C'est la question qu'on me pose le plus souvent : « Je veux me lancer dans la data, mais par quoi je commence ? SQL ? Python ? Les maths ? »
Après avoir formé des centaines d'élèves, à l'ENSAI comme via LDA Academy, voici l'ordre qui fonctionne — et surtout, pourquoi.
Étape 1 : SQL, la porte d'entrée universelle
Commencez par SQL. Pas parce que c'est le plus passionnant, mais parce que c'est le plus rentable.
- Toutes les entreprises ont des bases de données.
- SQL s'apprend en quelques semaines.
- C'est la compétence la plus demandée dans les offres d'emploi data, tous niveaux confondus.
-- Votre premier objectif : être à l'aise avec ce type de requête
SELECT client_id,
COUNT(*) AS nb_commandes,
SUM(montant) AS total
FROM commandes
WHERE date_commande >= '2026-01-01'
GROUP BY client_id
HAVING SUM(montant) > 1000
ORDER BY total DESC;
💡 À retenir : si vous maîtrisez SELECT, JOIN, GROUP BY et les fonctions de fenêtrage, vous êtes déjà opérationnel pour une grande partie des missions data en entreprise.
Étape 2 : les statistiques descriptives, avant tout le reste
Avant de toucher au machine learning, il faut savoir lire des données : moyennes, médianes, écarts-types, distributions, corrélations.
⚠️ Point important : l'erreur classique est de foncer vers le machine learning sans ces bases. Résultat : on applique des modèles sans comprendre ce qu'ils racontent, et on s'effondre au premier entretien technique.
Pas besoin d'un doctorat. Un bon cours de statistiques descriptives et inférentielles suffit pour démarrer sereinement.
Étape 3 : Python, votre couteau suisse
Une fois SQL et les bases statistiques en place, Python devient un multiplicateur de puissance :
- Les fondamentaux du langage : variables, boucles, fonctions, structures de données.
- pandas pour manipuler les données comme dans SQL, mais en plus flexible.
- matplotlib / seaborn pour visualiser.
- scikit-learn, seulement à la fin, pour vos premiers modèles.
🚀 Conseil : n'apprenez pas Python « en général ». Apprenez Python pour la data, avec des jeux de données réels dès la première semaine. La motivation vient des résultats concrets.
L'ordre à respecter (et celui à éviter)
L'ordre gagnant :
- SQL (4 à 6 semaines)
- Statistiques descriptives (3 à 4 semaines)
- Python + pandas (6 à 8 semaines)
- Visualisation et premiers projets (4 semaines)
- Machine learning (ensuite, et seulement ensuite)
📌 Exemple : une reconversion réussie type chez LDA Academy suit exactement ce parcours en 5 à 6 mois à temps partiel, avec un projet de portfolio à chaque étape.
L'ordre perdant — que je vois trop souvent : commencer par un cours de deep learning parce que c'est « l'avenir », s'épuiser sur les mathématiques, abandonner au bout d'un mois.
Le mot de la fin
La data n'est pas réservée aux génies des maths. C'est une discipline d'artisanat : des outils simples, maîtrisés profondément, appliqués avec rigueur à des problèmes réels.
Commencez petit, commencez maintenant, et surtout : construisez des choses. C'est le portfolio qui ouvre les portes, pas la liste des cours suivis.
