Les différents métiers de la Data Science : panorama

Du Data Analyst au Machine Learning Engineer : les métiers de la data, ce que chacun fait en pratique et les compétences à acquérir.

Derrière l'expression « data science » se cachent plusieurs métiers, dont les intitulés varient d'une organisation à l'autre. Un même poste peut s'appeler « data analyst » chez l'un et « analytics engineer » chez l'autre. Ce guide décrit les rôles les plus courants, ce qu'ils font en pratique et les compétences qu'ils demandent. Il s'agit d'une synthèse pédagogique : les intitulés et les périmètres changent, et seules les offres d'emploi réelles disent ce qu'un employeur attend.

1. Le Data Analyst : décrire et expliquer

Le Data Analyst répond à des questions métier à partir de données existantes : combien, où, quand, par rapport à quoi. Il extrait des données (SQL), les prépare, calcule des indicateurs et les présente sous forme de tableaux de bord et de rapports (Excel, Power BI, Tableau, ou Python).

Compétences clés : SQL, statistiques descriptives, visualisation, compréhension du métier, et surtout capacité à expliquer un résultat à des non-spécialistes.

2. Le Data Scientist : modéliser et prédire

Le Data Scientist formule un problème sous forme de question statistique, construit des modèles (prévision, classification, segmentation) et en mesure la fiabilité. Il passe une grande partie de son temps à comprendre le besoin, préparer les données et valider les résultats, plus qu'à choisir un algorithme.

Compétences clés : Python ou R, statistiques et probabilités, apprentissage automatique, évaluation de modèles (validation croisée, métriques adaptées), communication.

3. Le Data Engineer : construire les tuyaux

Le Data Engineer conçoit et exploite les chaînes qui collectent, transforment et stockent les données (pipelines, entrepôts, lacs de données). Sans lui, les analystes et les data scientists n'ont pas de données fiables et à jour.

Compétences clés : SQL avancé, Python ou Scala, orchestration (par exemple Apache Airflow), bases de données et entrepôts, systèmes distribués, qualité des données.

4. Le Machine Learning Engineer : mettre en production

Le Machine Learning Engineer fait passer un modèle de l'expérimentation à un service qui fonctionne en continu : déploiement, surveillance, mise à jour, gestion de la latence et des coûts. On parle de MLOps pour l'ensemble de ces pratiques (voir le glossaire).

Compétences clés : génie logiciel, conteneurs, intégration continue, surveillance de modèles, notions de systèmes distribués.

5. Les rôles autour de l'éthique et de la conformité

L'usage de l'IA est encadré, notamment en Europe par le règlement (UE) 2024/1689, dit « AI Act », et par le RGPD pour les données personnelles. Des organisations confient donc à des juristes, des délégués à la protection des données ou des responsables de la conformité le soin de vérifier les usages à risque (biais, transparence, vie privée). Ces rôles collaborent avec les équipes techniques : comprendre le fonctionnement d'un modèle aide à en évaluer les risques.

Comment choisir sa voie

  • Vous aimez expliquer et convaincre avec des chiffres : Data Analyst.
  • Vous aimez les statistiques et l'expérimentation : Data Scientist.
  • Vous aimez construire des systèmes fiables : Data Engineer ou Machine Learning Engineer.

Les frontières sont poreuses, et les compétences communes (SQL, Python, statistiques, communication) servent dans tous ces métiers. Pour avancer, appuyez-vous sur des projets concrets : la page Projets du site propose des sujets du niveau débutant au niveau avancé, dont plusieurs guidés pas à pas.