Et si ma licence AES m'avait déjà formé à la data ?

On a tous une version officielle de notre parcours. La mienne, c’est : développeur web pendant 12 ans, reconversion vers la data et l’IA. Simple, propre, linéaire.

Sauf que c’est faux. Ou plutôt, c’est incomplet.

Quand je gratte un peu, je réalise que les graines de cette reconversion ont été semées bien avant que je ne touche à WordPress pour la première fois. Elles sont là, enfouies dans des relevés de notes jaunis, des cours d’éco que j’avais à moitié oubliés, et des heures passées à triturer des tableaux Excel dans une PME familiale. Retour sur un passé qui, finalement, n’était pas si étranger à la data.

La licence AES : plus data-friendly qu’il n’y paraît

J’ai fait une licence d’Administration Économique et Sociale à l’Université de Nice-Sophia Antipolis, suivie d’une maîtrise dans la même filière, puis d’un master 2 en Sciences Politiques. Pas exactement le parcours type du futur data analyst.

Et pourtant.

Quand je relis mes anciens relevés de notes, je vois défiler des matières qui, avec le recul, font entièrement sens dans une carrière orientée data :

Statistiques et techniques quantitatives de gestion : j’y ai appris les bases — distributions, moyennes, écarts-types, corrélations. Rien de transcendant à l’époque, mais les fondamentaux sont là.
Économie de l’environnement, économie industrielle, macroéconomie : raisonner à partir de données agrégées, comprendre des tendances, interpréter des indicateurs — c’est exactement ce que fait un analyste.
Gestion financière (18/20, mon meilleur score) : analyser des bilans, comprendre des flux, faire parler des chiffres. La data, c’est aussi ça.
Droit du travail, droit des groupements sociaux : moins évident, mais comprendre les règles du jeu dans lequel s’inscrivent les données, c’est indispensable. La donnée n’existe pas dans un vide réglementaire — le RGPD me l’a bien rappelé.
Observations, enquêtes et sondages : concevoir une enquête, analyser les résultats, éviter les biais. C’est littéralement du Data Analytics appliqué aux sciences sociales.

Et puis il y avait le mémoire — 34/40 à la maîtrise. Trouver une problématique, collecter des données, les analyser, les restituer de façon claire et argumentée. Ce processus-là, je le retrouve aujourd’hui dans chaque projet data que j’aborde.

Je ne dis pas que j’étais data scientist sans le savoir. Mais les réflexes intellectuels — structurer une question, chercher des preuves dans les chiffres, éviter les conclusions hâtives — je les ai bel et bien construits à cette époque.

Le master en Sciences Politiques : apprendre à raconter des données

Le master 2, c’est une autre dimension. Spécialité Gouvernance et Métiers du Politique en France et en Europe — ça ne crie pas data à tue-tête, j’en conviens.

Mais le cœur du travail en sciences politiques, c’est l’analyse : lire des études, comparer des sources, identifier des tendances, construire une argumentation solide à partir d’éléments hétérogènes. On apprend à ne pas confondre corrélation et causalité. On apprend à se méfier des chiffres qu’on nous présente sans contexte. On apprend à communiquer des conclusions complexes à un public non spécialiste.

Ce dernier point, en particulier, est au cœur du métier d’Analytics Engineer ou de Data Analyst : les insights ne valent rien si tu ne sais pas les transmettre. Un dashboard incompréhensible, c’est inutile. Un rapport illisible, c’est du bruit. La pédagogie, ça s’apprend — et les sciences humaines y contribuent largement.

L’entreprise familiale : mon premier terrain de jeu data

Avant de me lancer vraiment dans le développement web, j’ai passé plusieurs années en tant qu’assistant de gestion dans l’entreprise familiale — Buchet SAS, une société d’installations électriques.

C’était un poste très opérationnel. Et une bonne partie de mes journées, je la passais sur Excel.

Suivi des chantiers, gestion des devis, tableaux de bord pour le suivi de la trésorerie, graphiques de performance pour aider à la décision… À l’époque, je ne me disais pas “je fais de la data”. Je me disais “je prépare des tableaux pour le boss”. Mais c’est exactement la même chose, à l’échelle d’une PME.

J’ai appris à construire des formules, à consolider des données venant de plusieurs sources, à produire des synthèses visuelles compréhensibles par quelqu’un qui n’a pas le temps de lire 40 lignes de chiffres. J’ai compris, de façon très concrète, ce que signifie aider quelqu’un à prendre une décision grâce aux données.

Ce n’était pas BigQuery. Ce n’était pas dbt. Mais le raisonnement était exactement le même.

Ce que tout ça m’a appris sur la reconversion

Quand on parle de reconversion, on a souvent tendance à mettre une frontière très nette entre “avant” et “après”. Comme si tout ce qu’on avait fait avant était une parenthèse, et que la vraie vie commençait maintenant.

Je ne crois plus à ça.

Mon parcours en AES m’a appris à raisonner avec des données. Mon master m’a appris à ne pas les sur-interpréter et à les communiquer. Mon passage dans l’entreprise familiale m’a appris à les mettre au service de décisions concrètes. Et mes 12 ans de développement web m’ont appris la rigueur, la documentation, et le goût du travail bien fait.

La reconversion vers la data, pour moi, ce n’est pas repartir de zéro. C’est assembler des pièces d’un puzzle qui existaient déjà — et comprendre enfin le tableau d’ensemble.

Conclusion

Si tu es en train de te demander si ton parcours “atypique” est compatible avec une transition vers la data, la réponse est probablement oui — à condition de regarder les choses honnêtement.

Les compétences data ne se résument pas à Python et SQL. Elles incluent la capacité à formuler une bonne question, à aller chercher les bonnes informations, à en tirer des conclusions défendables, et à les partager clairement. Ces compétences-là, tu les as peut-être déjà construites sans t’en rendre compte.

Moi, il m’a fallu commencer une formation en Analytics Engineering pour le réaliser. Mieux vaut tard que jamais.