Contenu
Les métiers autour de la Data sont des postes très répandues dans les entreprises et en startup / scale-up. Les enjeux de récupération, de traitement, d'analyse et de construction de modèles autour de la donnée et du Big Data ont permis de voir se développer de nombreux postes : Data Analyst, Data Scientist, Machine Learning Engineer, Data Engineer...
Cet article vous aidera à y voir plus clair parmi tous ces métiers Tech que l'on retrouve dans beaucoup de startups en France
Les différences entre le métier de Data Analyst et de Data Scientist
Le rôle du Data Analyst est de faire parler les données. Ainsi, son objectif principal est la réalisation d'analyses, de dashboards et de reporting à destination de l'ensemble des services de l'entreprise. Le travail du Data Analyst alimente ainsi le pilotage de la performance de l'entreprise et permet de prendre les meilleurs décisions business possibles. Il a donc pour rôle de :
- Collecter et traiter les données de l'entreprise
- Réaliser les analyses demandés par le Business et construire les dashboards associés (tableaux de bord)
Le Data Analyst est donc un expert des bases de données (BDD), du requêtage (langage SQL), des outils de Data Visualisation (Power BI, Tableau, Qlik)
Le rôle du Data Scientist est de réaliser des modèles de Machine Learning. Il peut s'appuyer sur différentes typologies de données :
- Des données chiffrées ou quantitatives
- Des textes, on parle alors de NLP (Natural Processing Language)
- Des images
A partir de ces données, le Data Scientist construit et développe des algorithmes prédictifs qui vont être entrainé sur des jeux de données de plus en plus grands et permettre de prendre des décisions de manière autonome. On parle alors de modèles de Machine Learning, où un algorithme développé par un Data Scientist "apprend". Ces modèles permettent de construire une Intelligence Artificielle ou IA qui possède de nombreuses applications. On peut citer plusieurs cas d'applications de ces modèles :
- Réalisation de modèles prédiction de vente
- Génération automatique de texte sur la base d'input (ChatGPT est l'exemple le plus récent et le plus connu)
- Reconnaissance d'images dans le milieu médical pour aider les médecins radiologues dans leur diagnostic
En plus d'être un expert de la Data, le Data Scientist dispose des compétences pour la réalisation de ces développements, généralement en utilisant le langage Python.
En synthèse, la différence principale est ces deux métiers est que le Data Analyst analyse des données existantes, là où le Data Scientist les exploite afin de créer des modèles de Machine Learning.
A la recherche de profils dans la Data ? Consultez notre page dédiée : Cabinet de recrutement data
Quid des Data Engineer VS Data Analyst / Data Scientist ?
Le rôle du Data Engineer est de construire les modèles et pipelines de données qui vont alimenter ensuite les Data Analysts et Data Scientists dans la réalisation de leurs analyses, dashboard et modèles.
Les missions principales d'un Data Engineer sont donc :
- La gestion d'une infrastructure Cloud (GCP, Azure, AWS)
- La gestion de projet Data : Implémentation de pipelines de données, gestion d'un Data Lake / Data Warehouse...
Par certains aspects, les compétences d'un Data Engineer se rapprochent de ceux d'un Backend Déveloper, avec une dimension plus forte autour des sujets de la donnée.
Les différences entre le métier de Data Scientist et de ML Engineer
👉 Pour plus d'informations sur ce sujet, retrouvez notre article dédié Machine Learning Engineer vs Data Scientist
Lorsque l'on pousse encore plus loin sur les sujets de Data Science, on arrive à un métier supplémentaire qui est celui de Machine Learning Engineer ou ML Engineer. Des disparités existent sur ces rôles en fonction des entreprises.
Généralement, le Data Scientist a pour rôle de développer des algorithmes pour résoudre un problème. Ce sont généralement des POC (Proof of Concept) qui permettent de prouver l'intérêt d'une solution de Data Science pour une problématique donnée, un POC étant une sorte de prototype d'un modèle de Machine Learning.
Le ML Engineer, va avoir pour objectif d'industrialiser l'algorithme et de permettre le passage à l'échelle du modèle sur un jeu de données plus important et sur une durée plus longue. Il traite ainsi des sujets de déploiement de modèles, de ré-entrainement... Par certains aspects, le ML Engineer va mettre en œuvre des compétences de Data Engineering pour la réalisation de ses missions.
Certains profils mêlent un rôle de Data Scientist et de ML Engineer, là où d'autres sont plus spécialisés.
Quid du du Deep Learning par rapport au Machine Learning ?
Le Deep Learning est un terme que l'on peut souvent rencontrer quand on évoque la Data Science. C'est une technique de Machine Learning qui s'appuie sur la constitution de réseaux de neurones et permettent de réaliser des algorithmes encore plus complexes. Le Deep Learning permet d'aller chercher des niveaux de performance qui ne sont pas atteignables avec des modèles de Machine Learning classiques.
A la recherche de profils dans l'Intelligence Artificielle ? Consultez notre page dédiée au recrutement dans l'AI : Cabinet de recrutement IA
Pour aller plus loin
Retrouvez toutes les offres d'emploi de Data Analyst et les offres d'emploi de Data Scientist et ML Engineer en startup sur la plateforme de recrutement Licorne Society.
Pour plus d'informations sur les parcours associés, la formation nécessaire pour ces métiers, ainsi que sur les niveaux de salaires en startup, retrouvez l'ensemble des fiches métiers startup, ainsi que notre étude sur les salaires en startup
Pour aller plus loin sur les métiers Tech, retrouvez notre article à ce sujet sur notre blog qui recense l'ensemble des métiers Tech et Produit en startup et scale-up, avec notamment le rôle de Head of Data.
