, correcte et efficace pour un problème légèrement ambigu, et savez-vous expliquer ce que vous avez écrit à voix haute pendant qu'un autre humain vous observe ? ». C'est la seconde moitié que les entretiens blancs aident à travailler.

Les sujets qui tomberont à coup sûr

• Window functions — row_number, rank, lag, lead, agrégats partitionnés.
• CTEs et CTEs récursives (moins souvent, mais elles apparaissent pour les senior).
• Les quatre types de jointures, avec les cas limites (NULL d'un côté ou de l'autre, self-joins, anti-joins via NOT EXISTS).
• Agrégations avec GROUP BY + HAVING, y compris les agrégats conditionnels (COUNT(CASE WHEN ...)).
• Arithmétique des dates — les 7 derniers jours, cohortes de rétention, comparaisons semaine sur semaine.
• Patterns de déduplication (quelle ligne gardez-vous, pourquoi).

Patterns de questions classiques : « trouver le top N selon une métrique dans chaque groupe », « calculer la rétention semaine sur semaine », « trouver les utilisateurs ayant fait X mais pas Y », « trouver le deuxième événement le plus récent par utilisateur ». Si ceux-là n'ont pas de mémoire musculaire automatique, drillez-les pendant une semaine avant tout vrai entretien.

Raisonnement sur les A/B tests

Les questions d'A/B test décident si vous passez au tour suivant. C'est ce qui se rapproche le plus du « jugement produit » que le recruteur peut tester en 45 minutes. Le format est toujours similaire : une feature floue, un objectif flou, et votre travail consiste à concevoir l'expérience proprement à voix haute.

La chaîne que vous devez dérouler

1. Définissez le changement. Quel est exactement le traitement ? « On affiche un nouveau bandeau » est trop vague. « On affiche un bandeau sur la page d'accueil qui renvoie vers la page d'upgrade, pour les utilisateurs free depuis plus de 30 jours » est précis.
2. Énoncez l'hypothèse. Direction et ampleur. « Nous nous attendons à ce que le taux d'upgrade augmente de 2 points de pourcentage chez les utilisateurs traités. » Spécifique. Falsifiable.
3. Choisissez la métrique principale. Une. Pas trois. « Taux d'upgrade dans les 7 jours suivant le traitement. » Défendez pourquoi celle-là et pas les alternatives évidentes.
4. Choisissez les métriques guardrail. Ce qui ne doit pas se dégrader. « Engagement des utilisateurs free, durée de session, volume de tickets support. » Si le traitement fait bouger la métrique principale mais fait exploser un guardrail, vous ne shippez pas.
5. Estimez la taille d'échantillon et la durée. En fonction du taux de base, de l'effet minimum détectable, de l'alpha et de la puissance. Vous n'avez pas besoin de faire les calculs en direct — montrez juste que vous comprenez les entrées.
6. Énoncez la règle de décision. Quel seuil de preuve déclenche le ship de la feature. Ce que vous faites si les résultats sont peu concluants.

Les recruteurs enchaîneront avec des pièges : effets de nouveauté, effets de réseau (surtout dans les produits sociaux), interférence entre expériences concurrentes, peeking. Soyez prêt à nommer chacun par son nom et à expliquer pourquoi il compte.

Dashboards et études de cas

Les études de cas sont des tours de conversation, sans aucune donnée à l'écran. Un prompt typique : « Les DAU ont chuté de 5 % la semaine dernière. Que faites-vous ? ». Le recruteur ne cherche pas la réponse (il n'y en a pas sans données). Il cherche : décomposez-vous le problème proprement, posez-vous les bonnes questions de clarification, priorisez-vous les hypothèses par probabilité et impact, et savez-vous quelles données vous iriez chercher et quelle requête vous lanceriez.

Un framework propre : commencez par des questions de clarification (quel produit, quelle définition des DAU, quels segments, est-ce un problème connu de pipeline de données), puis segmentez les hypothèses en externes (saisonnalité, marketing, lancement d'un concurrent), produit interne (déploiement récent, changement de feature, A/B test) et instrumentation (bug de logging, changement de schéma). Classez par probabilité. Pour les deux ou trois premières, dites ce que vous iriez chercher et ce que vous regarderiez.

Les questions de conception de dashboard sont plus concrètes. « Vous construisez un dashboard pour le head of growth — qu'est-ce qu'il contient ? ». Ne listez pas 40 métriques. Choisissez-en 5 à 8 qui correspondent aux décisions que le head of growth prend réellement (acquisition, activation, rétention, monétisation, referral — le loop AARRR ou la variante de votre entreprise). Pour chacune, dites quel seuil déclenche une action.

Comment configurer un entretien blanc IA pour les postes d'analyst

Réglez le poste sur « Data Analyst » ou collez la fiche de poste si vous en avez une. Pour la première session, choisissez le mode « Tech Screening » et 10 questions — cela vous donne une répartition à peu près égale de walkthroughs SQL, de raisonnement A/B et d'une ou deux études de cas. Pour des sessions de drill plus poussées, utilisez le mode standalone et dites à l'IA de se concentrer sur un domaine : « passe toute la session sur les window functions SQL et les agrégats conditionnels » ou « passe toute la session sur la conception d'A/B test avec des pièges ».

Un pattern utile spécifiquement pour les analysts : après l'entretien blanc IA, reprenez les questions SQL et écrivez réellement les requêtes dans un playground SQL. L'entretien blanc révèle si vous savez expliquer l'approche ; le playground confirme que vous savez shipper le code. Les deux comptent.

Questions fréquentes