Data analyst et data scientist travaillent tous deux avec des données, utilisent souvent SQL et Python, et appartiennent parfois à la même équipe. Les deux intitulés sont pourtant loin d’être interchangeables, même si les entreprises les emploient avec beaucoup de liberté. Une offre de « data scientist » peut décrire un poste de reporting, et une offre de « data analyst » un poste de modélisation avancée. Pour un candidat, confondre les deux mène à des candidatures mal ciblées et à des entretiens déroutants. Cet article compare les missions, les outils, les formations et les entretiens, puis montre comment lire une offre pour reconnaître le vrai poste et adapter son CV.
Deux métiers, des intitulés flous
Au départ, la distinction est assez nette. Le data analyst répond à des questions sur ce qui s’est passé et pourquoi : il explore les données, construit des indicateurs et des tableaux de bord, et aide les équipes à décider. Le data scientist s’intéresse davantage à ce qui va se passer et à ce qu’on peut automatiser : il construit des modèles de prévision, de classification ou de recommandation, et conçoit des expériences pour mesurer des effets.
Les fiches de l’Onisep sur le data analyst 🔗 et le data scientist 🔗 reflètent cette différence : la première insiste sur l’analyse et la restitution aux métiers, la seconde sur la modélisation et les algorithmes.
Dans la pratique, trois facteurs brouillent la frontière.
- La taille de l’entreprise. Dans une petite équipe, une seule personne fait souvent les deux : un tableau de bord le lundi, un modèle de prévision le jeudi.
- L’attrait de l’intitulé. « Data scientist » est un intitulé valorisé, utilisé par certaines entreprises pour attirer des candidats sur des postes surtout analytiques.
- L’apparition de métiers intermédiaires. Analytics engineer, product analyst, decision scientist : ces intitulés recouvrent des mélanges variés des deux métiers.
L’intitulé seul ne suffit donc jamais. C’est le contenu de l’offre qui dit de quel poste il s’agit.
Les missions comparées
| | Data analyst | Data scientist | |---|---|---| | Question type | Que s’est-il passé, pourquoi ? | Que va-t-il se passer, que peut-on automatiser ? | | Livrables | Tableaux de bord, analyses ponctuelles, définitions d’indicateurs | Modèles, expériences, prototypes, parfois services en production | | Interlocuteurs | Équipes métier, direction, produit | Produit, ingénierie, équipes métier | | Rythme | Demandes fréquentes, délais courts | Projets plus longs, itérations | | Mesure du succès | Décisions éclairées, indicateurs fiables et adoptés | Performance du modèle, effet mesuré sur l’activité |
Un data analyst passe une grande partie de son temps à comprendre les questions des équipes, à écrire des requêtes, à vérifier la cohérence des données et à présenter des résultats. Un data scientist consacre davantage de temps à préparer des jeux de données pour l’apprentissage, à tester des modèles, à les évaluer et à travailler avec les ingénieurs pour les mettre en service.
Les deux métiers partagent une exigence : la qualité des données. Sans données fiables, ni l’analyse ni le modèle n’ont de valeur. C’est pourquoi les deux travaillent souvent en lien étroit avec le data engineer, dont le rôle est décrit dans notre article sur le métier de data engineer.
Outils et compétences
Les outils se recouvrent largement ; c’est l’usage qui diffère.
Le data analyst utilise d’abord :
- SQL, de façon intensive, pour interroger l’entrepôt de données ;
- un outil de visualisation : Power BI, Tableau, Looker, Metabase ;
- un tableur, toujours présent dans les échanges avec les métiers ;
- Python ou R pour les analyses plus poussées, de plus en plus attendus ;
- des notions de statistiques descriptives et de tests pour interpréter correctement les écarts.
Le data scientist utilise d’abord :
- Python, avec les bibliothèques de manipulation de données et d’apprentissage (pandas, scikit-learn, XGBoost ou LightGBM, parfois PyTorch) ;
- SQL, pour extraire et préparer les données ;
- les statistiques inférentielles et l’expérimentation : tests A/B, inférence causale ;
- les outils de suivi et de mise en production : MLflow, orchestrateurs, conteneurs, selon le niveau d’industrialisation attendu.
Côté compétences non techniques, le data analyst est particulièrement attendu sur la communication et la compréhension métier ; le data scientist sur la rigueur méthodologique et la capacité à cadrer un problème mal défini. Les deux doivent savoir expliquer un résultat à quelqu’un qui ne connaît pas la technique.
Formations et parcours
Les deux métiers sont accessibles par des voies proches, avec des différences de niveau.
- Data analyst : écoles de commerce ou d’ingénieurs avec une spécialisation data, masters en statistique, économétrie ou informatique, mais aussi licences professionnelles, bootcamps et reconversions depuis un métier qui manipulait déjà des chiffres (contrôle de gestion, marketing, logistique). Le métier reste ouvert aux profils autodidactes qui maîtrisent SQL et un outil de visualisation.
- Data scientist : le plus souvent un bac + 5 à dominante quantitative, écoles d’ingénieurs, écoles de statistique, masters de mathématiques appliquées ou d’apprentissage automatique, parfois un doctorat pour les postes les plus orientés recherche.
Beaucoup de data scientists ont commencé comme data analysts, et c’est une trajectoire naturelle : on y apprend les données de l’entreprise et les attentes des métiers, avant de construire des modèles.
Lire une offre pour reconnaître le vrai poste
Pour savoir de quel poste il s’agit vraiment, ignorez l’intitulé et lisez les missions et les outils. Quelques indices :
Indices d’un poste surtout analytique, même sous l’intitulé « data scientist » :
- « construire et maintenir des tableaux de bord », « suivre les indicateurs de performance » ;
- Power BI, Tableau ou Looker en premier dans les outils ;
- « répondre aux demandes ad hoc des équipes » ;
- aucune mention de modèle, d’expérimentation ou de mise en production.
Indices d’un poste de modélisation, même sous l’intitulé « data analyst » :
- « développer des modèles de prévision », « concevoir des tests A/B » ;
- scikit-learn, XGBoost, PyTorch, MLflow dans les outils ;
- « collaborer avec les ingénieurs pour industrialiser » ;
- des prérequis en statistiques inférentielles ou en apprentissage automatique.
Indices d’un poste hybride : un mélange des deux, souvent dans une petite équipe. C’est une excellente école, à condition de savoir ce que vous voulez développer.
En cas de doute, posez la question à l’appel de qualification : « Quelle part du temps est consacrée aux tableaux de bord, aux analyses ponctuelles et à la modélisation ? » La réponse vous dira presque tout. Les entretiens des postes de modélisation comportent d’ailleurs des épreuves spécifiques, décrites dans notre article sur les questions d’entretien de data scientist.
Adapter son CV à l’un ou l’autre
Le même parcours peut se présenter différemment selon le poste visé, sans rien inventer.
Pour un poste de data analyst, mettez en avant :
- les indicateurs que vous avez définis et les tableaux de bord que vous avez construits, avec leurs utilisateurs ;
- les analyses qui ont mené à une décision ;
- votre maîtrise de SQL et de l’outil de visualisation de l’offre ;
- votre capacité à travailler avec les équipes métier.
Pour un poste de data scientist, mettez en avant :
- les modèles construits, avec la question métier, les données, la méthode de validation et l’effet mesuré ;
- les expériences conçues et analysées ;
- votre pratique de Python et des bibliothèques d’apprentissage ;
- ce qui a été déployé ou utilisé en dehors de votre poste de travail.
Le modèle de CV de data scientist illustre la seconde présentation, avec des projets décrits par leur problème, leurs données et leur effet. Le modèle de CV de data engineer montre, par contraste, un profil centré sur les flux de données.
Le secteur compte aussi. Un data analyst en banque ou en finance de marché travaille sur des données et des contraintes réglementaires particulières : les spécificités d’un CV de data analyst en finance 🔗 font l’objet d’un guide à part, qui détaille les outils et le vocabulaire attendus dans ce secteur.
Une fois le positionnement choisi, l’accroche et l’ordre des puces font l’essentiel du travail. L’éditeur de TechCV vous permet de garder deux versions de votre CV, l’une orientée analyse, l’autre orientée modélisation, et produit un PDF que les logiciels de recrutement lisent sans erreur. Vous pouvez créer votre CV et dupliquer la version de base pour chaque cible.
Questions fréquentes
Peut-on passer de data analyst à data scientist ?
Oui, c’est une évolution fréquente. Elle passe par un approfondissement des statistiques inférentielles, de l’apprentissage automatique et de Python, et par des premiers projets de modélisation, idéalement dans votre poste actuel. Votre connaissance des données et des métiers de l’entreprise sera un atout.
Faut-il savoir coder pour être data analyst ?
SQL est indispensable. Python ou R sont de plus en plus attendus, sans exiger le niveau d’un data scientist. Un data analyst qui automatise ses analyses en Python se distingue nettement.
Quel métier recrute le plus de débutants ?
Les postes de data analyst sont généralement plus accessibles en début de carrière, car ils demandent moins de spécialisation en modélisation. Les postes de data scientist junior existent, mais exigent souvent une formation quantitative de niveau bac + 5 ou une expérience préalable.
Le titre de poste compte-t-il pour la suite de la carrière ?
Moins que le contenu du travail. Un recruteur lira vos expériences pour savoir ce que vous avez réellement fait. Décrivez précisément vos missions, et vous pourrez postuler aux deux types de postes si votre parcours le justifie.