FASEYA
Guide décisionnel — Recruter un profil data

Data analyst, data engineer ou data scientist : quelles différences et quel profil recruter pour votre projet data en 2026 ?

•12 min de lecture

Illustration comparant les rôles de data analyst, data engineer et data scientist dans un projet data
L’essentiel en 30 secondes

Le résumé

Le data analyst transforme une donnée déjà disponible en décisions : tableaux de bord, KPI et analyses ad hoc. Le data engineer construit les tuyaux qui collectent, nettoient et centralisent cette donnée dans un entrepôt fiable. Le data scientist exploite une donnée prête pour modéliser, prédire et automatiser, y compris avec l’IA générative. Le bon profil se déduit donc de votre besoin et de votre maturité data : reporting fiable, données éparpillées ou cas d’usage prédictif. En PME comme en startup, l’ordre le plus sûr est engineer, puis analyst, puis scientist ; recruter un data scientist avant d’avoir une donnée exploitable est l’erreur la plus fréquente.

Point de départ

Pourquoi on confond ces trois métiers (et ce que ça coûte de se tromper)

Data analyst, data engineer, data scientist : trois intitulés qui partagent le même mot, souvent les mêmes outils (Python, SQL) et parfois les mêmes offres d’emploi. Pour un DSI, un CTO ou un responsable RH qui n’a pas encore structuré d’équipe data, la frontière paraît floue. Le marché n’aide pas : certaines annonces demandent à un « data scientist » de construire des dashboards, d’autres attendent d’un « data analyst » qu’il industrialise des flux. Les intitulés suivent les modes plus que les missions.

Pourtant, ces trois profils interviennent à des étages différents de la chaîne de valeur de la donnée. L’engineer collecte, transporte et structure. L’analyst interroge et restitue. Le scientist modélise et prédit. Chacun dépend du travail du précédent : un modèle prédictif n’est jamais meilleur que la donnée qui l’alimente, et un tableau de bord n’est fiable que si le pipeline qui le nourrit l’est aussi.

Se tromper de profil coûte cher, et rarement de façon visible au départ. Le scénario type : une entreprise recrute un data scientist pour « faire de l’IA », qui passe ses six premiers mois à nettoyer des exports Excel et à recoller des sources incompatibles. Il s’ennuie, livre peu, et finit par partir. Le budget est consommé, la confiance de la direction dans la data aussi. Cet article prend donc le problème à l’envers d’une fiche métier : il part de votre besoin pour en déduire le bon profil, le bon ordre et le bon niveau.

Décideur analysant une carte de données interactive, à l’image du travail de restitution du data analyst
Le data analyst

Transformer la donnée en décision

Missions et livrables : dashboards, KPI, analyses ad hoc

Le data analyst est l’interprète entre la donnée et les métiers. Il recueille les questions de la direction commerciale, financière ou marketing, les traduit en indicateurs mesurables et restitue des réponses lisibles. Ses livrables sont concrets : tableaux de bord de pilotage, définitions de KPI partagées, analyses ponctuelles (pourquoi le panier moyen baisse-t-il dans telle région ?), études de cohortes ou de saisonnalité.

Sa vraie valeur n’est pas technique : c’est sa capacité à poser la bonne question et à faire adopter un chiffre unique par toute l’organisation. Ses interlocuteurs sont les responsables métier et la direction générale, bien plus que l’équipe technique.

Stack type : SQL, Power BI / Looker / Tableau, Excel avancé, Python léger

SQL est son outil quotidien. Il maîtrise au moins un outil de BI (Power BI, Looker, Tableau), Excel avancé pour les besoins rapides, et un peu de Python (pandas) pour les analyses que la BI ne couvre pas. Il travaille sur une donnée déjà disponible : si elle ne l’est pas, il passera son temps à la bricoler, signe qu’il manque un data engineer en amont.

Le data engineer

Construire les tuyaux

Missions : pipelines ETL/ELT, entrepôt de données, qualité, gouvernance

Le data engineer est le plombier de la donnée, au sens le plus noble du terme. Il connecte les sources (ERP, CRM, outils SaaS, bases applicatives, API, fichiers), conçoit les pipelines d’extraction et de transformation, et centralise le tout dans un entrepôt ou un lakehouse. Il garantit que la donnée arrive à l’heure, complète, dédoublonnée et documentée.

Son périmètre inclut la qualité (tests, alertes en cas d’anomalie), la sécurité des accès et la gouvernance : qui a le droit de voir quoi, quelle est la source de vérité d’un indicateur, comment respecter le RGPD. Ses interlocuteurs sont la DSI, les équipes applicatives et l’infrastructure. Son travail est invisible quand il est bien fait, et c’est tout son intérêt.

Stack type : Python, Spark, dbt, Airflow, Snowflake / BigQuery / Databricks, cloud

Python et SQL avancé, Spark pour les gros volumes, dbt pour les transformations versionnées, Airflow (ou un orchestrateur équivalent) pour planifier les flux, Snowflake, BigQuery ou Databricks comme entrepôt, et une solide culture cloud (AWS, GCP, Azure). C’est un profil d’ingénieur logiciel appliqué à la donnée, proche de la culture DevOps.

Ville numérique reliée à un nuage, symbolisant les pipelines cloud construits par le data engineer
Code affiché sur deux écrans, évoquant le travail de modélisation et d’expérimentation du data scientist
Le data scientist

Modéliser et prédire

Missions : modèles statistiques, machine learning, MLOps, IA générative / LLM

Le data scientist répond à des questions que le reporting ne sait pas traiter : quel client va résilier le mois prochain ? Quelle quantité commander pour éviter la rupture ? Quelle transaction est probablement frauduleuse ? Il conçoit des modèles statistiques et de machine learning (scoring, prévision, segmentation, détection d’anomalies), mesure leur performance et explique leurs limites aux métiers.

Depuis 2024, son périmètre s’est élargi à l’IA générative : assistants internes branchés sur la documentation de l’entreprise (RAG), classification automatique de tickets ou de courriers, extraction d’informations dans des documents. Il participe aussi à la mise en production via les pratiques MLOps, même si l’industrialisation lourde revient de plus en plus au ML engineer.

Stack type : Python, scikit-learn, PyTorch, notebooks, MLflow

Python avant tout, scikit-learn pour le machine learning classique, PyTorch pour le deep learning, des notebooks pour l’expérimentation, MLflow pour suivre les expériences et versionner les modèles, et les API ou frameworks des grands modèles de langage pour les cas d’usage génératifs. Un point clé côté employeur : son travail suppose une donnée historisée, propre et accessible. Sans elle, il ne peut rien prédire. Le détail de ce profil figure sur notre page data scientist.

Vue d’ensemble

Tableau comparatif : missions, compétences, livrables, maturité

Sept critères suffisent à distinguer les trois profils. Le plus décisif pour un employeur est la dernière ligne : la maturité data requise pour qu’un recrutement soit rentable dès les premiers mois.

CritèreData analystData engineerData scientist
Question traitéeQue s’est-il passé, et pourquoi ?La donnée est-elle disponible et fiable ?Que va-t-il se passer, et que faire ?
Missions clésKPI, reporting, analyses ad hocPipelines ETL/ELT, entrepôt, qualité, gouvernanceModèles prédictifs, ML, IA générative
CompétencesSQL, BI, sens métier, communicationPython, SQL avancé, Spark, dbt, cloudStatistiques, Python, ML, évaluation de modèles
LivrablesDashboards, notes d’analyseFlux automatisés, modèle de données documentéModèles entraînés, POC, API de scoring
InterlocuteursMétiers, direction généraleDSI, équipes applicatives, infraMétiers, produit, data engineers
Délai de premier résultatQuelques semainesUn à trois mois pour un socleDeux à trois mois pour un POC
Maturité data requiseDonnée centralisée et accessibleAucune : c’est lui qui la créeDonnée propre, historisée, gouvernée
Arbre de décision

Quel profil recruter selon votre besoin ?

Oubliez les intitulés et partez de la phrase que prononce votre direction quand elle parle de data. Chacune de ces trois formulations pointe vers un profil différent, et surtout vers un prérequis différent.

Besoin 1

« Je veux des tableaux de bord fiables » → data analyst

Vos données existent dans un ERP, un CRM ou un entrepôt déjà en place, mais personne ne les exploite de façon structurée : chaque service sort ses propres chiffres sous Excel, et les comités de direction débattent de la valeur du chiffre plutôt que de la décision. C'est le terrain du data analyst. Il harmonise les définitions, construit un socle de dashboards et installe une routine de pilotage. Résultat visible en quelques semaines.

Besoin 2

« Mes données sont éparpillées et sales » → data engineer d’abord

Les informations clients vivent dans trois outils qui ne se parlent pas, les exports sont manuels, les doublons pullulent et personne ne sait quelle source fait foi. Recruter un analyste ou un scientist ici, c'est le condamner à faire de la plomberie artisanale. Il faut d'abord un data engineer pour connecter les sources, automatiser les flux et poser un entrepôt fiable. C'est un investissement de fondation : peu spectaculaire, mais tout le reste en dépend.

Besoin 3

« Je veux prédire, scorer, automatiser par l’IA » → data scientist… si la donnée est prête

Prévoir la demande, scorer des leads, détecter la fraude, déployer un assistant basé sur un LLM : ce sont des missions de data scientist. Mais vérifiez trois prérequis avant de recruter : une donnée historisée sur une profondeur suffisante (souvent deux ans au moins pour une prévision), une qualité mesurée, et un cas d'usage dont le gain est chiffrable. Si l'un manque, commencez par l'engineer, ou cadrez un POC court plutôt qu'un recrutement en CDI.

Séquencer

L’ordre de recrutement typique en PME / startup

La règle simple : engineer, puis analyst, puis scientist. On construit les fondations avant d’installer le tableau de bord, et le tableau de bord avant le moteur prédictif.

Engineer → analyst → scientist, et l’erreur du data scientist recruté trop tôt

Dans une entreprise de 50 à 500 salariés qui démarre sa démarche data, la séquence la plus robuste commence par un data engineer, ou un profil analytics engineer polyvalent. Pendant les premiers mois, il connecte les sources prioritaires, met en place l’entrepôt et livre un premier modèle de données propre. Sans cette étape, tout ce qui suit repose sur du sable.

Vient ensuite le data analyst. Il capitalise sur ce socle pour livrer les premiers tableaux de bord, convaincre les métiers et installer une culture du chiffre. C’est souvent à ce moment que la direction perçoit enfin le retour sur investissement de la data, ce qui sécurise la suite du budget. Le data scientist n’arrive qu’en troisième position, quand les questions descriptives sont traitées et que des cas d’usage prédictifs émergent naturellement des analyses.

L’erreur classique consiste à inverser cette séquence. Portée par l’engouement autour de l’IA, une entreprise recrute un data scientist senior comme premier profil data. Il découvre des données incomplètes, sans historique exploitable ni référentiel commun. Il passe l’essentiel de son temps à faire du data engineering approximatif, son POC n’atteint jamais la production, et il quitte l’entreprise en moins de dix-huit mois. Le coût réel n’est pas seulement salarial : c’est une année perdue et une direction échaudée.

Le même raisonnement vaut pour d’autres familles de métiers : nous l’avions détaillé dans notre comparatif administrateur système et réseau ou DevOps, où la question de l’ordre d’arrivée des profils est tout aussi structurante. Avant de lancer le recrutement, clarifiez aussi la feuille de route data elle-même : c’est précisément ce que cadre un consultant en transformation digitale quand la stratégie data reste à définir.

Interface holographique émergeant d’un smartphone, illustrant les nouveaux rôles hybrides de la data et de l’IA
Au-delà du trio

Profils hybrides et nouveaux rôles

Le trio analyst, engineer, scientist reste la grille de lecture de base, mais le marché 2026 a vu s’imposer des rôles intermédiaires. Ils répondent à un constat simple : les frontières entre les trois métiers laissent des zones grises où les projets s’enlisent.

Pour une PME, ces profils hybrides sont souvent la meilleure porte d’entrée : un seul recrutement couvre deux étages de la chaîne. Ils sont aussi plus rares, donc plus longs à trouver en direct.

1

Analytics engineer

À mi-chemin entre data engineer et data analyst. Il modélise les données dans l'entrepôt avec dbt et SQL, documente les métriques et prépare des tables directement exploitables par la BI. Idéal comme premier profil data d'une PME dont les sources sont déjà dans le cloud.

2

ML engineer

Le pont entre data science et production. Il industrialise les modèles conçus par les data scientists : conteneurisation, API, monitoring de la dérive, réentraînement automatique. Indispensable dès qu'un modèle doit servir des utilisateurs réels, et non plus seulement un comité de pilotage.

3

Data architect

Le concepteur de la plateforme dans son ensemble. Il choisit les briques technologiques, définit les modèles de données de référence, la sécurité et la gouvernance. Profil senior, mobilisé au démarrage d'une plateforme ou lors d'une refonte, souvent en mission plutôt qu'en poste permanent.

Format d’intervention

Interne, freelance ou consultant en ESN : quel format pour un projet data ?

Le recrutement interne s’impose quand le besoin est durable et que la data devient un actif stratégique : la connaissance du métier s’accumule dans l’équipe. Il est en revanche lent (souvent trois à six mois pour un profil data confirmé) et risqué quand on ne sait pas encore évaluer ces métiers.

Le freelance apporte de la vitesse et une expertise pointue, mais la continuité dépend d’une seule personne. Le consultant en ESN combine les deux : profil présélectionné, mobilisable rapidement, avec une structure capable de remplacer ou de renforcer l’équipe si le projet évolue. Le mode opératoire est détaillé dans notre guide du processus de recrutement d’un consultant en ESN.

Trois situations reviennent : le POC (six à douze semaines pour valider un cas d’usage), le renfort d’une équipe data existante, et la construction d’une plateforme. Pour chacune, le niveau de séniorité doit suivre l’enjeu, pas le budget. Lorsque la question porte d’abord sur la stratégie, notre offre de consulting IT aide à cadrer la trajectoire avant de staffer.

Planning de projet interactif illustrant le séquencement d’un projet data, du POC à la plateforme
Junior

Renfort encadré

Production de rapports, maintenance de pipelines documentés, préparation de jeux de données. Pertinent uniquement si une équipe data en place peut l'encadrer et relire son travail.

Confirmé

Chantier défini

Construction d'un entrepôt, refonte des dashboards métier, POC sur un cas d'usage cadré. Autonome sur son périmètre, c'est le niveau le plus demandé pour un projet data structuré.

Senior

Décisions de fondation

Démarrage d'une plateforme de zéro, choix d'architecture, arbitrage entre cas d'usage IA, encadrement d'une équipe naissante. Indispensable quand l'entreprise n'a encore aucune compétence data interne.

Passer à l’action

Vous hésitez entre ces profils ?

Décrivez votre besoin data, FASEYA vous présente le bon consultant sous 72h.

FAQ

Questions fréquentes

Quel profil recruter pour un premier projet data ?
Tout dépend de l'état de vos données. Si elles sont déjà centralisées dans un outil fiable (ERP, CRM, entrepôt existant) et que votre besoin est de piloter l'activité, commencez par un data analyst. Si elles sont dispersées entre plusieurs fichiers, applications et exports manuels, commencez par un data engineer, ou par un profil analytics engineer capable de couvrir les deux. Dans la grande majorité des PME, le premier projet data est un projet de fiabilisation et de reporting, pas un projet d'intelligence artificielle.
Un data scientist peut-il faire du data engineering ?
Il peut dépanner, mais ce n'est ni son métier ni le meilleur usage de son temps. Un data scientist sait écrire du Python et manipuler des données, mais concevoir des pipelines robustes, monitorés, idempotents et documentés relève d'une autre discipline. Lui confier la construction de la plateforme produit souvent des scripts fragiles, difficiles à maintenir après son départ. Mieux vaut un data engineer pour les fondations et un data scientist pour la modélisation, quitte à mutualiser sur un profil hybride au tout début.
Combien de temps faut-il pour un POC data ou IA ?
Un POC bien cadré tient généralement en six à douze semaines : deux à trois semaines pour accéder aux données et en évaluer la qualité, quatre à six semaines de modélisation ou de prototypage, puis une à deux semaines de restitution et de décision. Le facteur qui fait exploser les délais n'est presque jamais l'algorithme, mais l'accès aux données. Un POC dont les sources ne sont pas identifiées en amont dérive très vite.
Quelle différence entre un data scientist et un ML engineer ?
Le data scientist explore, formule des hypothèses et conçoit le modèle : il cherche ce qui prédit le mieux. Le ML engineer industrialise ce modèle : il le rend déployable, scalable, monitoré et réentraînable en production. Le premier travaille surtout en notebooks et en expérimentation ; le second en code de production, conteneurs, CI/CD et MLOps. Quand un modèle doit sortir du POC pour servir des milliers d'utilisateurs, c'est le ML engineer qui fait la différence.
Faut-il un data analyst avant de déployer un outil de BI ?
Idéalement, oui, ou au moins en même temps. Un outil comme Power BI, Looker ou Tableau ne crée pas de valeur seul : sans quelqu'un pour définir les indicateurs, valider les règles de calcul et animer leur usage, on obtient des tableaux de bord que personne n'ouvre. Le data analyst traduit les questions métier en KPI, choisit les bonnes visualisations et garantit que tout le monde lit le même chiffre. L'outil est un moyen ; l'analyste est celui qui le rend utile.
Junior, confirmé ou senior : quel niveau choisir pour un projet data ?
Un junior convient à un périmètre déjà structuré, encadré par une équipe data existante : production de rapports, maintenance de pipelines documentés. Un confirmé est autonome sur un chantier défini, comme un entrepôt de données ou un jeu de dashboards métier. Un senior s'impose dès qu'il faut faire des choix d'architecture, démarrer une plateforme de zéro ou arbitrer entre plusieurs cas d'usage IA. Pour un premier projet sans équipe data interne, un profil confirmé ou senior évite des erreurs de fondation coûteuses.
Pour aller plus loin

Poursuivre la lecture

Data, développement, design, pilotage : retrouvez l’ensemble des profils que nous mobilisons parmi les métiers IT recherchés 2026, et parcourez nos métiers IT et digital pour comparer les compétences disponibles.

Contact

Parlons de votre projet

Une question ? Un besoin en consultants IT ? Notre équipe est à votre écoute pour vous accompagner dans vos projets digitaux.

Rendez-nous visite
11 Grande allée du 12 février 1934
Le Luzard 2 - Bâtiment B
77186 Noisiel

Réservez un créneau

30 minutes d'échange pour comprendre vos besoins et vous proposer les meilleurs profils.

  • Analyse de vos besoins
  • Présentation de notre approche
  • Proposition de profils adaptés
Recevoir des profils sous 72hCadrer mon besoin (30 min)

Gratuit et sans engagement