Data analyst

Le Data analyst, ou analyste de données, recueille, prépare et analyse les données pour éclairer les décisions des équipes métier. Il transforme une question sur l’activité en une analyse compréhensible, puis restitue ses résultats sous forme de graphiques, de tableaux de bord ou de recommandations. Son travail relie les données disponibles à une décision concrète.

Le périmètre commence par la compréhension de la demande. L’analyste précise ce que les équipes cherchent à savoir, les contraintes à prendre en compte et les informations nécessaires. Il extrait ensuite les données, contrôle leur qualité et choisit une méthode adaptée. La production du tableau de bord représente donc une partie du travail : les règles de calcul et les choix de préparation comptent aussi.

Selon le poste, il intervient pour le marketing, les relations clients, la production ou d’autres équipes opérationnelles. Il peut être rattaché à un responsable d’équipe data. La répartition des tâches avec les autres spécialistes doit être précisée, notamment pour l’automatisation des traitements et la maintenance des données utilisées.

Data analyst, Data engineer et Data scientist : qui fait quoi ?

• Le Data analyst prépare les données nécessaires à une question métier, conduit l’analyse et en explique les conclusions et les limites.
• Le Data engineer construit et raccorde les flux qui alimentent les systèmes et les usages analytiques. L’analyste peut lui transmettre des besoins de transformation ou d’automatisation.
• Le Data scientist mobilise notamment l’apprentissage automatique et l’analyse prédictive. La frontière reste ouverte : certains postes d’analyste comprennent aussi des modèles statistiques.

Une décision fondée sur des données dépend de la manière dont elles ont été préparées et interprétées. Des doublons, des valeurs absentes ou des formats incohérents peuvent fragiliser les résultats. Le Data analyst doit rendre ces problèmes visibles et expliquer les choix retenus pour les traiter. Un graphique lisible ne dispense pas de ce contrôle.

Le deuxième enjeu concerne la question posée. Une demande de tableau de bord peut recouvrir plusieurs attentes : suivre une évolution, comparer des groupes ou examiner une hypothèse. Sans cadrage, l’équipe risque de recevoir un livrable correct sur le plan technique qui répond mal à sa décision. Définir les indicateurs, les données utiles et le public de la restitution aide à limiter ce décalage.

Exemple fictif : une équipe compare l’activité de plusieurs segments de clientèle pour décider où concentrer ses actions commerciales. L’analyste contrôle les doublons et les valeurs absentes avant de calculer les écarts. Il explicite les règles retenues et examine si les résultats permettent de départager les segments. Si la comparaison reste ambiguë, il indique quelles données manquent et propose de compléter l’analyse avant de recommander une priorité.

La continuité du travail constitue un autre point d’attention. Des transformations documentées et du code réutilisable permettent de reprendre une analyse et d’examiner ses choix. Lorsque les traitements sont automatisés, les tests et la revue contribuent à leur fiabilité. L’objectif est de pouvoir comprendre comment un résultat a été obtenu, y compris lorsque son auteur n’est pas disponible.

Le recrutement peut soutenir la qualité du pilotage ; il ne garantit ni une amélioration chiffrée de la performance ni la résolution de tous les problèmes de données.

• Clarifier la question métier, les contraintes et les résultats attendus avec les équipes concernées.
• Identifier et extraire les données utiles depuis les sources accessibles, notamment par requêtes SQL ou API.
• Nettoyer les données en traitant les formats, les doublons et les valeurs manquantes selon des règles explicites.
• Explorer les distributions, les relations entre variables et les anomalies avant de choisir les analyses pertinentes.
• Réaliser des tests statistiques ou des modèles adaptés à la question et au périmètre du poste.
• Construire des graphiques, tableaux de bord et reportings compréhensibles pour leurs utilisateurs.
• Documenter et automatiser les traitements qui doivent être réutilisés.
• Présenter les conclusions, leurs limites et les éléments utiles à la décision aux équipes métier.

Les acquis utiles associent interrogation des bases, préparation des données, statistiques, visualisation et restitution. Ils permettent de conduire un projet depuis les données disponibles jusqu’à l’explication des résultats. La maîtrise technique comprend les requêtes et les règles de nettoyage ; elle s’articule avec la capacité à choisir une représentation adaptée et à en exposer les conclusions à un public métier.

Les parcours cités par l’Apec comprennent la licence en statistiques et traitement de l’information ou en datamining, les masters en statistiques, économétrie ou informatique décisionnelle, ainsi que les écoles d’ingénieurs spécialisées en statistiques ou big data. Ce sont des voies de préparation au métier, sans qu’un diplôme unique s’impose à tous les postes.

Des parcours comme la certification Data analyst d’OpenClassrooms prévoient aussi l’apprentissage, la formation continue ou l’accès par expérience, selon leurs conditions propres.

Pour évaluer un candidat au regard de votre poste, appuyez-vous sur les étapes suivantes.

1. Définissez les critères et l’autonomie attendue

Listez les questions métier à traiter, les sources accessibles et les livrables attendus. Distinguez les capacités indispensables des outils que la personne pourra apprendre. Précisez qui relira les analyses et qui arbitrera les demandes.

Retenez des critères observables : formulation du problème, préparation des données, justesse des requêtes, choix de méthode et clarté de restitution. Pour un poste autonome, ajoutez la capacité à organiser le travail et à expliquer ses arbitrages.

2. Examinez une réalisation passée

Demandez au candidat de présenter une analyse dont il peut partager le contenu sans exposer d’informations confidentielles. Faites préciser la question initiale, les données utilisées et sa contribution personnelle.

Invitez-le à montrer les règles de nettoyage, les transformations et le résultat présenté aux utilisateurs. Interrogez-le sur une difficulté rencontrée et sur les choix qu’il referait autrement. Demandez comment les équipes ont utilisé ses conclusions, quelle décision elles ont prise et ce qu’il sait de la suite donnée.

Un signal favorable est une explication qui relie les décisions techniques au besoin métier. Une présentation limitée au résultat final, sans pouvoir expliquer les calculs ou les contrôles, mérite d’être approfondie.

3. Proposez un cas proche du poste

Limitez l’exercice à une question et à un jeu de données réduit. Annoncez le temps prévu et le livrable attendu ; ajustez la charge pour examiner le raisonnement sans demander une étude complète.

Exemple fictif : confiez un jeu de données simplifié sur plusieurs segments de clientèle, avec des doublons et des valeurs absentes. Demandez une comparaison argumentée, accompagnée des réserves utiles à sa lecture.

Observez les questions posées avant l’extraction. Demandez au candidat d’expliquer ses jointures, ses agrégations et les contrôles réalisés sur les résultats. Si une méthode statistique est nécessaire, faites justifier son choix.

Adaptez l’exercice à votre environnement et au niveau recherché. Pour un poste accompagné, vous pouvez proposer une consigne cadrée. Pour un poste autonome, demandez aussi au candidat de montrer comment il délimite le problème.

Retenez la capacité à signaler une limite et à proposer une vérification. Approfondissez les conclusions affirmées sans contrôle, les doublons ignorés ou les changements de méthode impossibles à expliquer.

4. Évaluez la restitution et la collaboration

Faites présenter les résultats à un interlocuteur métier. Demandez ce qu’il peut en retenir, ce qui demeure incertain et quelles informations permettraient d’aller plus loin.

Observez si le candidat adapte son vocabulaire et répond aux questions sans perdre la précision de son analyse. Un graphique doit aider à comprendre le résultat et ses limites. Soumettez une objection métier à sa conclusion. Invitez-le à préciser ce qui justifie son analyse et ce qu’il faudrait contrôler avant de la réviser.

Si le poste comprend de l’encadrement, explorez la manière de relire un travail, de discuter une erreur et de partager des règles communes. Pour un rôle individuel, concentrez-vous sur les échanges avec les équipes.

5. Croisez les observations avant de décider

Faites relire la partie technique par une personne capable d’examiner les requêtes et le raisonnement statistique. Si cette expertise manque en interne, prévoyez l’appui d’un spécialiste pour cette évaluation.

Avec l’accord du candidat, utilisez les références pour éclairer les responsabilités exercées, l’accompagnement reçu et la collaboration. Posez des questions reliées aux points à approfondir.

Comparez enfin les éléments observés aux critères définis au départ. Notez les acquis démontrés, les apprentissages nécessaires et l’encadrement que vous pourrez fournir. Évitez de déduire l’autonomie du seul intitulé précédent.