Vous souhaitez vous orienter vers un métier de la Data ?  Vous souhaitez devenir Data Analyst ? Tout comme pour les métiers de Data Engineer, Data Scientist ou encore Data Architect, le moment est approprié pour vous lancer, car la data est au centre de toutes les activités de l’ère numérique. Et comme nous aimons bien le dire, la viabilité de la majorité des modèles économiques de notre époque dépend de l’exploitation intelligente de la donnée

Face à la complexité de plus en plus grandissante des pratiques technologiques du Big Data, les entreprises qui souhaitent tirer profit de leurs données doivent s’entourer des professionnels pointus, spécialisés dans le traitement massivement parallèle des données, notamment les Data Engineers, les Data Architectes et les Data Scientists. Cependant, l’aspect trop technique de ces 3 profils rend difficile la communication avec les métiers et met en péril l’interprétation des résultats issus des applications/algorithmes développés par ceux-ci. Ce malaise technico-métier inattendu provoque un nouveau besoin urgent dans les entreprises : le besoin d’un professionnel à mi-chemin entre le Data Engineer et le Data Scientist, capable de communiquer le sens des résultats d’analyses de données aux directions métiers, en clair, le besoin d’un Data Analyst !  

Cette chronique est une fiche métier complète dans laquelle nous allons vous expliquer toutes les étapes à suivre pour devenir un Data Analyst de haut niveau ! Nous allons y parler du profil métier, de l’intérêt d’un Data Analyst dans une entreprise, de ses missions, de ses compétences, de son salaire, de son évolution de carrière, et des formations à suivre pour devenir data Analyst. Accrochez-vous, prenez un café, ça va être très long !

Définition du métier de Data Analyst

Encore qualifié d’analyste de données ou d’analyste Big Data, le Data Analyst est le dernier acteur dans le processus du traitement de la donnée.  Là où le Data Architect intervient en premier, le Data Engineer en second et le Data Scientist en troisième, le Data Analyste clôture la chaîne de valorisation de données en communiquant efficacement les résultats obtenus de cette chaîne auprès des directions métiers.

En fonction de la taille de l’entreprise, de son secteur d’activités ou du périmètre du projet, le travail du Data Analyst peut dans certains cas intervenir directement après celui du Data Engineer ou juste après celui des Data Scientists, lorsque ceux-ci ont mis en production les livrables attendus du projet (généralement des applications de données ou des modèles d’apprentissage statistique). Dans d’autres cas, la fonction de Data Analyst peut remplacer celle de Data Scientist. Dans ce cas de figure, le Data Analyst fait office à la fois de Data Analyst et de Data Scientist (quoique ce sont des métiers différents, comme nous le verrons plus bas).

Vous vous orientez vers ce métier si vous souhaitez aider les entreprises sur les aspects frontaux de leur projet Big Data ou plus généralement sur l’exploitation de leurs données, si on n’est pas sur une échelle de Big Data. Le Data Analyst aide les entreprises à véritablement consommer les données mises en forme par le Data Engineer ou les résultats renvoyés par les modèles du Data Scientist pour la prise de décision effective. C’est un métier à l’intersection de la Business Intelligence et de l’ingénierie Big Data.

Le Data Analyste maîtrise les outils de reporting, de visualisation (Microstrategy, Business Objects, Microsoft Power BI), l’outil de suivi par excellence des décideurs (Microsoft Excel), la programmation VBA, R, le SQL, et possède de très bonnes aptitudes communicationnelles pour échanger avec les décideurs de l’entreprise sur la signification des indicateurs calculés sur la base des données. Son but ultime est l’analyse de données pour des fins décisionnelles. C’est un métier très fascinant pour les personnes qui se voient plus comme des chargés d’études, des analystes que comme des ingénieurs.

C’est un métier qui est de plus en plus sollicité dans le Big Data avec le déploiement en production des projets. Sa demande augmente à cause d’un regain d’intérêt du marché pour la Data Visualisation.  

La demande pour ce métier est en hausse constante depuis 2014 et est drivée par 3 choses :

  • la prise de conscience progressive des entreprises de la façon dont les données peuvent être utilisées pour obtenir un avantage compétitif dans leur business model
  • le déploiement des projets Big Data en production
  • la transition de plus en plus croissante des entreprises de leurs systèmes de Business Intelligence traditionnels vers les systèmes Big Data et par la mise en œuvre de Data Lab.

Pourquoi une entreprise a-t-elle besoin d’un Data Analyst ?

Pour comprendre l’intérêt d’un Data Analyst dans une entreprise, il faut comprendre que la chaîne de valorisation de données nécessite 3 expertises bien spécifiques, qui de façon inhérente laisse un trou dans la structure organisationnelle de l’entreprise.  J’explique !

Au départ de la chaîne de traitement de données, on a un (ou plusieurs) Data Architecte(s) qui avec les chefs de projets, les responsables des directions concernées par le projet, et les achats, définit le socle architectural ainsi que les solutions technologiques nécessaires pour le projet data. Ensuite, on a le Data Engineer, qui s’appuie sur l’architecture pour développer des solutions qui vont effectuer les traitements en amont nécessaires pour que la donnée soit consommable (On regroupe ces traitements sur le vocable ETL – Extract Transform & Load). Leur travail s’achève lorsque les applications qu’ils ont développées sont déployées en production. Enfin, on a le Data Scientist. Sur la base des données livrées par les applications des Data Engineers, celui-ci (ou ceux-ci) développe des modèles mathématiques comportementaux qui vont tenter d’identifier les associations entre les données. C’est un travail très complexe qui nécessite le maniement des algorithmes d’apprentissage statistique tels que la régression, les arbres de décision, les perceptrons multi-couches, etc… En général, leurs modèles produisent des actions à effectuer ou des prédictions, et ce sont ces actions/prédictions qui sont livrées aux équipes métiers. Le travail du Data Scientist s’arrête une fois que ses modèles d’apprentissage sont déployés ; de temps à autre il les révise (on parle d’entrainement du modèle) pour s’assurer qu’ils apprennent toujours aussi bien. Et c’est là en fait que la rupture intervient.

Il est considéré que c’est le Data scientist qui communique avec les métiers et joue ce rôle de pédagogie nécessaire pour que ceux-ci appréhendent les résultats et le sens des données produits par les modèles. Mais en fait ce n’est pas le cas. La communication entre les métiers et les Data Scientists est souvent descendante ; les data scientists leur posent des questions pour mieux cerner leurs besoins, et ainsi développer les modèles les plus précis possibles. Mais après il n’y’a en général pas de feedback ou d’évangélisation de la part des data Scientists en retour aux métiers. Ceux-ci reçoivent les résultats des modèles sans plus. Ils rencontrent alors des difficultés à les interpréter.

Dans les projets d’ampleur, les Data analysts couvrent ce déficit. Ils sont plus proches des métiers que les Data scientists, ils comprennent mieux le métier considéré ainsi que ses enjeux que les Data Scientists. La communication entre eux et les métiers est bilatérale, elle va dans les deux sens. Les Data Analysts ne sont pas juste affectés à un département ou à un service de l’entreprise comme les Data Scientists ou les Data Engineers, ils sont rattachés directement au responsable du service/département en question. Cette proximité leur permet d’être dans la tête des métiers, de comprendre plus profondément leurs attentes, de mieux maîtriser le processus métier en question (car il ne faut pas oublier qu’à la base un Data Analyst a une spécialisation métier – par exemple la finance, le marketing, le digital, etc) et ultimement de pouvoir leur fournir le niveau d’information nécessaire pour la prise de décision.

En même temps, les compétences techniques du Data Analyst lui permettent de facilement collaborer avec les Data Scientists et les Data Engineers. Le Data Analyst est donc comme un couteau suisse qui réussit à la fois à jouer pleinement le rôle de Business Analyst nécessaire pour travailler intimement avec les métiers et le rôle de Data Scientist pour collaborer ou fournir les analyses de données nécessaires pour la prise de décision.  

Voilà l’intérêt d’un Data Analyst dans une entreprise. Sans lui (elle), les modèles d’apprentissage statistique ne seraient que du charabia pour les responsables métiers. Nous allons maintenant voir ensemble les missions dévolues à un Data Analyst.

Les missions d’un analyste de données

Le Data Analyst est le plus souvent rattaché non pas à un service, mais à un(e) responsable de service ou de département, par exemple le responsable du service Pilotage et Reporting, le responsable marketing, le responsable connaissance client, etc. Ses missions ont en général 3 dimensions : une dimension métier,  une dimension technique, et une dimension pédagogique.

La dimension métier de la mission d’un Data Analyst

Etant donné que le Data analyst est rattaché à une personne (généralement métier), il a généralement une spécialisation métier et connaît très bien les enjeux de la direction dans laquelle il est rattaché. En ce sens, il est attendu qu’il ait une compréhension profonde des problématiques métiers (Marketing / Finance/ Commerce) et qu’il soit par ricochet capable d’identifier dans l’entreprise les sources de données pertinentes à la résolution des problématiques métiers considérées. Les données peuvent également provenir de l’extérieur ou peuvent être enrichies par des sources externes.  Dans un projet marketing par exemple (qui est la direction qui fait le plus souvent appel aux Data analysts après la direction Finance), cela implique que celui-ci doit pouvoir enrichir le catalogue des données de l’entreprise afin de favoriser  le développement de la connaissance transverse et multicanale de ses clients.

Vous devez savoir que la collecte de données est par définition un processus siloté en entreprise. Cela signifie que chaque direction métier collecte et gère ses données indépendamment des autres directions. En conséquence, les données sont dispersées à travers les différentes unités business de l’entreprise : on appelle cela les « silos de données ». Avec les données silotées, il est impossible d’avoir une vision globale de l’activité de l’entreprise. Les silos de données créent des doublons  et des versions incomplètes des données, qui elles-mêmes créent à leur tour des problèmes d’incomplétude (missing value) préjudiciables aux travaux d’analyse de données.

Les entreprises souffrent énormément des problèmes engendrés par les silos de données.  L’explosion des données  dans l’ère du Big Data ont donné ces problèmes, une importance sans précédent. Ainsi, pour prendre des décisions orientées et efficaces, il est indispensable au préalable de « dé-siloter » les données de l’entreprise, c’est-à-dire de les uniformiser et les consolider. Là où le Data Engineer va intervenir pour garantir l’uniformisation (ou désilotage) de ces données dans un Data Lab ou un Data Warehouse, le Data Analyst lui va les recenser afin d’accroître la connaissance de l’entreprise. Pour le Data Engineer, l’uniformisation des données est une fin en soi et uniquement une tâche technique, tandis que pour le Data Analyst, la collecte de données est une tâche centrale qui s’achève lorsqu’il sait dire à son entreprise en quoi ces données permettent d’améliorer sa performance.

La dimension technique de la mission d’un analyste de données

En réalité, le travail de collecte et d’uniformisation des données, n’a qu’un seul but : soutenir la prise de décision. Pour exploiter les données qui ont été nettoyées, il faut les interroger pour obtenir les indicateurs nécessaires à la prise de décision. Dans le cadre d’un projet marketing par exemple, le Data Analyst accroît la connaissance que son entreprise a de ses clients grâce à des métriques de mesure de performance (KPI) qu’il définit lui-même et des tableaux de bord.

Grâce à ces indicateurs, les entreprises peuvent mieux piloter leur activité (par exemple, définir de nouveaux produits à proposer aux clients en fonction de leurs besoins, supprimer des anciens produits du catalogue, apporter des changements dans la stratégie marketing, la stratégie financière, logistique à adopter ou simplement les améliorations à apporter à un processus métier précis. 

Le Data Analyst va souvent travailler sur plusieurs  projets de Pilotage dont l’automatisation et l’industrialisation des Reportings se fera grâce à des outils de Data visualisation, par exemple Power BI, Tableau Software, QlikView, etc.. Ne perdez pas de vue que l’un des facteurs qui contribuent à augmenter la demande de ce métier c’est le regain d’intérêt du marché pour la Data Visualisation.  Le Data Analyst va donc produire des analyses statistiques et des indicateurs clés de performance fondés sur les données qu’il a collectées, afin de comprendre les usages que les clients de l’entreprise font de son catalogue de produits / services ou simplement afin de piloter l’activité (par exemple suivi de l’évolution de la base de données des clients, du nombre de clients, etc…).

Dans certains cas de figure, le Data Analyst collabore avec les Data scientists pour comprendre les problématiques des directions métiers et proposer une résolution fondée sur des approches plus analytiques que de simples tableaux de bord ou des KPI. Étant donné qu’il a généralement une meilleure connaissance des enjeux métiers que les Data Scientist, il est capable de qualifier les données pour leur exploitation, d’utiliser les algorithmes de data science les plus appropriés pour modéliser les données et répondre à la problématique métier. En analysant ainsi les données, le Data Analyst est capable de dégager des informations très utiles pour appuyer la prise de décision et obtenir un avantage compétitif.

Tout ce travail, de la collecte de données à la restitution sous forme d’analyses statistiques, de tableaux de bord ou d’indicateurs de performance, nécessite une expertise technique sur certains outils, notamment les outils décisionnels (Power BI, Qlikview, Dataiku, outils de Web analytics,  clients de cubes OLAP), les outils de visualisation de données (Tableau Software, Tibco Spotfire, MicroStrategy, QlikSense), les langages de programmation (VBA, SQL, R), et les outils de base de données (par exemple, création de bases de données relationnelles d’un périmètre départemental grâce à l’outil Microsoft Access).

La dimension pédagogique de la mission d’un analyste Big Data

Ce qui justifie le Data Analyst dans des projets data c’est le besoin que les entreprises ressentent d’avoir les données valorisées et synthétisées sous forme d’indicateurs de performance (KPI), et de tableaux de bords. Ces outils décisionnels ont beaucoup de succès du fait de la simplicité qu’ils ont à faire ressortir le sens derrière les traitements des données (« faire parler les données » comme on aime si bien le dire). Le défaut dans la chaîne de valorisation de données est que le Data scientist n’a pas par définition un rôle d’enseignant ou de pédagogue. Lorsque ses modèles sont livrés, son travail est terminé.

Il est donc attendu du Data Analyst qu’il soit en même d’accompagner les décideurs dans l’interprétation des résultats des KPI et des analyses statistiques. Il joue un rôle de pédagogue auprès des équipes métiers et traduit en termes métiers, les chiffres obtenus de l’analyse des données. Il possède les aptitudes de communication et les aptitudes pédagogiques nécessaires pour inculquer aux directions métiers, une culture data, une culture analytique, dans laquelle la prise de décision est plus basée sur les données que sur l’intuition.

Le Data Analyst va également assurer un travail de veille technologique pour permettre à l’entreprise de bénéficier des outils et des pratiques en matière de Data Management, qui vont augmenter la capacité de l’entreprise à tirer profit de ses données.

Maintenant que vous avez compris les missions du Data Analyst dans toutes ses dimensions, passons maintenant aux compétences dont il a besoin pour les mener à bien. Mais avant, nous allons vous laisser avec cette petite vidéo, qui à notre sens synthétise bien les missions du Data Analyste.

Les compétences du Data Analyst

Pour être en mesure d’assurer les trois dimensions de sa mission, le Data Analyst a besoin de compétences diverses et variées. Pour chaque dimension de mission, un jeu de compétences particulier est nécessaire. Voyons ensemble ces jeux de compétences :

  • Les compétences métier : dans l’idéal, le Data Analyst doit avoir une spécialisation de base dans un métier précis, par exemple le marketing, la finance, le web, la logistique, le contrôle de gestion, etc. Cette spécialisation est nécessaire pour comprendre les enjeux du métier, définir avec précision les données, les indicateurs à calculer ainsi que le type d’analyses statistiques qui peuvent être menées pour résoudre précisément les problématiques du métier et augmenter la performance globale du modèle économique de l’entreprise.  Ainsi,  les compétences dans un métier spécifique font référence à la capacité à utiliser les données générées par ce métier pour accroître la performance de l’entreprise. Un exemple classique est l’utilisation des données marketing pour augmenter la connaissance client de l’entreprise.  
  • Les compétences techniques :  il s’agit des compétences qui permettent au Data Analyst d’aborder la collecte, le traitement analytique des données, la construction des indicateurs clé de performance, ainsi que la data visualisation. En clair, ce sont des compétences qui lui permettent d’aborder conceptuellement et techniquement chaque type de problématique data. Par exemple, pour effectuer des traitements statistiques, il faut connaître l’inférence statistique, les tests paramétriques, les tests non-paramétriques, les techniques de régression linéaire/logistique, les statistiques descriptives, etc. Tandis que pour aborder la collecte de données, il faut maîtriser les bases de données, la conception des bases de données, la modélisation relationnelle, la modélisation multidimensionnelle, l’exploitation des cubes OLAP, etc. Il en est de même de la construction et de la visualisation des indicateurs de performance. Chaque problématique de la data a des exigences spécifiques qui lui sont propres, et le Data Analyst doit avoir une compréhension précise de la façon dont on adresse ces exigences.
  • Les compétences technologiques : axées sur la maîtrise des outils et des langages spécifiques, car à chaque problématique ses outils et ses langages. Par exemple, si on considère les problématiques de collecte de données, les aborder technologiquement nécessitera la maîtrise du SQL, de Microsoft Access, et potentiellement des langages comme Python ou SAS. Sur des échelles de projet data plus vaste, un bon niveau sur Spark ou Hadoop serait indispensable. Effectuer des analyses statistiques, des tests paramétriques, des régressions demanderont quant à elles la maîtrise d’un logiciel statistique spécialisé comme R, Python (scikit-learn, Keras, TensorFlow), ou SAS (pour les entreprises qui l’utilisent). Pour implémenter des tableaux de bord, construire des indicateurs de mesure de performance, et des visualisations de données, la maîtrise des outils suivants est nécessaire : Microsoft Excel, VBA, Tableau Software, QlikSense et tout client analytique capable d’interroger des cubes OLAP.
  • Les compétences pédagogiques : le Data Analyst doit être pédagogique, car il est affecté à des directions métiers dont le personnel est essentiellement non-technique. Il doit donc user de communication et de pédagogique pour leur inculquer une culture data et leur expliquer les résultats ainsi que le sens de ses analyses de données/indicateurs/visualisations. Voici sa matrice de compétences complètes.

Matrice de compétences complètes du Data Analyst :

  • Compréhension bonne ou avancée des enjeux du métier dans lequel il est affecté
  • Langages de programmation : SQL, VBA, R, Python, SAS
  • Bases de données : Microsoft Access
  • Modélisation de bases de données : MERISE, MCD, modélisation relationnelle, modélisation multidimensionnelle, modèle en étoile, modèle en flocon de neige, modèle en constellation, cube OLAP
  • Analyse Statistique : statistique descriptive, inférence statistique (Tests paramétriques, tests non-paramétriques, techniques d’échantillonnage, bootstrapping)
  • Data Science : apprentissage de modèle statistique, data mining, régression linéaire, régression logistique, clustering, arbres de décision ;
  • Data Visualisation/Business Intelligence : Tableau Software, QlikSense, Alteryx, Google Analytics
  • Reporting : Microstrategy, Business Objects, QlikView, Microsoft Excel, Microsoft PowerBI.
  • Self-Service Analytics : DataRobot, Dataiku
  • Big Data : Hadoop, Hive, Spark
  • Langues : maîtrise de l’anglais, forte compétences communicationnelles
  • Organisation de projet : MERISE, SCRUM, méthodes agiles, sens de la pédagogie pour vulgariser et éduquer sur les sujets data.

La figure suivante illustre le cercle de compétence du Data Analyst.

cercle de compétences métier data analyst
Figure : cercle de compétences du Data Analyst

Formation Data Analyst : Comment deviens-t ’on Analyste de données ?

Maintenant que vous connaissez les compétences que doit posséder un analyste de données digne de ce nom, il ne vous reste plus qu’à identifier les formations qui vous permettent de les développer.

A titre de rappel, un Data analyst est en quelque sorte un couteau suisse de la data dans une entreprise de part son double rôle technique et pédagogique. Les besoins pour ce profil sont donc présents dans quasiment tous les secteurs d’activité, spécialement dans la finance, le marketing, la connaissance client, la logistique, l’immobilier, etc. Vous n’aurez aucun mal en tant que Data Analyst à trouver un emploi. Par contre, même si les compétences demandées restent les mêmes pour un Data Analyste d’un secteur d’activité à un autre, il y’a tout de même des petites nuances qui vont nécessiter que vous spécialisiez vos compétences techniques à un domaine métier précis.

Tenez ! voici un exemple de profil d’analyste de données recherché par la direction marketing d’une grande banque. Nous l’avons extrait d’une offre d’emploi qu’elle a publié sur Indeed pour vous montrer de façon sommaire ce qui peut être attendu concrètement de l’analyste de données dans une direction marketing. 

  • École d’Ingénieur / École de Commerce (ou équivalent)
  • Une expérience métier de 2 à 5 ans est attendue sur le sujet
  • Compréhension des données issues de la connaissance client, et du marketing 360°
  • Construction de reportings et tableaux de bord automatisés (PowerBI, Tableau…)
  • Maîtrise avancée du SQL
  • La maîtrise de Python/R est un plus
  • La maîtrise d’outils Big Data est un plus (Hadoop, Spark, Hive…)
  • Titulaire impérativement d’une formation supérieure en Statistiques / Économétrie / Informatique Décisionnelle, orienté outils de la Data science et Marketing Client.
  • Expérience d’au moins 2 ans en exploitation statistique de données clients (Datamining/Etudes statistiques), idéalement au sein de directions Marketing ou CRM
  • Connaissance des outils Dataiku ou Tableau, et des langages tels R, Python et Spark.
  • Curiosité, pédagogie, aisance relationnelle et rédactionnelle.
  • Maîtrise avancée de Python (Pandas, selenium, sklearn, xgboost / catboost, OpenCV, Tensorflow etc.) ainsi que des bases SQL/Oracle. La connaissance de R est un avantage.

Bien évidemment, cette fiche de profil n’est prise qu’à titre illustratif. Elle ne signifie pas du tout que vous avez besoin de développer tout ce qui est dans l’énoncé pour être un Data analyst, mais elle donne une bonne indication du mélange de compétences attendu entre le métier, les statistiques, et le traitement de données. Donc, en fonction de votre niveau de base (étudiant, jeune diplômé, ou en réorientation), vous devrez vous focaliser sur les formations qui vous renforceront sur l’un de ces 3 pôles de compétences.  Nous allons vous fournir ici quelques pistes de formation.

D’abord les diplômes universitaires. Cette voie est la plus simple et c’est celle que je recommande le plus aux étudiants. Vous suivez un parcours académique de 2 ans (DUT), ou 5 ans (Master) dans l’informatique décisionnelle ensuite vous apprenez par expérience un métier en entreprise tout au long de vos premières années de carrière.  Ou alors vous suivez un DUT et au bout de celui-ci, vous poursuivez vos études dans une spécialisation métier jusqu’au Master. Voici quelques DUT qui forment des profils de Data Analyst :

Attention !! Le DUT est un diplôme universitaire de technologie, dispensé par un IUT, rattaché à une université. Donc même lorsque nous signalons des DUT fournis par l’université, en fait nous faisons référence à l’IUT rattaché à l’université en question. Aussi, sachez qu’à partir de 2021, les DUT deviennent des BUT (Bachelor Universitaire de Technologie). Aucun changement majeur n’est pas à signaler dans les programmes des DUT, c’est juste la terminologie qui évolue.  La liste des DUT que nous vous avons proposés n’est pas exhaustive. Vous trouverez assez simplement un DUT STID (Statistique et informatique décisionnelle) dans votre région qui saura vous former comme Data Analyst.

Si vous êtes jeune diplômé (Licence ou Master), alors vous pouvez suivre un cursus d’informatique décisionnelle pour vous réorienter (quoique ces Masters sont le plus souvent orientés pour les profils d’ingénieur décisionnel/Consultant BI que les profils de Data Analyst). Vous pouvez également choisir d’entrer dans le métier plutôt par le côté statistique en suivant un Master en Data Science (ces Masters couvrent également les compétences techniques offertes par le  DUT STID).  En voici quelques-un que nous recommandons pour avoir travaillé avec des anciens étudiants y venant :

Voilà ! En suivant l’un de ces Masters, vous ouvrez votre voie à coup sûr vers une carrière de Data Analyst. Maintenant, si vous n’êtes ni étudiant, ni jeune diplômé, mais un professionnel en pleine reconversion vers le métier, alors tout dépend de votre background de base. Dans tous les cas de figure, si vous êtes dans un domaine qui n’a rien à voir avec les statistiques ou l’informatique décisionnelle, alors vous pouvez suivre l’un des Masters ou DUT précédents si vous avez les moyens (temps, motivation, argent).

Si vous estimez que vous avez juste besoin d’un renforcement de compétences dans la data, alors suivre tout un Master n’est pas nécessaire. Vous pouvez dans ce cas suivre simplement une formation professionnelle ou alors passer une certification éditeur.  Nous disposons pour le moment de 3 formations et 2 livres qui renforceront vos compétences dans la partie Big Data nécessaire pour le Data Analyst actuellement :

  • Big Data Streaming : le traitement des données streaming et temps réel : l’objectif de cette formation est de vous rendre capable d’aborder avec habileté les problématiques que soulèvent la valorisation des données produites en streaming à large échelle. L’idée c’est de vous équiper des compétences conceptuelles, stratégiques et technologiques nécessaires pour construire l’architecture d’une solution streaming robuste.
  • Spark pour le Data Analyst : l’objectif de la formation est de vous rendre capable d’utiliser Spark en scala pour effectuer des traitements de données à large échelle, tout cela en moins de 3 mois.

Vous pouvez aussi vous initier à la data ingénierie avec nos trois ouvrages en la matière :

Vous pouvez également passer des certifications, nous vous recommandons les certifications suivantes :

  • EMC DELL Certified Data Scientist Associate : avant d’être racheté par DELL, EMC a développé un programme de certification global qui couvre l’intégralité de l’exploitation de données, précisément les techniques d’apprentissage statistique sur MLib et sur R, les techniques de visualisation et de présentation de données, l’écriture des requêtes de traitement de données en MapReduce, HiveQL, et Pig, le stockage de données en HBase, la connaissance fonctionnelle des principaux outils de l’écosystème Hadoop et les compétences métier sur les problématiques de recommandation, de classification et d’analyse de sentiment. Pour passer cette certification, EMC recommande de suivre son cursus de formation « Data Science and Big Data Analytics ». Etant titulaires de cette certification, nous vous le recommandons fortement aussi ;
  • Tableau Desktop Certified Professional : il peut être intéressant de passer la certification de Tableau, car ce logiciel est devenu le leader de la visualisation de données. Comme vous le savez à ce stade, c’est en partie grâce à des logiciels comme Tableau que l’intérêt des entreprises pour la visualisation des résultats d’analyse s’est confirmé. Il peut donc être intéressant pour vous d’être certifié sur ce produit en tant que Data Analyst. En tout cas, je vous le recommande fortement.
  • Microsoft Certified Data Analyst (Examen DA-100) : on ne présente plus Microsoft avec ses outils indispensables aux Data Analysts, à savoir Excel, Access, VBA, PowerBI, et SSAS. Les outils de Microsoft vont certainement être vos outils de base. Alors autant dire que cette certification ne pourra qu’accélérer votre reconversion vers le métier. Pour passer cette certification, vous devez avoir une bonne compréhension de la façon d’utiliser Power BI pour effectuer des analyses de données. Vous devez également tre capables de vous connecter aux sources de données diverses, d’effectuer des transformations de données, de modéliser et de visualiser des données en utilisant Microsoft Power BI Desktop et de configurer des tableaux de bord en utilisant le service Power BI.  Avec un accent qui est de plus en plus prononcé vers le Cloud, la certification vous pousse également à  être capable de mettre en œuvre une connectivité directe à Microsoft SQL Azure et SQL Server Analysis Services (SSAS) et de mettre en œuvre l’analyse des données dans Microsoft Excel.

 Voilà ! En passant l’une de ces 3 ou ces 3 certifications, vous obtenez les compétences ainsi que la reconnaissance nécessaire pour travailler en tant que analyste de données Big Data. Si vous n’avez pas la possibilité de suivre ni un Master spécialisé, ni de passer une certification, vous pouvez vous tourner vers les MOOC (Massive Online Open Course). Les MOOC sont des formations en ligne ouvertes à tous. Vous pouvez retrouver des cours sur la plateforme MOOC Coursera ou Udemy.  Rendez vous sur la plateforme et recherchez les cours qui vous permettent d’obenir les compétences dont vous avez besoin. Les prix sont plutôt abordables.

Nous allons maintenant aborder la rémunération du Data Analyst.

Salaire et rémunération du Data Analyst

Comme tous les métiers de la Data, le métier de Data Analyste est très recherché, et par conséquent son salaire suit, car comme vous le savez peut-être, le salaire d’un professionnel dépend d’abord et avant tout de sa rareté.  Ainsi, en fonction du niveau de spécialisation du profil, des technologies maîtrisées, de ses aptitudes dans le Big Data, et de son niveau académique, le salaire peut profondément varier d’un domaine à un autre.

Aussi, il y’a des facteurs indépendants du profil du candidat qui entrent en jeu dans son salaire, ce sont principalement :

  • Le fait que l’on soit en interne (client final) ou en ESN (ex SSII). En règle générale, en ESN le salaire est plus bas qu’en entreprise (sauf si on est dans des ESN de très petite taille ou des ESN spécialisées dans la data).
  • Le secteur d’activité. Tout comme le premier facteur, celui-ci n’est pas absolu. Mais d’une manière générale, le secteur bancaire/financier offre des salaires plus élevés que les autres secteurs de l’économie.

Comme vous pouvez le voir, le salaire d’un analyste de données peut énormément varier d’un profil à un autre. Mais dans l’ensemble il reste de loin supérieur aux salaires d’autres métiers.

A la différence des Data Engineer où la demande se tourne de plus en plus vers les profils plus expérimentés (profils seniors, TechLead), ou d’Architectes, la demande pour les métiers de Data Analyst elle, est ouverte aussi bien pour les profils juniors, les profils confirmés que pour les profils senior. Par contre, la demande pour les profils seniors a une exigence de spécialisation métier.

A présent, tournons-nous vers des jobboards crédibles pour obtenir des estimations de salaires récentes et fiables pour l’analyste de données.

Selon les estimations de Glassdoor, le salaire moyen pour le poste de Data Analyst est de  41 156 € par an en France au moment de la publication de cette chronique. Il s’agit là d’estimations basées sur 290 salaires postés anonymement sur Glassdoor par des employés occupant le poste de Data Analyst. Le salaire minimum affiché est de 33 000 €, tandis que la fourchette haute est situé à 51 000 €.

Chez Indeed, le salaire moyen est de 36 807  par an.  Il s’agit d”une estimation fondée sur 720 salaires envoyés de manière anonyme à Indeed par des employés ( Data analyste (h/f)) et des utilisateurs, ainsi que sur des offres d”emploi actuelles ou publiées sur Indeed au cours des 36 derniers mois.  Il faut noter qu’à la différence des autres joboards, Indeed indique que ce salaire correspond à des profils qui ont moins d’une année d’expérience. Ce chiffre est très proche du minimum de 33 000 €, affiché par Glassdoor.

Différence entre le Data Analyst et le Data Scientist

A cause de la proximité des tâches réalisées entre les Data Analysts et les Data Scientists, il y’a souvent de l’amalgame entre les 2 métiers, spécialement sur le fait que dans certains cas, les Data analysts réalisent également des études statistiques. En réalité, même si en début de carrière, il n’y’a pas de différence fondamentale entre les 2 métiers, avec le temps en revanche, le Data Analyst va devenir plus proche des entités métiers que les Data Scientists. D’ailleurs, lors des promotions en interne pour des postes de direction (par exemple Directeur d’études, Manager Customer Intelligence, Risk Manager, etc…), on voit beaucoup de Data Scientists progresser vers le métier de Data Analyst pour se rapprocher du métier. En tout cas, la migration de Data Analyst vers Data Scientist est rare, c’est plutôt l’inverse que j’ai constaté dans mes diverses expériences. Le Data scientist natif a souvent une orientation plus mathématique et moins métier que le Data Analyste.

Conclusion

Nous sommes arrivés au terme de cette fiche métier. Comme vous avez pu le voir vous-même, le timing est parfait pour vous orienter vers une carrière de Data Analyst, car l’exploitation de données requiert une expertise à la fois technique, technologique et fonctionnelle. Ces trois casquettes, seul un Data Analyst peut les apporter sur la table. De plus, à la différence des profils Data Engineer ou Data Architects où la demande se tourne essentiellement vers des profils seniors, la demande pour les métiers de Data Analyst elle, est ouverte pour tous les niveaux de profils, aussi bien juniors, confirmés que senior.  Et il est relativement plus simple et plus rapide de se réorienter vers le métier de Data Analyst que n’importe quel autre métier du Big Data (un Bac + 2 peut faire l’affaire).  Je ne peux donc que vous recommander de vous orienter vers ce métier. Nous mettons à votre disposition de nombreuses ressources et de nombreuses formation pour y parvenir.

Ressources :

Pour démarrer votre réorientation vers le métier de Data Analyst, voici quelques offres d’emploi par ville. Commencez avec elles pour évaluer le marché et choisir votre positionnement.

A Lire :


Juvénal JVC

Juvénal est spécialisé depuis 2011 dans la valorisation à large échelle des données. Son but est d'aider les professionnels de la data à développer les compétences indispensables pour réussir dans le Big Data. Il travaille actuellement comme Lead Data Engineer auprès des grands comptes. Lorsqu'il n'est pas en voyage, Juvénal rédige des livres ou est en train de préparer la sortie d'un de  ses livres. Vous pouvez télécharger un extrait de son dernier livre en date ici : https://www.data-transitionnumerique.com/extrait-ecosystme-hadoop/

>