Comparatif entre les métiers de Data Analyst et Data Scientist

Les métiers de Data Scientist et Data Analyst comptent parmi les plus en vogue et ont en commun d’explorer et d’interpréter cet ensemble de données gigantesques que l’on appelle le « Big Data »

Leur objectif : donner du sens à ces données et en extraire de la valeur pour aider l’entreprise à prendre des décisions stratégiques ou opérationnelles.

C’est cette forme de « créativité » qui distingue le Data Analyst et le Data Scientist du pur statisticien : ils sont capables d’imaginer de nouveaux modèles d’analyse pour traiter des données brutes et hétérogènes qui ne peuvent pas être analysées à l’aide d’outils classiques.

Les métiers de la data se développent à grande vitesse, si bien que les distinctions entre ces 2 fonctions ne sont pas toujours très claires et ces deux rôles sont souvent confondus à tort.

 Il existe certes d’importantes différences entre Data Analyst et Data Scientist mais ces deux profils spécialisés n’en sont pas moins complémentaires. Voici un comparatif complet entre ces deux métiers du Big Data, en termes de rôle, compétences, salaire, formations, etc.

I) Définitions :

A ) Le Data Analyst : l’ interprète et le créateur de valeur pour l’entreprise grâce à la Data

Le Data Analyst est souvent comparé à un détective qui opère dans le domaine de la data.

Il est chargé d’examiner les données et de les vérifier pour voir si elles aideront à répondre aux questions commerciales pour lesquelles elles ont été collectées.

Le Data Analyst est un expert de la donnée. Mais, contrairement au Data Scientist, le Data Analyst va travailler sur des données déjà extraites et segmentées. En les analysant, il va tenter de les comprendre et de répondre aux questions que son entreprise lui a posées. Le Data Analyst va s’appuyer sur différents types de données pour proposer une solution à ses supérieurs ou son client. Il est à mi-chemin entre la technique et le marketing.

B) Le Data Scientist , statisticien et programmeur de modèles algorithmiques

On dit des Data Scientists qu’ils sont aussi rares que les licornes, et on les qualifie souvent de « rockstar du Big data ».

A l’instar du Data Analyst qui n’inspecte généralement qu’une seule source de données via un modèle défini, le Data Scientist travaille lui sur un ensemble de données non définies.

Professionnel de l’extraction de données, il est à la fois statisticien, programmeur, mathématicien et a une vision marketing très marquée. Le Data Scientist va développer des modèles de prédiction pour aider à la prise de décision stratégique de la part de ses supérieurs. Grâce à son travail, l’entreprise va pouvoir définir des tendances et développer des produits ou services en fonction de ses modélisations. Ses missions ne se limitent pas à la conception de méthodes d’analyses. Le Data Scientist est également responsable des questions de stockage de données et de leur utilisation.

II)  La différence en termes de compétences (skills)  

Les rôles de Data Analyst et Data Scientist requièrent tous deux des compétences en mathématiques et en ingénierie logicielle, une compréhension des algorithmes et un talent de communication.

Cela étant, le Data Scientist a un spectre de compétences plus important que le Data Analyst.

A) Le data Analyst

Polyvalent et flexible, le Data Analyst peut s’exprimer dans divers domaines et doit :

Disposer de compétences avancées en statistiques et en mathématiques.

Maîtriser les langages de programmation Python, R, SQL, HTML et JavaScript. Il utilise aussi les outils de tableurs comme Excel, et les outils de Data visualisation.

Être capable de travailler avec des bases de données relationnelles et structurées et d’effectuer divers types de requêtes, avec le langage SQL, par exemple.

Avoir une capacité d’analyse et un esprit critique pour interroger en profondeur les données.

Avoir un bon niveau de communication écrite et verbale (talent narratif) et des facilités à travailler en équipe. Sa curiosité intellectuelle et scientifique lui permet de raconter une histoire à partir des données.

B) Le Data Scientist

De son côté, le Data Scientist possède toutes les capacités de l’analyste en termes de modélisation, d’analyse, de mathématiques, de statistiques et d’informatique. Il possède toutefois des compétences supplémentaires.

En plus des langages exploités par l’analyste, le scientifique utilise SAS, MatLab, Pig, Hive et Scala. Il doit pouvoir en outre :

Exploiter les frameworks de calcul distribué comme Hadoop et dispose de précieuses compétences en Machine Learning.

Savoir réaliser des analyses avancées de données structurées et non structurées.

Posséder de solides connaissances dans les langages de programmation : Python, R, SAS.

Maîtriser les algorithmes et les méthodes statistiques avancées (Machine Learning, AI…).

Pouvoir formuler et exécuter des requêtes SQL dans les bases de données.

Être familiarisé avec les outils utilisés par les Data Engineers.

Avoir une bonne compréhension du monde de l’entreprise pour communiquer de manière compréhensible les conclusions d’analyses de données complexes via des outils de Data Visualisation ou par des développements ad hoc.

Le Data Scientist communique ses découvertes aux équipes informatiques et aux dirigeants de l’entreprise grâce à la Dataviz. Il est capable d’influencer la manière dont une entreprise relève les défis auxquels elle fait face.

III) La différence en termes de missions et responsabilités

En général, le travail quotidien d’un Data Analyst peut consister à comprendre ce qui s’est passé, par exemple pourquoi les ventes ont chuté ou à créer des tableaux de bord qui soutiennent les indicateurs clés de performance d’une entreprise, alors que le Data Scientist est plus préoccupé par ce qui va se passer ou ce qui pourrait se passer, en utilisant des techniques de modélisation des données et des logiciels, comme Spark.

A) Le data Analyst

Ses missions consistent à collecter et analyser les données, puis à les transcrire dans des rapports pour la direction indiquant les tendances, les modèles et les prévisions à l’aide de données pertinentes afin que les meilleures décisions commerciales soient prises.

Plus précisément le Data Analyst doit pouvoir :

Analyser la donnée structurée fournie par le Data Engineer ou le Data Scientist.

Requêter, manipuler, filtrer, préparer la donnée pour établir des rapports d’analyses.

Appliquer des méthodes statistiques basiques et avancées sur les données.

Définir les KPIs, les métriques, les dimensions, les angles d’analyses en coordination avec les équipes métiers.

Représenter visuellement les données pour faciliter leur accessibilité.

Déduire et présenter des actions concrètes à mettre en œuvre pour tirer parti des enseignements de la donnée au niveau de l’entreprise.

Communiquer et présenter les résultats à l’équipe dirigeante.

B) Le Data Scientist

Comme son titre l’indique, le Data Scientist est un scientifique. Il doit donc mener des expériences et des tests au quotidien.

Ses principales missions consistent à :

Trier, classer, transformer et explorer en profondeur les données pertinentes pour les traduire en problématiques spécifiques à la Data Science et, grâce à l’expérimentation et à la construction de pipelines de “pré-production”, identifier des insights.

Découvrir des tendances et des patterns dans les données, puis en tirer des modélisations statistiques, des classifications, des moteurs de recommandations, des prédictions…

Utiliser des algorithmes et des méthodes statistiques avancées pour procéder à l’exploration des données. Par ailleurs, savoir choisir le bon outil, la bonne méthode et/ou le bon « algo » pour résoudre un problème donné.

Comprendre les exigences de l’entreprise et traduire une problématique métier ou business en des méthodes d’analyse de données : déterminer les données nécessaires, les traitements et analyses avancées. Ainsi, faciliter les échanges avec le Data Engineer pour la mise en place des pipelines et Data Warehouses.

Faire preuve de créativité et de vulgarisation pour restituer de manière convaincante les résultats d’analyses aux autres corps de métiers (Data Storytelling, Data Visualisation) afin d’amorcer une réflexion stratégique commune au sein de l’organisation.

IV) La différence en terme de qualification et parcours de carrière

Le Data Analyst est un peu moins qualifié que le Data Scientist

A) Data Analyst

Un Data Analyst ayant moins de trois ans d’expérience peut commencer dans un rôle de premier niveau où ses principales responsabilités sont de faire des rapports et de créer des tableaux de bord. L’étape suivante, après cinq ans, peut consister à assumer un rôle qui implique une stratégie ou des techniques d’analyse avancées, comme celui d’analyste financier senior. Pour aller plus loin, un analyste avancé peut être intéressé par un rôle de gestion et devenir un responsable de l’analyse après 9 ans d’expérience. Dans certains cas, un data analyst poursuivra sa formation et affinera ses compétences pour devenir un data specialist.

B) Data Scientist

La valeur d’un data scientist augmente au fur et à mesure qu’il acquiert de l’expérience. Il existe actuellement un déficit de compétences dans le domaine de la science des données, la majorité des scientifiques ayant moins de cinq ans d’expérience, mais les entreprises recherchent des professionnels expérimentés ayant dix ans ou plus. Leur titre peut ne pas changer, mais après avoir travaillé pendant 10 ans, un data scientist peut soit poursuivre ses études et obtenir un doctorat, soit assumer un rôle de directeur de data science.

V ) La différence en terme de salaires

Data Analyst et Data Scientist sont des postes  très demandés par les entreprises et bénéficient de salaires considérablement supérieurs au salaire annuel moyen national.

Le salaire d’un analyst ou d’un scientist des données peut varier en fonction de son ancienneté, de son secteur d’activité et de l’entreprise pour laquelle il travaille.

A) Data Analyst

Le salaire d’un data analyst débutant oscille entre  35 K€ et 38 K€.

Avec de l’expérience, un data analyst sénior gagne en moyenne 55 389 €/an. La data analyst peut également évoluer et prendre plus de responsabilités afin de devenir data scientist.

B) Data Scientist

En sortie d’études, un Data Scientist junior gagne en moyenne 41 529€ / an. Avec une certaine expérience, il peut aisément prétendre à un salaire plus élevé.

Un Data scientist senior gagne en moyenne 55 121€/an et peut monter jusqu’à 80 000€/an.

VI) Perspectives d’emploi

La demande d’experts et de passionnés en Data Science n’est pas prête de s’essouffler. Clairement, la Data Science est un métier, ou plutôt un ensemble de métiers, d’avenir. Ceux qui doivent s’inquiéter, ce ne sont pas les professionnels de la Data Science, mais plutôt les entreprises ayant besoin de ces talents car il y a clairement une pénurie en la matière. Les entreprises générant chaque jour des données massives, les emplois d’analystes de données et de scientifiques de données continuent de croître et resteront en demande dans les années à venir.

Associé à Wawiwa, Actinuum propose ce parcours de formation «Data Analyst» sur le marché français. Vos collaborateurs pourront profiter des contenus pédagogiques éprouvés et des retours d’expérience de la Startup Nation (Israël).