Data analyst, data engineer, data scientist : missions, outils et profils comparés pour choisir le métier de la data qui vous correspond.
Les trois intitulés se ressemblent, apparaissent parfois dans la même annonce, et on les confond facilement. Ils correspondent pourtant à des métiers distincts, avec des journées, des outils et des parcours différents. Bien les distinguer vous évitera de postuler à côté, et vous aidera à construire une formation et un portfolio cohérents avec le poste que vous visez.
Une même chaîne, trois rôles
Pour s'y retrouver, imaginez le trajet d'une donnée dans une entreprise, depuis le logiciel qui l'enregistre jusqu'à la décision qu'elle éclaire :
- le data engineer collecte, transporte, nettoie et stocke les données de façon fiable ;
- le data analyst les interroge pour expliquer ce qui s'est passé et suivre l'activité ;
- le data scientist construit des modèles pour prévoir, classer ou recommander.
Dans une grande structure, ces rôles sont séparés. Dans une PME ou une startup, une seule personne en couvre parfois deux. Lisez donc toujours les missions décrites dans l'annonce plutôt que le seul intitulé.
Le data analyst : rendre les chiffres lisibles
Le data analyst répond aux questions des équipes métier : ventes, marketing, finance, ressources humaines, service client. Il traduit une question floue, comme « pourquoi nos ventes baissent-elles dans le Sud ? », en requêtes, en indicateurs et en tableaux de bord que les décideurs peuvent lire sans aide.
Ses outils
- SQL, son outil principal au quotidien ;
- Excel, toujours présent dans les échanges avec les métiers ;
- un outil de visualisation : Power BI, Tableau ou Looker Studio ;
- parfois Python et la bibliothèque pandas pour des analyses plus poussées.
Les qualités attendues
Rigueur, sens de la synthèse et aisance à l'oral. Un bon analyste sait dire ce que montrent les chiffres, mais aussi ce qu'ils ne montrent pas. Ce métier est accessible aux profils venus de la gestion, de la finance ou du commerce, à condition de maîtriser solidement SQL.
Le data engineer : construire les tuyaux
Sans données fiables, pas d'analyse. Le data engineer conçoit et maintient les pipelines qui alimentent l'entrepôt de données ou le data lake : extraction depuis les applications, transformation, chargement, contrôle de qualité, supervision des traitements.
Ses outils
- SQL avancé et Python, parfois Scala ou Java ;
- un orchestrateur comme Airflow pour planifier et enchaîner les traitements ;
- Spark pour le traitement distribué, Kafka pour les flux en temps réel ;
- dbt pour les transformations, et des entrepôts comme BigQuery, Snowflake ou Redshift ;
- Docker, Git, CI/CD et au moins un fournisseur cloud : AWS, Azure ou GCP.
Les qualités attendues
C'est le plus « développeur » des trois métiers. Il demande le goût de l'automatisation, de la performance et de la fiabilité : un pipeline qui échoue en silence peut fausser des semaines de rapports. Un développeur back-end ou un administrateur de bases de données y trouvera naturellement sa place.
Le data scientist : modéliser et prédire
Le data scientist utilise les statistiques et l'apprentissage automatique pour répondre à des questions tournées vers l'avenir : quels clients risquent de partir, quelle sera la demande le mois prochain, quelle transaction paraît suspecte.
Ses outils
- Python et ses bibliothèques : pandas, scikit-learn, et selon les sujets PyTorch ou TensorFlow ;
- Jupyter pour l'exploration, Git pour le suivi du code ;
- des outils de suivi d'expériences et de mise en production des modèles, comme MLflow.
Les qualités attendues
De solides bases en statistiques et en probabilités, de la curiosité, et la capacité à expliquer un modèle à des non-spécialistes. Un modèle très précis que personne ne comprend, et donc que personne n'utilise, n'apporte rien à l'entreprise.
Exemple : la même question vue par les trois métiers
Un opérateur télécom constate que des abonnés résilient leur contrat et veut réagir. Voici comment chacun contribue :
- Le data engineer rassemble dans un même entrepôt les données de facturation, du service client et d'usage du réseau, avec un pipeline Airflow qui les met à jour chaque nuit.
- Le data analyst construit un tableau de bord Power BI : résiliations par offre, par région, par ancienneté. Il remarque qu'elles se concentrent après certains types de réclamations.
- Le data scientist entraîne un modèle qui attribue à chaque abonné un score de risque de départ, pour que l'équipe commerciale contacte en priorité les clients concernés.
Les trois travaux se complètent : sans le pipeline, pas de tableau de bord fiable ; sans l'analyse, le modèle risque de passer à côté de l'essentiel ; sans le modèle, l'équipe commerciale ne sait pas par où commencer.
Comment choisir votre voie
Trois questions simples vous aideront à trancher :
- Qu'est-ce qui vous plaît le plus ? Expliquer et convaincre, plutôt côté analyst ; construire des systèmes robustes, plutôt côté engineer ; modéliser et expérimenter, plutôt côté scientist.
- Quel est votre point de départ ? Une formation en gestion mène plus facilement vers l'analyse, une formation d'ingénieur en informatique vers l'ingénierie des données, un parcours en mathématiques ou en statistiques vers la data science.
- Que demandent les annonces qui vous attirent ? Comparez les offres en data et business intelligence, en data engineering et big data et en intelligence artificielle et machine learning : les outils cités vous diront quoi apprendre en priorité.
Le premier poste n'est pas un choix définitif. Passer de l'analyse à la data science, ou de l'ingénierie des données vers la mise en production de modèles (MLOps), sont des évolutions naturelles.
Se préparer et se faire repérer
Quel que soit le métier, un projet personnel parle davantage qu'une liste de certificats. Quelques idées adaptées à chaque profil :
- Data analyst : un tableau de bord Power BI construit à partir d'un jeu de données public, accompagné de quelques conclusions rédigées comme pour un directeur commercial.
- Data engineer : un pipeline qui récupère des données chaque jour, les nettoie et les charge dans PostgreSQL, orchestré par Airflow et lancé avec Docker.
- Data scientist : un modèle de prédiction documenté dans un notebook, avec une explication claire des choix, des métriques retenues et des limites.
Côté employeurs, les banques, les assurances, les opérateurs télécoms, la grande distribution et l'industrie disposent souvent d'équipes data ou BI. Les cabinets de conseil et les sociétés de services, notamment celles qui travaillent en offshore pour des clients européens, recrutent aussi pour des missions de BI et de data engineering, à Tunis, aux Berges du Lac ou à Sousse. Les postes de data scientist se rencontrent plutôt dans les grandes structures et dans les startups dont le produit repose sur les données.
Pour avancer dès maintenant, choisissez un métier cible, apprenez les outils qu'il exige réellement, puis réalisez un projet qui le prouve. Créez ensuite une alerte e-mail sur la spécialité data qui vous intéresse pour être averti des nouvelles offres, et mettez votre projet en tête de « Mon CV ».