1 – Le profil exact d'un data analyst offshore qui produit pour une PME française
Recruter un data analyst à Madagascar sans définir précisément ce que vous attendez, c'est acheter un outil sans connaître votre problème. Le profil d'un data analyst pour une PME de 10 à 50 salariés n'a rien à voir avec celui d'un data scientist de grand groupe. Voici ce que vous devez chercher, poste par poste.
1.1 : Les compétences techniques non négociables
Un data analyst dédié à votre PME doit maîtriser quatre briques. SQL d'abord : requêtes complexes, jointures multiples, sous-requêtes, window functions. C'est le socle. Sans SQL solide, tout le reste s'effondre. Excel/Google Sheets ensuite : tableaux croisés dynamiques, formules avancées (INDEX MATCH, ARRAYFORMULA), connexion à des sources externes. Votre DAF utilise Excel, votre data analyst doit parler ce langage couramment. Un outil de dataviz : Looker Studio, Power BI ou Metabase selon votre stack. Le candidat doit savoir construire un dashboard de A à Z, pas juste modifier un graphique existant. Python ou R en bonus, mais pas obligatoire pour 80 % des besoins PME. Ne recrutez pas un profil surqualifié qui s'ennuiera sur vos reportings mensuels. Recrutez le profil qui correspond à votre réalité. Vérifiez aussi la connaissance de Google Analytics 4 si vous avez un site e-commerce ou un site vitrine qui génère des leads. C'est devenu un prérequis, pas un plus.
1.2 : Les compétences métier que 90 % des recruteurs oublient
Un bon data analyst ne se contente pas de manipuler des données. Il comprend ce qu'elles signifient pour votre business. Cherchez un profil qui a déjà travaillé sur des indicateurs de performance commerciale : taux de conversion, coût d'acquisition, panier moyen, churn. S'il a touché à de la donnée CRM (HubSpot, Pipedrive, Salesforce), c'est un signal fort. S'il a produit des reportings pour des dirigeants et pas uniquement pour des équipes techniques, encore mieux. La capacité à vulgariser un résultat en une phrase compréhensible par un dirigeant non technique vaut autant que la maîtrise de SQL. Testez cette compétence en entretien : montrez un jeu de données, demandez une interprétation business en trois lignes. Si le candidat vous noie dans le jargon technique, passez au suivant. Le profil idéal à Madagascar existe : francophone, formé dans des universités qui enseignent la statistique appliquée, souvent passé par des BPO ou des agences digitales locales qui traitent déjà de la donnée client française.
1.3 : La fiche de poste type à utiliser pour votre recrutement
Voici les éléments que votre fiche de poste doit contenir, sans flou. Intitulé : Data Analyst dédié. Rattachement : directement au dirigeant ou au responsable commercial/marketing. Mission principale : collecter, nettoyer et analyser les données business pour produire des reportings actionnables. Livrables attendus : dashboards hebdomadaires sur les KPI définis, rapports mensuels d'analyse, alertes automatisées sur les indicateurs critiques. Stack technique requis : SQL (niveau intermédiaire-avancé), Google Sheets ou Excel (niveau avancé), un outil de dataviz (précisez le vôtre), GA4, connaissance d'un CRM. Langue : français courant à l'écrit et à l'oral. Disponibilité : temps plein, horaires alignés sur la France (le décalage horaire avec Madagascar est de +1h en été, +2h en hiver, donc quasi nul). Ce qui fait la différence avec une fiche de poste classique : vous précisez les outils exacts que le candidat va utiliser. Pas de formulation vague du type "outils de BI". Vous nommez Metabase, ou Looker Studio, ou Power BI. Le vivier de talents francophones à Antananarivo permet de trouver ces profils, à condition de cadrer la recherche.
2 – La grille de tests techniques pour ne pas recruter un CV
Le CV d'un data analyst à Madagascar peut lister SQL, Python, Power BI. Le problème : entre "listé sur un CV" et "maîtrisé en production", il y a un gouffre. Voici les trois tests que TARAM fait passer à chaque candidat data analyst avant de le présenter au client.
2.1 : Test SQL en conditions réelles (45 minutes, supervisé)
Pas un QCM. Un test sur une base de données réelle, ou du moins réaliste. Fournissez trois tables (clients, commandes, produits) avec 5 000 à 10 000 lignes. Posez cinq requêtes de difficulté croissante. Requête 1 : extraction simple avec filtre et tri. Requête 2 : jointure entre deux tables avec agrégation (chiffre d'affaires par client sur les 6 derniers mois). Requête 3 : sous-requête ou CTE pour identifier les clients dont le panier moyen dépasse la médiane. Requête 4 : window function pour calculer l'évolution mois par mois d'un indicateur. Requête 5 : une question ouverte du type "Quels clients risquent de churner dans les 30 jours ?" où le candidat doit choisir sa propre approche. Le test dure 45 minutes, chrono. Le candidat travaille sur un environnement que vous contrôlez (un PostgreSQL en ligne, un BigQuery sandbox). Vous évaluez la syntaxe, la logique, la rapidité, et surtout la capacité à interpréter le résultat. Un candidat qui renvoie un tableau sans commentaire échoue, même si la requête est correcte.
2.2 : Test dataviz sur votre propre outil (60 minutes)
Donnez au candidat un export CSV de données réelles anonymisées (ou un jeu de données fictif calqué sur votre activité). Demandez-lui de construire un dashboard avec trois visualisations : un indicateur de performance global (KPI card), un graphique d'évolution temporelle, un tableau de détail filtrable. Le test se fait sur votre outil : si vous utilisez Looker Studio, le test se fait sur Looker Studio. Si vous utilisez Power BI, idem. Pas de substitution. Vous évaluez quatre choses. Le choix des visualisations (un camembert pour 15 catégories, c'est éliminatoire). La lisibilité (titres, légendes, unités). L'interactivité (filtres, segments). Et la note d'accompagnement : le candidat doit écrire un paragraphe qui explique ce que le dashboard révèle, en français, pour un dirigeant. Ce test élimine 40 % des candidats qui maîtrisent SQL mais ne savent pas raconter une histoire avec des données. C'est exactement le filtre dont vous avez besoin. La même rigueur s'applique quand vous recrutez un développeur front-end offshore : sans test sur votre stack réel, vous recrutez à l'aveugle.
2.3 : Entretien métier : le test que personne ne fait et qui change tout
Après les tests techniques, passez 30 minutes en visio avec le candidat. Pas pour vérifier son SQL, c'est fait. Pour vérifier qu'il comprend votre business. Présentez-lui votre activité en 5 minutes. Montrez-lui un jeu de données brut (un export CRM, un tableau de ventes). Posez-lui trois questions. "Quels indicateurs suivriez-vous en priorité et pourquoi ?" "Ce tableau montre une baisse de 15 % du taux de conversion en mars. Quelles hypothèses formulez-vous ?" "Comment présenteriez-vous ce résultat à un dirigeant qui n'a que 2 minutes ?" Le bon candidat pose des questions de clarification avant de répondre. Il structure sa réponse. Il priorise. Le mauvais candidat récite une liste d'outils ou se perd dans des détails techniques. Cet entretien métier est le filtre final. Il sépare l'exécutant technique du data analyst qui va réellement vous aider à prendre de meilleures décisions. Chez TARAM, ce test est systématique. Le candidat ne passe en shortlist que s'il réussit les trois épreuves. Le client valide le profil final, toujours.
3 – Intégration dans votre stack analytique en 3 semaines
Recruter le bon profil ne suffit pas. Si l'intégration prend trois mois, vous avez perdu l'avantage. Voici le plan d'onboarding en 3 semaines que TARAM applique pour rendre un data analyst opérationnel sur vos données réelles, avec vos outils, dans vos process.
3.1 : Semaine 1 — accès, documentation et première livraison
Jour 1 : le data analyst reçoit ses accès. Base de données, CRM, outil de dataviz, Google Analytics, Slack ou Teams de votre équipe. Pas dans trois jours. Le jour même. TARAM fournit l'infrastructure (poste Ryzen 7, double connexion fibre + 5G), le client fournit les accès applicatifs. Jours 2-3 : le data analyst lit votre documentation existante. Dictionnaire de données si vous en avez un. Sinon, il en crée un. Il cartographie vos sources de données : quelles tables, quels champs, quelles connexions entre CRM, site web, ERP. Jours 4-5 : première livraison. Un dashboard simple mais fonctionnel, sur un périmètre que vous avez défini ensemble (par exemple : suivi des leads du mois en cours). Cette première livraison a deux objectifs. Vérifier que les accès fonctionnent et que la donnée est exploitable. Et créer un premier échange concret sur un livrable réel, pas sur de la théorie. Si votre data analyst livre un dashboard utilisable en 5 jours, vous savez que le recrutement a fonctionné. La structuration du ramp-up est ce qui sépare les 27 % qui réussissent des 73 % qui échouent.
3.2 : Semaine 2 — immersion métier et automatisation des reportings
Le data analyst a compris votre donnée. Maintenant il doit comprendre votre business. Prévoyez deux sessions de 45 minutes avec les personnes clés : le dirigeant, le responsable commercial, le DAF s'il y en a un. Chaque session a un objectif : quels sont vos indicateurs critiques, à quelle fréquence les consultez-vous, et quelle décision prenez-vous quand un indicateur dévie. Le data analyst traduit ces échanges en spécifications de dashboards. En parallèle, il automatise. Les exports manuels que vous faisiez chaque lundi matin deviennent des requêtes programmées. Les tableaux Excel que vous remplissiez à la main deviennent des dashboards alimentés en temps réel. Fin de semaine 2, vous devez avoir deux ou trois reportings automatisés qui remplacent des tâches que vous faisiez vous-même. C'est le premier gain de temps mesurable. Si vous pilotez ce profil sans manager intermédiaire, le stack minimal pour piloter une équipe dédiée à Madagascar sans daily meeting vous donne les outils et rituels exacts.
3.3 : Semaine 3 — autonomie, alertes et premier cycle de décision basé sur la donnée
Semaine 3, le data analyst fonctionne en autonomie. Il produit ses livrables sans que vous les demandiez. Il a configuré des alertes automatiques : si le taux de conversion passe sous un seuil, si le coût d'acquisition dépasse un montant, si un segment client décroche. Ces alertes arrivent dans Slack ou par email, avec un commentaire d'interprétation. Pas juste un chiffre. Une phrase du type : "Le taux de conversion sur le segment PME 10-20 salariés a chuté de 22 % cette semaine. Hypothèse : la campagne Google Ads ciblant ce segment a été pausée mercredi." Fin de semaine 3, vous prenez votre première décision business appuyée sur un livrable produit par votre data analyst offshore. Réactiver une campagne, ajuster un prix, relancer un segment. C'est le moment où l'investissement devient concret. Un collaborateur dédié, intégré dans vos outils, qui travaille uniquement pour vous, à un coût trois fois inférieur à un recrutement en France. TARAM ne vous a pas vendu une prestation. TARAM a intégré une capacité analytique dans votre entreprise. Comparez cette approche à une internalisation classique : le différentiel est sans appel.
Votre concurrent a déjà ses dashboards. Vous avez encore vos exports Excel.
Chaque semaine sans data analyst dédié, vous prenez des décisions au doigt mouillé pendant que d'autres s'appuient sur des données propres. Le profil existe à Antananarivo. La grille de tests existe dans cet article. Le plan d'intégration en 3 semaines est documenté. Ce qui manque, c'est votre décision. Continuer à empiler des fichiers Excel et à perdre des heures sur des reportings manuels, ou intégrer un data analyst dédié qui travaille exclusivement pour vous, dans vos outils, sur vos données, avec un management structuré depuis Maurice. Chez TARAM, 1 collaborateur = 1 client. Pas de mutualisation, pas de rotation, pas de surprise. Trois semaines entre votre appel et le premier dashboard en production. Le prochain trimestre commence avec ou sans vous.
