Derrière les anglicismes, il s’agit avant tout de trois fonctions qui se répondent. Le data analyst collecte et interprète les données pour aider à la décision. Le data scientist conçoit des modèles prédictifs plus complexes pour anticiper les comportements ou automatiser certaines tâches. Enfin, le data engineer construit l’infrastructure technique qui rend tout cela possible.
Autrement dit, le data analyst répond à la question « Que s’est-il passé ? », le data scientist à « Que va-t-il se passer ? », et le data engineer à « Comment faire circuler les données pour le savoir ? ». Ces rôles forment une chaîne où chacun dépend du travail des autres.
Le data analyst, point d’entrée le plus accessible
C’est généralement le premier maillon de la chaîne, et aussi le plus accessible aux profils en reconversion. Son rôle est d’explorer les données existantes, de repérer les tendances et d’aider les équipes métiers, marketing, finance, RH, à mieux comprendre leur activité.
Concrètement, il manipule des tableaux de données, rédige des requêtes SQL, crée des visualisations sur des outils comme Power BI ou Tableau, et rédige des rapports clairs. L’objectif n’est pas de construire des modèles complexes, mais de traduire la donnée en enseignements concrets.
Selon l’APEC, le métier de data analyst figure parmi les dix fonctions les plus dynamiques du numérique en 2024, avec un salaire d’entrée situé entre 35 000 et 45 000 € brut par an. Un tremplin idéal pour se familiariser avec la culture data avant d’évoluer vers des rôles plus techniques.
Le data scientist, l’expert des modèles prédictifs
Le data scientist se situe à l’intersection des mathématiques, de la programmation et de la recherche. Il manipule des volumes massifs de données pour concevoir des modèles capables de prédire des comportements ou d’automatiser des décisions. Ses outils : Python, R, les bibliothèques de machine learning comme scikit-learn, TensorFlow ou PyTorch.
C’est le métier le plus technique des trois. Dans la banque, le data scientist évalue les risques de crédit ; dans l’e-commerce, il anticipe les ventes ou recommande des produits ; dans la santé, il aide à détecter des maladies à partir d’images médicales.
Mais l’entrée sur ce type de poste nécessite une solide base en statistiques et en programmation. Beaucoup de data scientists ont d’ailleurs commencé leur parcours comme data analysts avant de monter en compétence.
Le data engineer, l’architecte des données
Souvent invisible, le data engineer est pourtant indispensable. Il conçoit les systèmes qui permettent de collecter, stocker et transférer la donnée entre les différentes équipes. En d’autres termes, il rend les analyses possibles.
Son environnement est plus proche de l’infrastructure et du cloud que de la statistique. Il travaille avec des outils comme Airflow ou des services de données sur AWS et Google Cloud. Là où le data analyst cherche des insights, le data engineer construit les pipelines qui les alimentent.
Ce métier attire de plus en plus de profils issus de l’informatique ou du DevOps, mais les formations à la data incluent désormais une initiation à ces notions pour favoriser les passerelles entre métiers.
Quelle voie pour débuter ?
Pour ceux qui partent de zéro, commencer par le poste de data analyst reste la voie la plus réaliste et la plus formatrice. Elle permet de comprendre la donnée, les outils, les besoins métiers et d’acquérir une vision globale avant d’envisager une spécialisation.
Des formations intensives, comme celles proposées par La Capsule, préparent justement à cette première étape : apprendre à manipuler les données, créer des tableaux de bord et comprendre les logiques d’analyse. À partir de là, il devient plus simple de poursuivre vers la data science ou l’ingénierie de données.
Le monde de la data forme un écosystème, chacun de ces métiers a sa place, mais tous partagent une même mission : transformer l’information en connaissance utile. Le choix du bon point de départ dépend moins du prestige du titre que de son adéquation avec son profil, son appétence et sa curiosité.
