La data est devenue un enjeu stratégique pour toutes les entreprises. Mais entre Data Engineer, Data Analyst, Analytics Engineer et Data Scientist, difficile de s’y retrouver. Ces métiers interviennent à différentes étapes du cycle de vie de la donnée et confondre leurs périmètres coûte cher en qualité et en dette technique.
Cet article vous aide à comprendre qui fait quoi, et surtout : de qui avez-vous besoin maintenant ?
Le cycle de vie de la donnée
Avant de parler métiers, il faut comprendre le cycle de vie de la donnée. Dans une entreprise, la donnée suit un parcours :
- Collecte : Les données sont générées par vos applications, vos outils, vos partenaires
- Ingestion & stockage : Elles sont centralisées dans un data warehouse ou un data lake (ou plus simplement une base de données)
- Transformation : Elles sont nettoyées, enrichies, modélisées pour être exploitables
- Analyse : Elles sont interrogées pour répondre à des questions business
- Prédiction : Des modèles statistiques ou de machine learning en extraient des insights avancés
Chaque métier data intervient sur une ou plusieurs de ces étapes. C’est là que les distinctions deviennent importantes.
Les quatre grands métiers de la data
Data Engineer (DE)
Le Data Engineer construit et maintient l’infrastructure qui permet aux données de circuler. C’est le plombier de la data : sans lui, rien ne coule.
Périmètre d’action :
- Conception et maintenance des pipelines de données (ETL/ELT)
- Architecture du data warehouse ou data lake
- Orchestration des flux (Airflow, Dagster, Prefect)
- Qualité et fiabilité des données en production
- Optimisation des performances (requêtes, stockage, coûts cloud)
Compétences clés : SQL avancé, Python, infrastructure cloud (AWS/Azure/GCP), Docker/Kubernetes, CI/CD, modélisation de données.
Quand en avez-vous besoin ? Dès que vos données viennent de sources multiples, que vos pipelines deviennent critiques ou que votre équipe data passe plus de temps à “réparer” qu’à analyser.
Data Analyst (DA)
Le Data Analyst transforme les données en insights actionnables pour le business. C’est le traducteur entre la donnée brute et la décision.
Périmètre d’action :
- Création de dashboards et rapports (Looker, Tableau, Metabase, Power BI)
- Analyses ad-hoc pour répondre aux questions métier
- Définition des KPIs avec les équipes business
- Data storytelling et présentation des résultats
Compétences clés : SQL, Excel avancé, outils de BI, statistiques descriptives, communication, Python (optionnel)
Quand en avez-vous besoin ? Dès que vous avez besoin de prendre des décisions basées sur les données, c’est souvent le premier profil data recruté dans une startup.
Analytics Engineer (AE)
L’Analytics Engineer est un profil hybride, à mi-chemin entre le Data Engineer et le Data Analyst. Il structure la donnée pour qu’elle soit facilement exploitable par les analystes.
Périmètre d’action :
- Modélisation de la couche sémantique (dbt, dataform)
- Documentation et tests des transformations
- Définition des métriques canoniques
- Gouvernance de la qualité des données transformées
Compétences clés : SQL expert, dbt, git, modélisation dimensionnelle, collaboration cross-fonctionnelle.
Quand en avez-vous besoin ? Quand vos analystes passent trop de temps à écrire des requêtes complexes ou que chaque équipe a sa propre définition du “chiffre d’affaires”.
Data Scientist (DS)
Le Data Scientist développe des modèles statistiques et de machine learning pour prédire, classifier ou optimiser.
Périmètre d’action :
- Développement de modèles prédictifs
- Expérimentation et A/B testing avancé
- Feature engineering
- Mise en production de modèles (en collaboration avec le DE)
Compétences clés : Python, statistiques, machine learning, expérimentation.
Quand en avez-vous besoin ? Quand vous avez des cas d’usage clairs de prédiction (churn, pricing dynamique, recommandation) ET une base de données suffisamment mature pour les alimenter.
Et les autres intitulés qu’on croise ?
Vous avez peut-être vu passer d’autres titres dans les offres d’emploi. Voici comment ils s’articulent avec les quatre rôles principaux.
Data Architect
Le Data Architect définit la vision globale de l’architecture data de l’entreprise. Là où le Data Engineer construit et maintient les pipelines, l’Architect prend du recul pour concevoir le schéma d’ensemble : quels outils, quels patterns, comment les données circulent entre les systèmes.
En pratique : C’est un rôle senior, souvent occupé par un Data Engineer expérimenté. Dans les structures de moins de 50 personnes, le DE senior porte souvent cette casquette. Le poste dédié apparaît dans les grandes organisations avec plusieurs équipes data.
Data Platform Engineer
Le Data Platform Engineer construit et maintient la plateforme sur laquelle les Data Engineers et Scientists travaillent. Il s’occupe de l’infrastructure sous-jacente : clusters Kubernetes, environnements Spark, outils de CI/CD data, gestion des accès.
En pratique : C’est la rencontre entre le DevOps/SRE et la data. Ce rôle émerge quand l’équipe data atteint une taille où “l’infra” devient un sujet à part entière, typiquement 5+ Data Engineers qui ont besoin d’un socle commun.
Software Engineer (Data)
Certaines entreprises recrutent des Software Engineers pour travailler sur des produits data : SDK d’analytics, APIs de données, outils internes. Ils écrivent du code production-grade, avec les standards du développement logiciel classique (tests, revues de code, déploiement continu).
En pratique : La frontière avec le Data Engineer est floue. La différence tient souvent à l’orientation : le Software Engineer construit des produits autour de la data, le Data Engineer construit des pipelines pour alimenter ces produits.
Data Steward / Data Governance
Le Data Steward s’assure que les données sont correctement documentées, classifiées, et conformes aux réglementations (RGPD notamment). C’est un rôle moins technique, plus orienté process et conformité.
En pratique : Rare dans les startups, ce rôle apparaît dans les entreprises soumises à des contraintes réglementaires fortes (finance, santé) ou qui manipulent des données sensibles à grande échelle.
Le point commun ? Ces rôles spécialisés émergent avec la maturité. Une startup n’a pas besoin d’un Data Architect dédié, mais elle a besoin que quelqu’un pense architecture ou gouvernance dès le départ, même ponctuellement.
La maturité data dicte l’organisation
Plus une entreprise grandit et structure son utilisation de la data, plus les rôles se spécialisent.
Stade early (0-20 personnes) : Un profil hybride fait tout, souvent un Data Analyst qui sait coder ou un développeur qui s’intéresse à la data. Les pipelines sont bricolés (et c’est normal).
Stade growth (20-100 personnes) : Les sources de données se multiplient, les dashboards deviennent critiques. C’est le moment où la dette technique commence à peser. Un Data Engineer devient nécessaire pour poser des fondations solides.
Stade scale (100+ personnes) : Chaque métier a son périmètre clair. Les Data Engineers maintiennent l’infrastructure, les Analytics Engineers structurent la couche sémantique, les Data Analysts produisent les insights, et les Data Scientists travaillent sur les cas d’usage avancés.
Le piège du “profil qui fait tout”
Il est tentant de garder longtemps un profil polyvalent qui “gère la data”. C’est économique à court terme, mais dangereux à moyen terme.
Ce qui se passe en pratique : Le Data Analyst qui a “un peu” construit les pipelines se retrouve à maintenir une architecture qu’il n’a pas été formé à concevoir. Les requêtes ralentissent, les données deviennent incohérentes, personne ne comprend vraiment comment ça marche. Et quand ce profil part, c’est la catastrophe.
Les signaux d’alerte :
- Vos pipelines cassent régulièrement
- Vos analystes passent 50%+ de leur temps à nettoyer les données
- Personne ne sait exactement d’où vient tel chiffre dans tel dashboard
- Vous avez peur de toucher à certaines tables “parce que ça pourrait tout casser”
- Votre “data person” est en burnout
L’importance d’un Data Engineer, même tôt
Une mauvaise fondation data se paie cher. Les décisions d’architecture prises par un développeur backend “qui s’y connaît un peu” ou un Data Analyst qui fait de son mieux sont souvent des bombes à retardement.
Ce qu’un Data Engineer pose dès le départ :
- Une architecture évolutive qui ne sera pas à refaire dans 18 mois
- Des conventions de nommage et de modélisation cohérentes
- Une orchestration robuste avec monitoring et alertes
- Une documentation qui permet à quelqu’un d’autre de reprendre
- Des tests de qualité qui évitent les mauvaises surprises
Le contre-argument réaliste : Une startup pré-product-market-fit qui recrute un DE à 60-70k€/an (cela dépend de la ville et de la séniorité bien sûr) avant d’avoir validé son modèle, c’est du gaspillage. Beaucoup d’entreprises n’ont pas besoin d’une “vraie” infrastructure data avant un certain stade.
La solution : le Data Engineer en mission
C’est exactement là que le freelance intervient. Vous n’avez peut-être pas besoin d’un Data Engineer à plein temps, mais vous avez besoin d’un Data Engineer maintenant, même brièvement.
Un DE en mission de 2-3 mois peut :
- Auditer votre existant et identifier les risques
- Poser une architecture propre et documentée
- Former votre équipe aux bonnes pratiques
- Partir, et revenir ponctuellement pour les évolutions majeures
Vous bénéficiez de l’expertise sans le coût fixe. Et surtout, vous évitez d’accumuler une dette technique qui coûtera 10x plus cher à rembourser dans deux ans.
En résumé
| Métier | Fait quoi | Quand le recruter |
|---|---|---|
| Data Analyst | Analyse et visualise | Dès que vous prenez des décisions data-driven |
| Data Engineer | Construit l’infrastructure | Dès que vos sources/volumes se complexifient |
| Analytics Engineer | Structure la couche sémantique | Quand vos analystes se noient dans les requêtes |
| Data Scientist | Modélise et prédit | Quand vous avez des cas d’usage ML identifiés |
La clé n’est pas d’avoir tous ces profils, mais d’avoir le bon profil au bon moment. Et parfois, ce bon profil n’a besoin d’être là que quelques mois pour poser les bases qui vous feront gagner des années.
Vous vous reconnaissez dans ces problématiques ? Bright Data Labs accompagne les entreprises dans la structuration de leur infrastructure data, de l’audit initial à la mise en production, en passant par la formation de vos équipes.