Accueil›Blog›Test technique complet Analytics Engineer : SQL, dbt, modélisation

Guide recrutement data

Test technique complet Analytics Engineer : SQL, dbt, modélisation

L Analytics Engineer est le profil le plus demandé en data en 2025. Voici le test technique complet qu on mène chez Data Builder pour évaluer rigoureusement ce profil.

Data Builder·Juin 2025·8 min de lecture·Analytics Engineer

Sommaire

Ce qu on évalue
Épreuve SQL
Épreuve dbt
Modélisation dimensionnelle
Python analytique
Questions de contexte
Grille de décision

1Le profil Analytics Engineer : entre data et business

L Analytics Engineer fait le pont entre les Data Engineers (pipelines bruts) et les Data Analysts (consommation). Il produit des modèles dbt robustes, versionnes, testés et documentés que toute l équipe peut consommer en confiance.

Compétences techniques attendues — SQL Senior, dbt avancé, Python pour l automatisation, Git, notions de data warehouse (Snowflake, BigQuery ou Redshift)
Compétences analytiques — modélisation dimensionnelle, définition des métriques métier, compréhension des besoins utilisateurs
Différence avec Data Analyst — l AE produit les fondations, le DA les consomme. L AE code en SQL/dbt, le DA analyse dans Power BI/Tableau

2Épreuve SQL : les questions discriminantes

Question discriminante

Quelles sont les 3 requêtes SQL que vous posez systématiquement pour évaluer un AE ?

-- Question 1 : cohortes de rétention
-- Calculer le taux de rétention par cohorte hebdomadaire
WITH premiere_commande AS (
    SELECT user_id,
           DATE_TRUNC('week', MIN(order_date)) AS cohorte
    FROM commandes
    GROUP BY user_id
),
activite AS (
    SELECT pc.cohorte,
           DATE_TRUNC('week', c.order_date) AS semaine,
           COUNT(DISTINCT c.user_id) AS actifs
    FROM premiere_commande pc
    JOIN commandes c USING (user_id)
    GROUP BY 1, 2
)
SELECT
    cohorte,
    semaine,
    DATEDIFF('week', cohorte, semaine) AS semaine_num,
    actifs,
    FIRST_VALUE(actifs) OVER (PARTITION BY cohorte ORDER BY semaine) AS taille_cohorte,
    ROUND(actifs * 100.0 /
          FIRST_VALUE(actifs) OVER (PARTITION BY cohorte ORDER BY semaine), 1) AS retention_pct
FROM activite
ORDER BY cohorte, semaine_num;

-- Question 2 : déduplication avec préférence
-- Garder la commande la plus récente par client
SELECT *
FROM commandes
QUALIFY ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY order_date DESC) = 1;

-- Question 3 : running total avec reset
-- Solde cumulatif par compte, réinitialisé à zéro si négatif
SELECT
    compte_id,
    date_op,
    montant,
    GREATEST(SUM(montant) OVER (PARTITION BY compte_id ORDER BY date_op), 0) AS solde_cumul
FROM mouvements;

3Épreuve dbt : modélisation et bonnes pratiques

Question discriminante

Comment évaluez-vous la maturité dbt d un candidat AE ?

-- Structure attendue d un projet dbt bien organisé
models/
├── staging/          -- 1 modèle par table source, renommage, cast
│   ├── stg_commandes.sql
│   └── _stg_commandes.yml  -- tests + documentation
├── intermediate/     -- jointures et logique métier complexe
│   └── int_commandes_enrichies.sql
└── marts/
    ├── finance/
    │   └── fct_revenus.sql
    └── marketing/
        └── dim_clients.sql

-- Ce qu on teste dans le YAML :
models:
  - name: fct_revenus
    columns:
      - name: order_id
        tests: [not_null, unique]
      - name: montant
        tests:
          - not_null
          - dbt_expectations.expect_column_values_to_be_between:
              min_value: 0

Niveau Junior — staging + marts, tests basiques, ref() utilisé correctement
Niveau Confirmé — intermediate layer, macros, incremental models, snapshots
Niveau Senior — packages custom, hooks, CI/CD slim, documentation des exposures

4Modélisation dimensionnelle

Question discriminante

Quelle est la différence entre un schéma en étoile et un schéma en flocon ? Quand choisissez-vous l un ou l autre ?

-- Schéma en étoile : recommandé pour la BI
-- Table de faits centrale + dimensions dénormalisées
fct_commandes (
    order_id PK,
    date_id FK,       -- dim_date
    client_id FK,     -- dim_clients (inclut ville, pays, segment)
    produit_id FK,    -- dim_produits (inclut catégorie, marque)
    montant,
    quantite
)
-- Les dimensions sont plates : pas de table dim_ville séparée

-- Schéma en flocon : dimensions normalisées
-- dim_produits -> dim_categories -> dim_sous_categories
-- Plus économique en stockage mais jointures plus complexes
-- Déconseillé pour la BI self-service

Étoile — recommandé pour la BI. Jointures simples, performances optimales sur les data warehouses modernes
Flocon — utile si les dimensions sont très larges et que le stockage est contrainte. Rare en pratique sur les cloud warehouses
SCD Type 2 — suivre l historique des changements dans une dimension (ex : un client qui change de segment)

5Python pour l Analytics Engineer

Question discriminante

Quel niveau de Python attendez-vous d un AE ? Quels sont les cas d usage typiques ?

Niveau attendu — Python intermédiaire. Pas de ML, mais capable d écrire des scripts d automatisation et des macros dbt
Cas d usage : automatiser le déploiement dbt via API, écrire des tests de données avec pytest, parser des fichiers pour alimenter des seeds dbt, scripts d administration (ex : Tableau Server Client)
Ce qu on n attend pas — PyTorch, Spark, algorithmes ML. Ce n est pas le rôle
Ce qui différencie — un AE Senior sait écrire des macros dbt avec run_query() et automatiser la génération de modèles

6Questions de contexte business

Question discriminante

Pourquoi les questions de contexte métier sont-elles importantes pour évaluer un AE ?

'Comment définissez-vous le chiffre d affaires dans votre modèle ?' — un bon AE sait que la définition d une métrique est un sujet politique autant que technique
'Comment gérez-vous les breaking changes dans vos modèles dbt ?' — révèle la maturité sur le cycle de vie des données
'Qui valide vos définitions de métriques ?' — révèle la capacité à travailler avec les métiers
'Comment sauriez-vous que votre modèle est cassé en production ?' — révèle la culture de monitoring et d alerting

7Grille de décision GO / NO-GO

Compétence	Junior AE	Confirmé AE	Senior AE
SQL window functions	Bases (ROW_NUMBER)	LAG/LEAD, frames, cohortes	CTEs récursives, QUALIFY, JSON
dbt modèles	Staging + marts, ref()	Intermediate, macros, tests custom	Packages, CI slim, snapshots SCD2
Modélisation	Comprend étoile vs flocon	Conçoit un schéma en étoile complet	SCD2, late-arriving facts, bridge tables
Python	pandas basique, scripts	Automatisation dbt API, pytest	Macros dbt avancées, outils admin
Communication métier	Explique son travail	Anime des ateliers de définition métriques	Définit les standards de l équipe

1The Analytics Engineer profile: between data and business

The Analytics Engineer bridges the gap between Data Engineers (raw pipelines) and Data Analysts (consumption). They produce robust, versioned, tested and documented dbt models that the entire team can consume with confidence.

Expected technical skills — Senior SQL, advanced dbt, Python for automation, Git, data warehouse concepts (Snowflake, BigQuery or Redshift)
Analytical skills — dimensional modeling, business metrics definition, understanding of user needs
Difference from Data Analyst — the AE builds the foundations, the DA consumes them. The AE codes in SQL/dbt, the DA analyzes in Power BI/Tableau

2SQL test: the discriminating questions

Discriminating question

What are the 3 SQL queries you systematically use to evaluate an AE?

-- Question 1: retention cohorts
-- Calculate retention rate by weekly cohort
WITH premiere_commande AS (
    SELECT user_id,
           DATE_TRUNC('week', MIN(order_date)) AS cohorte
    FROM commandes
    GROUP BY user_id
),
activite AS (
    SELECT pc.cohorte,
           DATE_TRUNC('week', c.order_date) AS semaine,
           COUNT(DISTINCT c.user_id) AS actifs
    FROM premiere_commande pc
    JOIN commandes c USING (user_id)
    GROUP BY 1, 2
)
SELECT
    cohorte,
    semaine,
    DATEDIFF('week', cohorte, semaine) AS semaine_num,
    actifs,
    FIRST_VALUE(actifs) OVER (PARTITION BY cohorte ORDER BY semaine) AS taille_cohorte,
    ROUND(actifs * 100.0 /
          FIRST_VALUE(actifs) OVER (PARTITION BY cohorte ORDER BY semaine), 1) AS retention_pct
FROM activite
ORDER BY cohorte, semaine_num;

-- Question 2: deduplication with preference
-- Keep the most recent order per customer
SELECT *
FROM commandes
QUALIFY ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY order_date DESC) = 1;

-- Question 3: running total with reset
-- Cumulative balance per account, reset to zero if negative
SELECT
    compte_id,
    date_op,
    montant,
    GREATEST(SUM(montant) OVER (PARTITION BY compte_id ORDER BY date_op), 0) AS solde_cumul
FROM mouvements;

3dbt test: modeling and best practices

Discriminating question

How do you assess the dbt maturity of an AE candidate?

-- Expected structure of a well-organized dbt project
models/
├── staging/          -- 1 model per source table, renaming, cast
│   ├── stg_commandes.sql
│   └── _stg_commandes.yml  -- tests + documentation
├── intermediate/     -- joins and complex business logic
│   └── int_commandes_enrichies.sql
└── marts/
    ├── finance/
    │   └── fct_revenus.sql
    └── marketing/
        └── dim_clients.sql

-- What we test in the YAML:
models:
  - name: fct_revenus
    columns:
      - name: order_id
        tests: [not_null, unique]
      - name: montant
        tests:
          - not_null
          - dbt_expectations.expect_column_values_to_be_between:
              min_value: 0

Junior level — staging + marts, basic tests, ref() used correctly
Mid-level — intermediate layer, macros, incremental models, snapshots
Senior level — custom packages, hooks, slim CI/CD, exposures documentation

4Dimensional modeling

Discriminating question

What is the difference between a star schema and a snowflake schema? When do you choose one over the other?

-- Star schema: recommended for BI
-- Central fact table + denormalized dimensions
fct_commandes (
    order_id PK,
    date_id FK,       -- dim_date
    client_id FK,     -- dim_clients (includes city, country, segment)
    produit_id FK,    -- dim_produits (includes category, brand)
    montant,
    quantite
)
-- Dimensions are flat: no separate dim_ville table

-- Snowflake schema: normalized dimensions
-- dim_produits -> dim_categories -> dim_sous_categories
-- More storage-efficient but more complex joins
-- Not recommended for self-service BI

Star — recommended for BI. Simple joins, optimal performance on modern data warehouses
Snowflake — useful if dimensions are very wide and storage is a constraint. Rare in practice on cloud warehouses
SCD Type 2 — track the history of changes in a dimension (e.g. a customer who changes segment)

5Python for the Analytics Engineer

Discriminating question

What level of Python do you expect from an AE? What are the typical use cases?

Expected level — Intermediate Python. No ML, but able to write automation scripts and dbt macros
Use cases: automate dbt deployment via API, write data tests with pytest, parse files to feed dbt seeds, administration scripts (e.g. Tableau Server Client)
What is not expected — PyTorch, Spark, ML algorithms. That is not the role
What makes the difference — a Senior AE knows how to write dbt macros with run_query() and automate model generation

6Business context questions

Discriminating question

Why are business context questions important for evaluating an AE?

'How do you define revenue in your model?' — a good AE knows that defining a metric is as much a political issue as a technical one
'How do you handle breaking changes in your dbt models?' — reveals maturity around the data lifecycle
'Who validates your metric definitions?' — reveals the ability to work with business stakeholders
'How would you know if your model is broken in production?' — reveals a culture of monitoring and alerting

7GO / NO-GO decision matrix

Skill	Junior AE	Mid-level AE	Senior AE
SQL window functions	Basics (ROW_NUMBER)	LAG/LEAD, frames, cohorts	Recursive CTEs, QUALIFY, JSON
dbt models	Staging + marts, ref()	Intermediate, macros, custom tests	Packages, slim CI, SCD2 snapshots
Modeling	Understands star vs snowflake	Designs a complete star schema	SCD2, late-arriving facts, bridge tables
Python	Basic pandas, scripts	dbt API automation, pytest	Advanced dbt macros, admin tools
Business communication	Explains their work	Facilitates metric definition workshops	Defines team standards

Vous recrutez un Analytics Engineer ?

Premier entretien gratuit. Rapport GO/NO-GO sous 48h.

Tester gratuitement Reserver un appel