Beaucoup de projets data échouent avant la première analyse, pour une raison prosaïque : on a recruté un Data Scientist alors qu'il n'existait pas encore de données exploitables.
Data Engineer : construire les tuyaux
Il conçoit, construit et exploite les pipelines : ingestion des sources, transformation, stockage, qualité, exposition. C'est lui qui rend la donnée disponible, fiable et à l'heure.
Compétences : SQL avancé, Python ou Scala, orchestration (Airflow, Dagster), transformation (dbt, Spark), au moins un entrepôt cloud (BigQuery, Snowflake, Databricks, Redshift), modélisation, et des réflexes d'ingénieur logiciel — tests, versionnement, CI/CD.
On le recrute quand : les données sont dispersées, la qualité est incertaine, les rapports ne se recoupent pas, ou chaque analyse commence par trois jours de nettoyage manuel.
Data Analyst : produire la décision
Il transforme des données propres en réponses utilisables : indicateurs, tableaux de bord, analyses ad hoc, recommandations. Il travaille avec le métier, pas à côté.
Compétences : SQL, un outil de visualisation (Power BI, Tableau, Looker, Metabase), des statistiques descriptives solides, et surtout la capacité à traduire une question métier floue en analyse précise — puis à restituer clairement.
On le recrute quand : la donnée existe et est fiable, mais personne n'en tire de décision.
Data Scientist : prédire et modéliser
Il conçoit des modèles pour prédire, classifier, recommander ou détecter des anomalies. Son travail commence par une hypothèse et se termine par un modèle évalué.
Compétences : statistiques et probabilités, Python et son écosystème, apprentissage automatique, expérimentation, et un minimum de culture d'industrialisation — un modèle qui reste dans un notebook ne produit aucune valeur.
On le recrute quand : les données sont fiables, les analyses descriptives déjà en place, et il existe un problème de prédiction clairement formulé avec une valeur économique identifiée.
Les rôles qui complètent le trio
- Analytics Engineer : à la frontière entre engineer et analyst, il modélise les données de l'entrepôt et industrialise les transformations. Rôle en très forte croissance.
- MLOps Engineer : déploiement, supervision et cycle de vie des modèles en production.
- Data Architect : cohérence d'ensemble, gouvernance, choix de plateforme.
L'ordre qui fonctionne
Dans une organisation qui démarre, la séquence gagnante est presque toujours la même :
- un Data Engineer pour construire des fondations fiables ;
- un Data Analyst pour créer l'usage et prouver la valeur ;
- un Data Scientist lorsqu'un cas d'usage prédictif est identifié et chiffré.
Inverser cet ordre produit le scénario classique : un profil très qualifié qui passe l'essentiel de son temps à nettoyer des fichiers, s'ennuie, et part au bout de huit mois.
Et l'IA générative ?
Elle ajoute une couche — ingénierie de prompts, RAG, évaluation, garde-fous — mais ne supprime aucune des trois briques. Un assistant fondé sur des données incohérentes produit des réponses incohérentes, avec beaucoup plus d'assurance.