Les métiers de la data : comment choisir entre analyst, engineer et scientist ?

On parle de “data” partout, mais dès qu’il faut choisir un vrai métier, ça se brouille vite. C’est un peu comme arriver sur un chantier avec trois casques différents sans savoir qui pose les fondations, qui tire les câbles et qui lit les plans. Résultat : on se trompe, on se disperse, et une reconversion peut vite partir de travers.

Ici, on va remettre les choses à plat, sans jargon inutile, avec les missions réelles, les compétences attendues, des repères de salaires 2026, des exemples concrets et un zoom sur Eduforma.

Comprendre enfin ce qu’on met derrière “les métiers de la data” #

La donnée n’est plus un simple fichier perdu dans un coin de serveur. En entreprise, elle nourrit les décisions marketing, finance, produit, logistique, relation client. On regarde un taux de conversion, un coût d’acquisition, un stock qui bouge mal, un churn qui grimpe, et il faut réagir vite. C’est là que les métiers de la data entrent en scène, mais ils ne font pas du tout le même travail.

En France, la demande reste solide sur ces profils, et les salaires suivent cette tension. D’après plusieurs baromètres 2026, un data analyst démarre souvent autour de 35 à 40 k€, un data engineer autour de 42 à 45 k€, et un data scientist autour de 40 à 45 k€ selon le niveau et la place. Rien d’exotique, donc, mais des écarts bien réels. Mal choisir sa cible, c’est perdre des mois de formation et parfois plusieurs milliers d’euros.

Le data analyst : l’expert des tableaux de bord et des décisions rapides #

Le data analyst, c’est le gars ou la fille qui transforme des chiffres en décisions lisibles. Son quotidien ? Sortir les bonnes données avec SQL, construire des dashboards sur Power BI, Tableau ou Looker, suivre des KPI, répondre à des questions métiers. C’est souvent le poste le plus concret pour quelqu’un qui aime comprendre ce qui se passe dans l’activité sans passer ses journées dans le code pur.

Exemples très terre à terre : analyser la performance d’une campagne email, comprendre pourquoi le churn augmente de 3 points, mesurer l’effet d’une promo de -15 % sur les ventes. Il faut de la logique, un bon sens business, un Excel avancé qui tient la route, SQL, des outils de BI et une vraie capacité à raconter ce qu’on voit. Ce n’est pas du storytelling pour faire joli. C’est du data storytelling utile, celui qui aide un manager à trancher.

Côté salaires 2026, les sources consultées convergent vers une base junior autour de 35 à 40 k€, un confirmé entre 45 et 58 k€, et un senior autour de 62 à 75 k€ en France, avec Paris souvent au-dessus des régions. C’est un métier très adapté aux profils qui aiment parler aux équipes métier, faire parler les chiffres et garder les pieds dans le concret.

Le data engineer : l’architecte des pipelines et des plateformes de données #

Le data engineer, lui, ne fait pas “des jolis graphiques”. Il construit les tuyaux. Il conçoit et maintient les pipelines ETL ou ELT, gère les data warehouses, les data lakes, veille à ce que la donnée arrive propre, à l’heure, et sans casser le reste. Si vous aimez le backend, la performance et la fiabilité, on tient probablement votre terrain de jeu.

Dans la vraie vie, ça ressemble à quoi ? Mettre en place un pipeline pour centraliser les ventes d’un réseau retail, fiabiliser les flux d’une app mobile, bâtir une plateforme data pour un produit digital. Les outils reviennent souvent : Python, SQL avancé, Spark, Airflow, dbt, Kafka, et les clouds AWS, GCP ou Azure. Ici, la rigueur est reine. Une erreur dans un flux, et tout le monde la voit.

Les salaires 2026 sont plus hauts que ceux de l’analytique dans la plupart des grilles. On voit souvent 42 à 55 k€ en junior, 55 à 72 k€ en confirmé, puis 75 à 95 k€ en senior, avec des pointes plus hautes sur des profils très techniques à Paris. C’est un métier pour les profils à l’aise avec la technique, proches du monde dev et infra. Et ce n’est pas un métier “facile” à apprendre à la va-vite.

Le data scientist : du modèle prédictif aux cas d’usage IA #

Le data scientist travaille sur la modélisation et la prédiction. Il explore les données, prépare les variables, construit des modèles de machine learning, mesure leurs performances, puis explique ce que ça change pour le business. On parle de régression, de classification, de clustering, parfois de deep learning. Ce n’est pas le métier “magique” qu’on vend parfois. C’est un métier d’expérimentation, de maths appliquées et de patience.

Un exemple simple : prévoir le churn avant qu’il ne casse le chiffre d’affaires. Autre cas : un moteur de recommandation sur un site e-commerce, ou une détection de fraude dans la finance. Les outils reviennent souvent autour de Python, scikit-learn, TensorFlow, PyTorch, SQL, notebooks et parfois MLflow pour le suivi des modèles. Et derrière, il faut dialoguer avec les data engineers si le modèle doit vivre en production.

En 2026, les baromètres consultés situent le junior autour de 40 à 45 k€, le confirmé entre 55 et 75 k€, et le senior autour de 75 à 95 k€ selon le secteur, la ville et la spécialité. Ce métier parle aux personnes qui aiment les statistiques, la recherche appliquée et les problèmes tordus. Si vous avez envie de “faire de l’IA” parce que c’est à la mode, autant être clair : il faut aimer la complexité, pas juste le buzz.

Data analyst, engineer, scientist : qui fait quoi dans un projet réel ? #

Prenons un site e-commerce qui veut lancer une recommandation produit. Le data engineer prépare les flux de commande, navigation et catalogue. Le data scientist entraîne le modèle de recommandation, teste plusieurs approches, compare les scores. Le data analyst suit ensuite les résultats dans un dashboard : taux de clic, panier moyen, ventes additionnelles. Chacun a son moment, son rôle, sa valeur.

Autre exemple, dans une banque : le data engineer consolide les données clients et transactions, le data scientist construit un modèle de risque ou d’alerte fraude, le data analyst suit les indicateurs d’usage et de performance commerciale. Ce trio marche ensemble, mais il ne fait pas le même métier. C’est exactement pour ça qu’une reconversion “au feeling” vers la data finit parfois mal.

Pour fixer la répartition des rôles avec des exemples de projets, cette comparaison des trois métiers est limpide :

Compétences clés par métier : outils, soft skills et formations adaptées #

Pour le data analyst, on cherche surtout SQL, BI, Excel, statistiques descriptives et capacité à expliquer simplement. Pour le data engineer, on attend davantage de programmation, de cloud, d’architecture data et de gestion de pipelines. Pour le data scientist, les stats avancées, le machine learning et l’expérimentation prennent le dessus. Les trois partagent quand même des qualités communes : rigueur, curiosité, pédagogie et envie de vulgariser.

• Data analyst : SQL, Power BI ou Tableau, Excel avancé, business.
• Data engineer : Python, SQL avancé, Spark, Airflow, cloud.
• Data scientist : statistiques, machine learning, Python, notebooks.

Sur les parcours, il n’y a pas une seule bonne voie. Écoles, bootcamps, reconversion, montée en compétences interne, tout existe. Mais le point de départ compte énormément. On ne passe pas au data engineer avec le même profil qu’au data analyst, et c’est justement là que beaucoup se trompent.

Salaires 2026 : à quoi s’attendre selon le métier et l’expérience ? #

Disons-le nettement : les salaires varient beaucoup selon Paris, les régions, le secteur et la taille de l’entreprise. Une startup ne paie pas comme un grand groupe, une ESN ne paie pas comme une scale-up, et un profil lead fait grimper la note. En pratique, les grilles 2026 observées montrent souvent ces ordres de grandeur : analyst autour de 35 à 40 k€ en junior, engineer autour de 42 à 55 k€, scientist autour de 40 à 45 k€.

Avec l’expérience, on grimpe vers 55 à 75 k€ pour l’analytique, 75 à 95 k€ pour l’ingénierie, et 75 à 95 k€ pour la science des données selon la spécialisation.

Si vous visez un vrai saut salarial en 3 à 5 ans, le meilleur levier reste la spécialisation. Un analyste qui maîtrise très bien son métier, un engineer fiable sur les stacks modernes, un scientist capable de mettre un modèle en production, ça se valorise vite. Les promesses de salaire « faciles » vendues sur Internet ne résistent pas à l’examen.

Où comparer les trois métiers avant de choisir #

L’angle retenu parle au candidat comme à un adulte. On y comprend vite la différence entre le maçon, le plombier et l’architecte, pour reprendre une image simple mais parlante. Eduforma aide à éviter l’erreur classique : se lancer dans une formation data scientist alors qu’on aurait été beaucoup plus à l’aise en data analyst, ou l’inverse. Le comparatif est clair, direct, sans poudre aux yeux.

Ce qui ressort aussi, c’est le côté concret. On ne reste pas dans les grandes déclarations. On voit les missions, les outils, les salaires, et on se situe mieux. Si vous êtes en phase de réflexion, c’est le genre de ressource qu’on lit une fois, puis qu’on relit avec un café pour se demander : “Moi, je suis plutôt quel profil ?” Et cette question-là vaut de l’or.

Erreurs fréquentes quand on se lance dans la data #

La première erreur, c’est de croire que data scientist = seul métier intéressant. C’est faux. La deuxième, c’est de sous-estimer le nettoyage des données. Là, on tombe de haut. La troisième, c’est de penser qu’un bootcamp de quelques semaines vous transformera en profil senior. Non. Et la quatrième, c’est de confondre analyst et engineer alors que les attentes n’ont rien à voir.

Des reconversions échouent simplement parce que la personne visait le mauvais poste dès le départ. D’autres avaient des attentes salariales complètement déconnectées du marché. D’autres encore n’avaient jamais testé un mini-projet avant de s’inscrire à une longue formation. Le plus sage, c’est de lire, comparer, discuter avec des pros, tester un cas simple sur SQL ou Python, puis seulement après s’engager.

Questions fréquentes #

Quel métier de la data est le plus accessible en reconversion ?

Le data analyst, dans la majorité des cas. Il s’appuie sur SQL, la BI et un bon sens métier, compétences qu’un profil venu du business, de la finance ou du marketing peut consolider plus vite qu’une stack d’ingénierie complète.

Faut-il être bon en mathématiques ?

Pas pour les trois métiers au même degré. Le data scientist travaille avec des statistiques avancées et du machine learning ; le data analyst a besoin d’un socle statistique solide mais pas d’un niveau de recherche ; le data engineer mobilise surtout de la programmation et de l’architecture.

Quel métier paie le mieux ?

Sur les grilles 2026 observées, l’ingénierie et la science des données tirent les rémunérations vers le haut en confirmé et en senior (75 à 95 k€), devant l’analytique (62 à 75 k€). Le secteur, la ville et la spécialisation pèsent toutefois autant que l’intitulé.

Par où commencer quand on hésite encore ?

Lisez un comparatif des missions réelles, regardez des offres d’emploi en ligne, puis faites un mini-projet simple en SQL ou en Python. C’est en pratiquant quelques heures qu’on découvre ce qui plaît — et ce qui ennuie.