Accueil · Guides de révision · ANALYTICS-ENG

Guide complet ANALYTICS-ENG — dbt Labs

dbt Certified Analytics Engineer · Programme, plan de révision, ressources, examen blanc gratuit.

TL;DR — Le guide en 1 minute

La certification dbt Analytics Engineer valide les competences en transformation de donnees avec dbt Core et dbt Cloud. Destinee aux analytics engineers, data analysts et data engineers, l'examen comporte 65 questions QCM en 2 heures. Aucun prerequis formel, mais 6 mois d'experience dbt et SQL avance recommandes. Debouches : Analytics Engineer, Data Engineer, BI Engineer dans des entreprises modernes utilisant le Modern Data Stack (Snowflake, BigQuery, Databricks, Redshift).

Pourquoi passer la certification ANALYTICS-ENG ?

Passer la certification dbt Analytics Engineer en 2026 represente un investissement strategique majeur. dbt est devenu le standard de facto pour la transformation de donnees dans le Modern Data Stack, adopte par plus de 30 000 entreprises mondialement dont Netflix, JetBlue, HubSpot et de nombreuses scale-ups francaises. Le marche francais affiche une penurie criante d'analytics engineers certifies : LinkedIn recense plus de 1200 offres mentionnant dbt en France, avec une croissance de 85% sur 12 mois. La valorisation CV est immediate : un profil certifie dbt commande en moyenne 15 a 20% de salaire supplementaire par rapport a un data analyst classique. Le ROI est rapide : 200 EUR d'investissement pour potentiellement 8000 a 12000 EUR d'augmentation annuelle. Au-dela du salaire, cette certification ouvre l'acces a des roles hybrides tres recherches combinant SQL avance, modelisation dimensionnelle, ingenierie logicielle (Git, CI/CD) et data governance. Dans un contexte ou les entreprises migrent massivement de pipelines ETL classiques vers l'approche ELT moderne, maitriser dbt devient une competence pivot. La certification atteste egalement de votre comprehension des meilleures pratiques (tests, documentation, lineage) qui distinguent un analytics engineer senior d'un simple ecrivain SQL.

Caractéristiques de l'examen

Format	QCM 65 questions a choix multiples
Duree	2 heures (120 minutes)
Score requis	65% minimum
Prix officiel	200 USD (environ 185 EUR)
Langues	Anglais uniquement
Validite	2 ans
Prerequis	Aucun officiel, 6 mois experience dbt et SQL avance recommandes

Programme détaillé par domaine

Domain 1 : Topics and concepts in dbt 27%

Objectifs: Ce domaine evalue la comprehension fondamentale des concepts dbt : modeles, sources, seeds, snapshots, exposures, metrics et semantic layer. Le candidat doit savoir identifier quel objet dbt utiliser selon le cas d'usage, comprendre le cycle de vie d'une transformation, et expliquer les benefices de l'approche ELT versus ETL traditionnel. La capacite a distinguer dbt Core de dbt Cloud, ainsi que les differences entre executions locales et orchestrees, est essentielle.
Concepts clés: Modeles (table, view, incremental, ephemeral), materializations, ref() et source() macros, configurations YAML, dbt project structure, profiles.yml, dbt_project.yml, packages.yml. Comprehension du DAG (Directed Acyclic Graph), du compile vs run, des hooks (pre-hook, post-hook, on-run-start, on-run-end). Maitrise du Jinja templating, des variables, et de la difference entre compilation et execution SQL.
Services / outils: dbt Core (CLI open-source), dbt Cloud (IDE web, scheduler, API), connecteurs adapters (Snowflake, BigQuery, Redshift, Databricks, Postgres). Integrations Git (GitHub, GitLab, Azure DevOps). Outils complementaires : Fivetran, Airbyte pour l'ingestion.
Temps estimé: 12-15h

Domain 2 : Building, Testing & Deploying models 28%

Objectifs: Ce domaine couvre le developpement pratique : ecrire des modeles SQL performants, configurer les materializations adaptees, implementer des tests genericques (unique, not_null, accepted_values, relationships) et singuliers, et deployer via dbt Cloud jobs ou orchestrateurs externes. Le candidat doit savoir debugger un modele en echec, optimiser les performances incrementales et gerer les dependances.
Concepts clés: Tests singuliers vs generiques, dbt-expectations package, snapshots (timestamp et check strategies), incremental models (unique_key, merge, append, delete+insert), partitioning et clustering. Strategies de deploiement : dev, staging, prod environments. CI/CD avec Slim CI, state:modified+, defer.
Services / outils: dbt Cloud Jobs, dbt Cloud API, webhooks, integration avec Airflow, Dagster, Prefect. Tests packages : dbt-utils, dbt-expectations, dbt-audit-helper. Continuous Integration via GitHub Actions.
Temps estimé: 15-18h

Domain 3 : Establishing and maintaining data quality 18%

Objectifs: Evalue la capacite a garantir la qualite des donnees a travers tests automatises, contracts, freshness checks sur les sources, et documentation. Le candidat doit comprendre comment instrumenter un projet dbt avec des alertes, monitoring, et savoir distinguer warning vs error severity. La gestion des donnees deviantes (anomalies, valeurs nulles inattendues) doit etre maitrisee.
Concepts clés: Source freshness, model contracts, constraints (primary_key, foreign_key, not_null), severity (warn/error), store_failures, dbt artifacts (manifest.json, run_results.json, catalog.json). Data observability concepts : completeness, uniqueness, timeliness, validity.
Services / outils: Packages dbt-expectations, elementary-data, re_data pour monitoring. Integration Slack, PagerDuty pour alerting. dbt Cloud notifications.
Temps estimé: 8-10h

Domain 4 : Maintaining, deploying, and testing with dbt 15%

Objectifs: Ce domaine traite de la maintenance long-terme : versioning des modeles, deprecation, refactoring, gestion de la dette technique. Le candidat apprend a utiliser dbt docs pour la documentation auto-generee, exposures pour tracer l'usage downstream, et groups/access modifiers pour la gouvernance.
Concepts clés: Model versions (v1, v2), latest_version, deprecation_date, access (public, private, protected), groups, exposures (dashboard, application, analysis, ml). dbt docs generate et serve, lineage graph interactif.
Services / outils: dbt Explorer (dbt Cloud), dbt docs static site, integration Tableau, Looker, PowerBI via exposures. Catalogues : Atlan, DataHub, Collibra.
Temps estimé: 7-9h

Domain 5 : Discovery and Analytics with dbt 12%

Objectifs: Couvre les aspects analytiques avances : semantic layer, MetricFlow, definition de metriques reutilisables, et exposition vers outils BI. Le candidat doit comprendre comment standardiser les KPIs cross-equipes et eviter les divergences de calcul entre dashboards.
Concepts clés: Semantic models, entities, dimensions, measures, metrics (simple, ratio, cumulative, derived), MetricFlow CLI, saved queries. Difference entre dbt metrics legacy et MetricFlow.
Services / outils: dbt Semantic Layer, MetricFlow, integrations Hex, Mode, Lightdash, Tableau. APIs GraphQL et JDBC du Semantic Layer.
Temps estimé: 6-8h

Plan de révision hebdomadaire

Semaine 1 - Fondamentaux : Installer dbt Core localement avec un adapter (DuckDB recommande pour simplicite). Lire integralement la documentation officielle 'About dbt projects' et 'Build your DAG'. Realiser le tutoriel Jaffle Shop. Objectif : comprendre ref(), source(), materializations. 10h. Semaine 2 - Modelisation approfondie : Etudier les 4 types de materializations en detail. Construire un projet personnel avec donnees publiques (Kaggle, BigQuery public datasets). Implementer un modele incremental avec unique_key. Pratiquer Jinja et macros. 12h. Semaine 3 - Tests et qualite : Maitriser les tests generiques natifs puis explorer dbt-utils et dbt-expectations. Ecrire 5 tests singuliers personnalises. Configurer source freshness. Etudier les contracts et constraints. 10h. Semaine 4 - Deploiement et CI/CD : Creer un compte dbt Cloud (free tier developer). Configurer un job de production, mettre en place Slim CI avec GitHub Actions. Comprendre defer et state:modified+. 10h. Semaine 5 - Semantic Layer et documentation : Apprendre MetricFlow, definir semantic models et metrics. Generer et explorer dbt docs. Configurer exposures. 8h. Semaine 6 - Revision et examens blancs : Passer le practice exam officiel dbt Labs. Identifier les domaines faibles et re-reviser. Participer au dbt Community Slack pour clarifier doutes. Refaire 2 examens blancs (Udemy, ExamPro). Reposez-vous la veille de l'examen. 10h. Total : environ 60 heures sur 6 semaines.

Besoin d'un planning sur mesure ? 30 jours · 60 jours · 90 jours

Ressources recommandées

Documentation officielle dbt Labs

Reference absolue, couvre 100% du programme avec exemples concrets et best practices.

dbt Learn - Courses gratuits

Parcours officiel Analytics Engineer Certification Prep, cours gratuits avec labs interactifs.

Jaffle Shop tutorial

Projet d'exemple officiel pour pratiquer modeles, tests, snapshots sur donnees realistes.

dbt Community Slack

Plus de 50000 membres, canaux dediees a la certification et au debugging.

5 erreurs classiques à éviter

Erreur 1 : Confondre source() et ref() - source() pointe vers tables brutes externes au projet dbt, ref() vers modeles dbt internes. Toujours utiliser ref() entre modeles pour beneficier du DAG et de la portabilite multi-environnements.
Erreur 2 : Negliger les tests sur sources - beaucoup se concentrent sur tests modeles et oublient les source freshness et tests sur sources. Une source corrompue contamine tout le pipeline en aval.
Erreur 3 : Mal configurer les incremental models - oublier unique_key ou utiliser une strategie merge inadaptee au warehouse. Toujours valider avec is_incremental() macro et tester un full-refresh periodique.
Erreur 4 : Sur-utiliser ephemeral materializations - elles inflent le SQL compile et degradent les performances. Reservez-les aux helpers tres simples; preferez view ou table pour la lisibilite et le debug.
Erreur 5 : Ignorer dbt Cloud specifics - meme si vous travaillez en dbt Core, l'examen teste les fonctionnalites dbt Cloud (jobs, IDE, API, Semantic Layer, Explorer). Creez un compte gratuit Developer pour pratiquer.

5 questions types corrigées

Q1. Quelle materialization est la plus appropriee pour une table de faits volumineuse (100M+ lignes) mise a jour quotidiennement avec uniquement les nouvelles lignes du jour ?

Réponse : C

Une materialization incremental avec strategy append (ou merge si dedoublonnage necessaire) est optimale. Elle evite de recalculer 100M de lignes a chaque run, traitant uniquement les nouvelles donnees identifiees via is_incremental() et un filtre sur la date. La materialization table refait un CREATE TABLE AS complet (couteux), view ne stocke rien (calcul a la lecture) et ephemeral genere un CTE inline non viable pour tels volumes.

Q2. Quel fichier YAML dbt definit les connexions aux warehouses comme Snowflake ou BigQuery ?

Réponse : B

Le fichier profiles.yml, situe par defaut dans ~/.dbt/, contient les credentials et parametres de connexion aux warehouses (host, user, password, schema, threads). Il est separe du code projet pour des raisons de securite et n'est jamais commit en Git. dbt_project.yml configure le projet (nom, version, paths), packages.yml liste les dependances, et schema.yml documente sources et modeles.

Q3. Comment garantir qu'une colonne customer_id d'un modele ne contient aucune valeur nulle et est unique ?

Réponse : C

La methode dbt-native consiste a declarer dans le fichier schema.yml (ou models.yml) les tests generiques unique et not_null sur la colonne customer_id. Ces tests s'executent via dbt test, generent des requetes SQL de validation et alertent en cas d'echec. Les options A et D ne valident rien. L'option B est partiellement valide via dbt contracts mais non portable entre warehouses et moins integree au workflow de tests dbt.

Voir plus de questions gratuites →

Carrière & salaire après ANALYTICS-ENG

L'obtention de la certification dbt Analytics Engineer accelere significativement la trajectoire de carriere dans la data. En France en 2026, un Analytics Engineer certifie gagne entre 50 000 et 70 000 EUR brut annuel en debut de carriere (2-3 ans), montant a 75 000-95 000 EUR pour un profil senior (5+ ans), avec des pointes a 110 000 EUR dans les scale-ups parisiennes (Doctolib, Qonto, Alan, Back Market). A Londres ou Amsterdam, les fourchettes grimpent de 20 a 30%. Les debouches couvrent Analytics Engineer, Senior Data Analyst, Data Engineer, BI Engineer, et evoluent vers Lead Analytics Engineer ou Head of Analytics. Certifications complementaires recommandees : SnowPro Core, Google Cloud Professional Data Engineer, Databricks Data Engineer Associate, Astronomer Airflow Fundamentals.

Détail des salaires ANALYTICS-ENG en 2026 →

FAQ — ANALYTICS-ENG

Combien de temps faut-il pour preparer ANALYTICS-ENG ?

Comptez 50 a 70 heures de preparation sur 4 a 8 semaines si vous avez deja 6 mois d'experience dbt. Pour un debutant complet, prevoyez 100 a 120 heures sur 3 mois incluant la pratique sur projet personnel.

Cette certification est-elle reconnue en France ?

Oui, tres reconnue dans l'ecosysteme tech francais. dbt est utilise par BlaBlaCar, Doctolib, Veepee, Back Market, Qonto, et la majorite des scale-ups data-driven. Les recruteurs Data en France valorisent fortement cette certification depuis 2023.

Quel est le taux de reussite a ANALYTICS-ENG ?

dbt Labs ne publie pas officiellement le taux de reussite, mais les retours communautaires l'estiment autour de 65-70% au premier passage. La preparation pratique sur un vrai projet dbt augmente significativement les chances de succes.

Quel est le salaire apres ANALYTICS-ENG ?

En France 2026 : 50-70K EUR junior, 70-95K EUR senior, jusqu'a 110K EUR en scale-up parisienne. Aux USA : 110-160K USD. La certification apporte typiquement 10-15% d'augmentation immediate ou facilite une mobilite externe.

Faut-il une experience prealable ?

Aucun prerequis formel n'est exige. dbt Labs recommande 6 mois d'experience pratique avec dbt, SQL avance (CTEs, window functions, joins complexes) et notions de Git. Sans cela, l'examen est tres difficile.

ANALYTICS-ENG ou cert concurrente : laquelle choisir ?

dbt Analytics Engineer est unique sur son segment. Les certifications adjacentes (Snowflake SnowPro, Databricks Data Engineer, Google PDE) sont complementaires et non concurrentes. Commencez par dbt si votre stack inclut dbt, sinon priorisez la cert du warehouse.

Combien coute l'examen ANALYTICS-ENG ?

L'examen coute 200 USD soit environ 185 EUR (taux 2026). Le paiement se fait via la plateforme Credly/PSI lors de la reservation. Aucun voucher gratuit n'est generalement disponible hors evenements Coalesce.

Combien de fois peut-on repasser ANALYTICS-ENG ?

En cas d'echec, vous devez attendre 14 jours avant de retenter. A partir du troisieme echec, le delai passe a 60 jours. Chaque tentative coute le tarif plein de 200 USD, sans reduction pour repassage.

Prêt à passer à la pratique ?

Lancez votre examen blanc gratuit ou faites le test d'orientation pour valider votre choix.

Démarrer l'examen blanc ANALYTICS-ENG → Test d'orientation