Data Analyst, Data Engineer, Data Scientist : quel profil pour quel besoin ?

Le Data Analyst construit des tableaux de bord, définit des indicateurs métier et restitue l'information aux équipes opérationnelles ou à la direction. Ses outils principaux : Power BI, Tableau, Qlik Sense, SQL. Il travaille sur des données déjà collectées et généralement déjà structurées — son enjeu est la clarté de la restitution et la pertinence des KPI, pas la construction de l'infrastructure sous-jacente. Livrables types : dashboards Power BI, rapports mensuels, définitions de KPI, requêtes SQL d'analyse ad hoc.

Le Data Engineer conçoit et maintient les pipelines qui collectent, transforment et stockent la donnée avant qu'elle soit exploitable par un Data Analyst ou un Data Scientist. Ses outils principaux : Databricks, Snowflake, Airflow, DBT, Spark, Azure Data Factory. Sans un Data Engineer, un Data Analyst travaille sur des données non fiables, non fraîches ou mal structurées — la qualité de tout le reste de la chaîne data dépend de ce rôle. Livrables types : pipelines ETL/ELT, architecture de données (data warehouse, lakehouse), documentation de la qualité des données.

Le Data Scientist construit des modèles (machine learning, IA générative) pour répondre à des questions que la restitution classique ne peut pas résoudre : prédiction de churn, scoring, recommandation, détection d'anomalies. Ses outils principaux : Python, R, scikit-learn, frameworks de ML/LLM. Il a généralement besoin d'une infrastructure data déjà fiabilisée par un Data Engineer pour être efficace. Livrables types : modèles prédictifs, notebooks d'expérimentation, mise en production de modèles (MLOps).

Dans la pratique, un projet data mature combine les trois : un Data Engineer fiabilise la donnée, un Data Analyst la restitue aux métiers, un Data Scientist en extrait de la valeur prédictive. Beaucoup d'entreprises se trompent de priorité en recrutant un Data Scientist avant d'avoir une infrastructure data fiable — le résultat est un modèle brillant sur des données de mauvaise qualité.

Avant de vous proposer un profil, nous challengeons votre besoin réel : parfois un projet présenté comme "besoin d'un Data Scientist" révèle en creux un problème d'infrastructure qui appelle d'abord un Data Engineer. Cette étape de cadrage évite un mauvais staffing et une mission qui ne produit pas les résultats attendus.