Un recruteur passe en moyenne moins d’une minute sur un CV de data analyst avant de décider s’il mérite une suite. Ce qui fait la différence, ce n’est pas la mise en page ni la liste des formations : c’est la preuve concrète que le candidat sait travailler avec des données réelles.
GitHub est devenu l’espace naturel où cette preuve se construit et se montre. Encore faut-il savoir transformer une collection de dépôts en un portfolio cohérent, lisible et convaincant pour un recruteur qui n’est pas forcément technique.
Datauniversity.fr vous explique comment structurer ses projets GitHub pour créer un portfolio data analyst qui retient vraiment l’attention.
Pourquoi 95 % des profils GitHub ne génèrent aucune opportunité (et comment éviter ça)
Publier du code sur GitHub ne suffit pas. 95 % des profils GitHub ne génèrent aucune opportunité concrète, simplement parce que les projets manquent de contexte, de documentation ou de pertinence métier pour un recruteur data.
La différence entre un profil qui attire des entretiens et un profil fantôme tient souvent à trois choses : la lisibilité, la structure et la valeur perçue des projets. Un recruteur passe en moyenne moins de deux minutes sur un profil GitHub, autant lui faciliter la tâche.
Pour rendre votre profil immédiatement attractif, voici les pratiques incontournables :
- README dynamique : badges, statistiques GitHub, liens directs vers vos projets phares
- Documentation claire : chaque repository doit expliquer le problème résolu, la stack utilisée et les résultats obtenus
- Mise en avant des projets pertinents : épinglez vos meilleurs repos en haut de votre profil
- GitHub Actions : automatisez vos tests ou vos déploiements pour montrer une vraie maîtrise des outils avancés
Un portfolio data analyst, ce n’est pas une liste de notebooks Jupyter abandonnés, c’est une démonstration de votre capacité à résoudre des problèmes réels avec des données.
Cinq projets concrets à mettre sur GitHub (avec des vrais enjeux métier)
Choisir le bon projet, c’est choisir un problème que les entreprises reconnaissent immédiatement. Voici cinq idées solides, chacune ancrée dans une problématique business réelle, avec des datasets gratuits disponibles.
| Projet | Enjeu métier | Stack principale |
|---|---|---|
| Dashboard KPIs E-commerce | Visibilité des performances (CA, conversion, panier moyen) | Python, pandas, PostgreSQL, Power BI |
| Analyse Cohortes Application Mobile | Perte de 60 % des utilisateurs après J+1 | Polars, lifelines, Plotly, Marimo |
| Attribution Marketing Multi-Touch | Optimisation budget sur 500 000 user journeys | pandas, scikit-learn, scipy, Power BI |
| People Analytics, Turnover | 25 % de turnover (vs 15 % marché), coût par départ : 50 000 € | Polars, DuckDB, scikit-learn, SHAP, Streamlit |
| Supply Chain Analytics | 15 % de ruptures et 30 % de surstocks sur 180 000 commandes | DuckDB, Polars, Prophet, Plotly |
Le projet People Analytics mérite une attention particulière. Un turnover de 25 % contre 15 % sur le marché, avec un coût de 50 000 € par départ, c’est exactement le type de chiffre qui fait réagir un DRH ou un directeur financier en entretien.
Notez que chaque projet implique une stack différente, en variant les outils (DuckDB, Polars, SHAP, Prophet), vous montrez une vraie polyvalence technique plutôt qu’une dépendance à un seul environnement.
Les commandes Git et la structure de projet qui font la différence (les détails qui comptent)
Maîtrisant les outils de versioning, vous signalez immédiatement que vous travaillez comme un professionnel et non comme un étudiant qui zippe ses fichiers. Trois commandes Git sont absolument indispensables à connaître :
git commit: sauvegarde vos modifications locales avec un message clair et descriptifgit push: envoie ces modifications sur votre dépôt distant GitHubgit pull: récupère les modifications des autres contributeurs sur un projet partagé
Au-delà des commandes, la structure de chaque repository doit raconter une histoire. Un bon projet data analyst sur GitHub commence par un README qui pose le problème, explique la démarche analytique, présente les résultats visuellement et précise les critères de réussite, exactement comme vous le feriez dans un rapport professionnel.
Diversité, cohérence, lisibilité : voilà les trois mots qui résument un portfolio GitHub efficace. Que ce soit une segmentation clients en apprentissage non supervisé, une prédiction de consommation énergétique ou un dashboard e-commerce temps réel, chaque projet doit démontrer une compétence précise, documentée et reproductible par quelqu’un d’autre.
Votre portfolio GitHub est prêt, mais est-ce que LinkedIn et votre CV le savent ?
Avoir des projets solides sur GitHub, c’est une excellente base, mais encore faut-il que les recruteurs puissent les trouver. Beaucoup de candidats construisent un portfolio soigné et oublient complètement de créer des ponts entre leurs différentes présences en ligne, ce qui revient à préparer un excellent plat et à ne jamais ouvrir le restaurant.
La cohérence entre vos supports est souvent ce qui transforme une candidature passive en opportunité active. Sur LinkedIn, ajoutez le lien de votre profil GitHub dans la section « Infos » et, pour chaque projet phare, créez un post de présentation avec une capture d’écran de votre dashboard ou de votre visualisation la plus parlante. Sur votre CV, ne mentionnez pas juste « GitHub : lien », citez explicitement deux ou trois projets avec leur enjeu métier en une ligne, exactement comme dans votre README.
Un recruteur qui voit "People Analytics, réduction du turnover de 25 % à 18 % modélisé sur données RH réelles" comprend immédiatement ce que vous valez, sans même ouvrir GitHub.
Pensez également à la visibilité organique de vos repositories eux-mêmes. Renseigner les topics GitHub (les étiquettes cliquables comme data-analysis, python, machine-learning) sur chacun de vos projets permet à d’autres développeurs et recruteurs techniques de vous trouver via la recherche interne de la plateforme, un levier gratuit et pourtant quasi systématiquement ignoré.
Faut-il vraiment tout coder soi-même ? (la question que tout le monde se pose)
Réutiliser un dataset public, s’inspirer d’un tutoriel, adapter un notebook existant : tout ça est parfaitement acceptable, à condition d’apporter une vraie valeur ajoutée analytique. Ce qui compte, ce n’est pas l’originalité absolue du code, c’est la qualité de votre démarche et la clarté de vos conclusions. Copier-coller un notebook sans l’adapter ni le documenter est immédiatement visible pour un recruteur technique expérimenté.
Pour structurer un projet crédible même en partant d’une base existante, voici les étapes qui font la différence :
- Reformuler le problème avec un contexte métier précis et chiffré que vous avez choisi vous-même
- Ajouter une section « Limites de l’analyse » dans votre README, ça montre une vraie maturité analytique
- Produire au moins une visualisation originale que l’on ne retrouve pas dans la source d’inspiration
- Documenter vos choix techniques : pourquoi DuckDB plutôt que pandas pour ce projet ? Pourquoi ce modèle plutôt qu’un autre ?
Combien de projets suffit-il vraiment d’avoir ? (moins, c’est souvent mieux)
Publiant dix projets bâclés, vous donnez l’impression d’un profil dispersé et peu rigoureux, alors que trois projets solides, bien documentés et cohérents avec le poste visé suffisent largement à décrocher un entretien. La règle non écrite dans le milieu data : la qualité d’un seul projet bien construit pèse davantage que cinq repositories avec un README vide.
Adaptez d’ailleurs votre sélection selon le secteur que vous ciblez. Un poste en retail ou e-commerce justifie d’épingler votre dashboard KPIs en premier ; une entreprise SaaS sera plus sensible à l’analyse de cohortes ou au churn. Réorganiser vos repos épinglés en fonction de chaque candidature prend cinq minutes et change radicalement la perception de votre profil.
Soigner son profil GitHub (le vrai CV des data analysts)
Le premier réflexe d’un recruteur tech, c’est d’ouvrir votre GitHub avant même de lire votre CV. Commencez par créer un repo nommé exactement `tonpseudo/tonpseudo` : c’est le seul moyen d’afficher automatiquement un README directement sur votre page de profil. Deux ou trois lignes suffisent pour dire qui vous êtes et ce que vous cherchez, stage, alternance, premier poste ou mission freelance. Sobre, direct, efficace.
Archiver les exercices de cours, les brouillons et les tests, c’est la première chose à faire avant de partager votre profil : un repo rempli de fichiers `test_final_v3.ipynb` envoie un mauvais signal. Ne montrez que vos projets aboutis, avec des notebooks entièrement exécutés (zéro erreur, zéro `TODO` qui traîne), des fichiers organisés en dossiers clairs, `data/`, `notebooks/`, `src/`, `dashboard/`, et un README de projet qui précise le volume de données, la période couverte et le type de données traitées (transactions, visites web, données clients…).
Commentez votre code en expliquant pourquoi vous faites une étape, pas seulement ce qu’elle fait, c’est ce qui distingue un projet pédagogique d’un vrai travail d’analyse. Poussez des commits réguliers, même petits, pour montrer une activité continue sur les derniers mois. Si vous avez un profil Kaggle, reliez-le à GitHub : ça renforce la cohérence de votre présence en ligne et donne une preuve concrète de pratique régulière.
Comment créer ton portfolio data/ia en 15 minutes (gratuit avec github + ia) 🚀
