Cours SQL Gratuit : 10 Requêtes Data Analyst 2026

Pourquoi SQL est la compétence n°1 du Data Analyst

SQL (Structured Query Language) est le langage universel pour interroger les bases de données. Quasiment toutes les entreprises stockent leurs données dans des bases relationnelles, et SQL est le moyen d'en extraire l'information. C'est pour ça qu'il apparaît dans plus de 80% des offres d'emploi Data Analyst en France en 2026.

La force de SQL, c'est sa stabilité. Le langage existe depuis les années 1970 et n'a quasiment pas changé dans ses fondamentaux. Ce que vous apprenez aujourd'hui sera encore valable dans 10 ans. Et la syntaxe est quasi identique entre PostgreSQL, MySQL, BigQuery, Snowflake et SQL Server : vous l'apprenez une fois, vous l'utilisez partout.

Autre avantage décisif : SQL est accessible aux débutants. Contrairement à Python qui demande de comprendre la programmation, SQL se lit presque comme de l'anglais. "SELECT nom FROM clients WHERE ville = 'Paris'" se comprend intuitivement. C'est pour ça qu'on commence toujours par SQL dans notre formation Data Analyst & IA, avant Python et Power BI.

1. SELECT : extraire des colonnes

La requête de base, celle par laquelle tout commence. SELECT permet de choisir quelles colonnes afficher depuis une table. C'est la première chose qu'un Data Analyst écrit chaque jour.

-- Sélectionner des colonnes précises
SELECT nom, prenom, email
FROM clients;

-- Sélectionner toutes les colonnes
SELECT *
FROM clients;

2. WHERE : filtrer les lignes

WHERE permet de ne garder que les lignes qui respectent une condition. C'est l'outil de filtrage fondamental, utilisé dans la quasi-totalité des analyses.

-- Clients de Paris uniquement
SELECT nom, ville
FROM clients
WHERE ville = 'Paris';

-- Commandes de plus de 100 euros
SELECT *
FROM commandes
WHERE montant > 100;

-- Conditions multiples
SELECT *
FROM commandes
WHERE montant > 100 AND ville = 'Lyon';

3. ORDER BY : trier les résultats

ORDER BY classe les résultats par ordre croissant ou décroissant. Indispensable pour identifier les meilleures ventes, les clients les plus actifs, ou les produits les plus rentables.

-- Du plus grand au plus petit montant
SELECT nom, montant
FROM commandes
ORDER BY montant DESC;

-- Top 10 des plus grosses commandes
SELECT nom, montant
FROM commandes
ORDER BY montant DESC
LIMIT 10;

4. COUNT, SUM, AVG : les fonctions d'agrégation

Les fonctions d'agrégation calculent une valeur unique à partir de plusieurs lignes. COUNT compte, SUM additionne, AVG fait la moyenne. C'est le cœur de l'analyse quantitative.

-- Nombre total de clients
SELECT COUNT(*) AS nb_clients
FROM clients;

-- Chiffre d'affaires total
SELECT SUM(montant) AS ca_total
FROM commandes;

-- Panier moyen
SELECT AVG(montant) AS panier_moyen
FROM commandes;

5. GROUP BY : regrouper les données

GROUP BY est la requête qui transforme un débutant en analyste. Elle regroupe les lignes par catégorie et applique une agrégation à chaque groupe. C'est l'outil n°1 de l'analyse en entreprise.

-- Chiffre d'affaires par ville
SELECT ville, SUM(montant) AS ca_ville
FROM commandes
GROUP BY ville
ORDER BY ca_ville DESC;

-- Nombre de commandes par client
SELECT client_id, COUNT(*) AS nb_commandes
FROM commandes
GROUP BY client_id;

6. HAVING : filtrer les groupes

HAVING est le filtre qui s'applique APRÈS un GROUP BY. Là où WHERE filtre les lignes individuelles, HAVING filtre les groupes selon leur résultat agrégé.

-- Villes avec plus de 50000 euros de CA
SELECT ville, SUM(montant) AS ca_ville
FROM commandes
GROUP BY ville
HAVING SUM(montant) > 50000;

-- Clients fidèles (plus de 5 commandes)
SELECT client_id, COUNT(*) AS nb
FROM commandes
GROUP BY client_id
HAVING COUNT(*) > 5;

7. JOIN : croiser plusieurs tables

Le JOIN est ce qui sépare les vrais Data Analysts des débutants. En entreprise, les données sont réparties dans plusieurs tables (clients, commandes, produits). JOIN permet de les croiser pour des analyses complètes.

-- Croiser clients et commandes
SELECT c.nom, o.montant, o.date_commande
FROM clients c
INNER JOIN commandes o
  ON c.id = o.client_id;

-- Garder tous les clients, même sans commande
SELECT c.nom, o.montant
FROM clients c
LEFT JOIN commandes o
  ON c.id = o.client_id;

8. Les sous-requêtes

Une sous-requête est une requête imbriquée dans une autre. Elle permet de répondre à des questions en deux étapes : d'abord calculer une valeur, puis l'utiliser dans la requête principale.

-- Clients ayant dépensé plus que la moyenne
SELECT nom, montant
FROM commandes
WHERE montant > (
  SELECT AVG(montant)
  FROM commandes
);

-- Clients qui ont au moins une commande
SELECT nom
FROM clients
WHERE id IN (
  SELECT client_id
  FROM commandes
);

9. CASE WHEN : la logique conditionnelle

CASE WHEN est l'équivalent du "si... alors..." en SQL. Il permet de créer des catégories, segmenter des clients, ou transformer des valeurs selon des conditions. Un outil que les recruteurs adorent voir.

-- Segmenter les commandes par tranche
SELECT nom, montant,
  CASE
    WHEN montant < 50 THEN 'Petit'
    WHEN montant < 200 THEN 'Moyen'
    ELSE 'Grand'
  END AS segment
FROM commandes;

10. Window functions : le niveau pro

Les window functions (fonctions de fenêtrage) sont la compétence qui fait passer votre CV en haut de la pile. Elles permettent des calculs avancés (classements, cumuls, comparaisons) sans perdre le détail des lignes. C'est le niveau attendu pour les postes les mieux payés.

-- Classer les commandes par client
SELECT client_id, montant,
  ROW_NUMBER() OVER (
    PARTITION BY client_id
    ORDER BY montant DESC
  ) AS rang
FROM commandes;

-- Cumul progressif du CA
SELECT date_commande, montant,
  SUM(montant) OVER (
    ORDER BY date_commande
  ) AS cumul
FROM commandes;

Les 4 erreurs de débutant à éviter

Sur les centaines de débutants que j'ai formés au SQL chez DataSuits, ces 4 erreurs reviennent en boucle. Les connaître à l'avance vous fait gagner des semaines.

Comment aller plus loin en SQL en 2026

Vous maîtrisez ces 10 requêtes ? Vous avez déjà 90% de ce qu'un Data Analyst utilise au quotidien. Voici comment transformer cette base en compétence professionnelle complète.

Pratiquer sur des données réelles

La théorie ne suffit pas. Entraînez-vous sur des jeux de données réels (Kaggle propose des bases gratuites) et reproduisez des analyses concrètes. Le réflexe SQL s'acquiert par la répétition sur des cas variés, pas par la lecture.

Combiner SQL avec Python et Power BI

SQL seul ne fait pas un Data Analyst complet. Le métier exige aussi Python (pour l'analyse avancée et l'automatisation) et Power BI (pour la visualisation). Ces trois compétences forment le socle technique d'un Data Analyst employable en 2026.

Ajouter l'IA générative à votre workflow

En 2026, un Data Analyst qui ne sait pas utiliser Claude ou ChatGPT pour accélérer ses requêtes SQL et ses analyses est dépassé. L'IA générative ne remplace pas la compréhension de SQL, mais elle multiplie votre productivité une fois les bases acquises.

Se former de manière structurée et certifiante

L'auto-formation a des limites : pas de feedback, pas de cadre, pas de certification reconnue. Notre formation Data Analyst & IA structure votre apprentissage de SQL, Python, Power BI et IA générative sur 6 à 9 mois, avec mentors humains 7j/7 et certification Université Paris 1 Panthéon-Sorbonne. C'est le moyen le plus rapide et le plus sûr de devenir Data Analyst employable.

Questions fréquentes