Comment je me reconvertis dans la data après 12 ans dans le web

Se reconvertir après plus d’une décennie dans un domaine, c’est pas une décision anodine. Et pourtant, me voilà en train de le faire — non pas parce que j’en avais marre du web (enfin, un peu quand même), mais parce que la data et l’IA m’attirent sincèrement depuis un moment, et que j’ai décidé d’arrêter de remettre ça à plus tard.

Dans cet article, je t’explique comment je m’y prends concrètement : ce que j’ai pu capitaliser, ce que j’ai dû apprendre from scratch, et le plan de formation que j’ai mis en place.

Ce que j’ai pu transférer (et c’est pas rien)

Quand on vient du développement web, on a tendance à penser qu’on repart de zéro. En réalité, une bonne partie du bagage est directement réutilisable.

La logique de programmation, d’abord. Même si Python remplace PHP dans mon quotidien, la façon de penser — décomposer un problème, structurer un algorithme, déboguer — c’est exactement pareil. Le langage change, pas la démarche.

La manipulation de bases de données, ensuite. En 12 ans de WordPress, j’ai pas mal bossé avec MySQL. Le SQL n’est pas nouveau pour moi. Ce qui change, c’est l’échelle, les outils (BigQuery, dbt…) et les cas d’usage — mais les fondamentaux, je les avais.

Git, aussi. Ça peut sembler basique, mais beaucoup de gens qui se reconvertissent dans la data ne viennent pas du dev et découvrent le versioning en cours de route. Moi, j’utilise Git depuis des années. Ça, c’est acquis.

Enfin, la culture du web — et c’est peut-être le point le plus sous-estimé. Travailler sérieusement sur des sujets comme la performance, l’accessibilité ou la qualité, ça t’apprend à penser en termes de données mesurables. Un Core Web Vitals, c’est une métrique. Un rapport Lighthouse, c’est de l’analyse à partir de données brutes. Un audit Opquast, c’est une grille d’évaluation structurée. Sans m’en rendre compte, j’ai développé un réflexe : avant de prendre une décision, je cherche à la quantifier et à la justifier. C’est exactement ce qu’on attend d’un bon data analyst.

Ce que j’ai dû (re)travailler

En réalité, la data n’est pas totalement nouvelle pour moi — même si je l’avais un peu oublié.

Avant de me reconvertir dans le web en 2013, j’ai passé six ans comme assistant de gestion dans une PME du BTP. J’ai même suivi la formation Entrepreneur du Bâtiment dispensée par l’ESJDB (École Supérieure des Jeunes Dirigeants du Bâtiment) — une formation dense qui couvre la comptabilité analytique, l’analyse financière, les tableaux de bord, la gestion de trésorerie… Autant de modules où Excel est ton meilleur ami, et où tu passes tes journées à construire des outils d’aide à la décision. C’est exactement ce qu’on attend d’un data analyst.

Côté stats et probabilités, j’avais aussi quelques bases théoriques — une maîtrise en administration économique et sociale, puis un master en sciences politiques où les sondages et l’analyse quantitative avaient leur place. Pas de quoi me considérer comme un expert, mais de quoi ne pas être complètement perdu face à une distribution normale ou un intervalle de confiance.

Ce qui était vraiment nouveau en revanche, c’est l’écosystème data moderne : les outils, les méthodes, les métiers, les stack techniques… BigQuery, dbt, Airflow, les pipelines de données — rien à voir avec ce que je connaissais. Il a fallu tout découvrir, et c’est là que les formations entrent en jeu.

Ma stratégie de formation

Le point de départ : DeepLearning.ai

J’ai commencé par la certification professionnelle Data Analytics de DeepLearning.ai, la plateforme d’Andrew Ng. L’ensemble du cours était vraiment remarquable — Python, stats, SQL, visualisation, storytelling… J’en parle en détail dans un article dédié. C’est une base solide que je recommande sans hésiter.

La suite logique : DataBird

Le métier qui m’attire le plus, c’est analytics engineer. C’est un profil qui fait le pont entre data engineer et data analyst — quelqu’un qui comprend les pipelines de données, les modèles dbt, et qui sait structurer des datasets propres et fiables pour les équipes métier.

C’est pourquoi j’ai rejoint le bootcamp Analytics Engineer de DataBird, dont la session commence en avril — une formation intensive de deux mois qui couvre exactement ce dont j’ai besoin pour franchir ce cap. J’ai hâte.

En attendant, je suis le prep work analytics engineer de DataBird — du SQL, du Python, Git, BigQuery… Histoire d’arriver en forme le jour J.

La culture data au quotidien

Parallèlement aux formations, j’écoute chaque semaine le podcast DataGen. C’est un excellent moyen de s’imprégner d’une culture data : les sujets abordés, les outils qui buzzent, les retours d’expérience de praticiens… Ça complète bien la formation théorique. Je lis également assidûment les newsletters Data News de blef.fr, et je fais de la veille sur X/ex-Twitter.

Les projets perso

Enfin — et c’est probablement le plus important — je réalise des projets personnels autour de la data. C’est là que ça devient concret. Je vais en parler régulièrement sur ce blog, avec le code, les erreurs, les apprentissages.

En résumé

Voilà grosso modo où j’en suis :

✅ Certification Data Analytics DeepLearning.ai — terminée
🔄 Prep work analytics engineer DataBird — en cours
🗓️ Bootcamp Data Engineer DataBird — avril 2026
🎧 Podcast DataGen — hebdomadaire
🛠️ Projets perso — en continu, documentés ici

Se reconvertir dans la data quand on vient du web, c’est faisable. Les compétences transférables sont plus nombreuses qu’on ne le pense, et avec un plan structuré, ça avance. Je ne prétends pas avoir tout bon — je suis encore dans le processus — mais l’idée de ce blog, c’est justement de partager ça en temps réel, sans filtre.

La suite au prochain épisode.