Tout savoir sur le métier de Data Analyst
Le Data Analyst est en charge d’analyser les données et les informations qu’il ou elle a recueillies. Après cette phase d’analyse, le rapport est transmis aux dirigeants afin qu’ils puissent prendre des décisions avec plus de justesse.
Les sujets de la data abondent les débats depuis plusieurs années. Et pour cause : plus on en possède, plus on capitalise. Encore faut-il être en capacité d’en extraire la substantifique moelle.
C’est donc face à l’afflux de données présentes sur le web que le Data Analyst intervient. Même s’il répond à de nombreuses problématiques, ce métier est encore assez peu exploité par les entreprises en France.
C’est sur l’application phare, Clubhouse, que j’ai interrogé 3 experts de la Data Analyse : Chams Sallouh, Mélanie Lemoine, Hédi Belgacem. En tant que débutant.e, vous trouverez dans cet article les réponses à vos interrogations.
“Errors using inadequate data are much less than those using no data at all.”
– Charles Babbage, inventor and mathematician
“If the statistics are boring, you’ve got the wrong numbers.”
Edward Tufte, Professor emeritus of political science, statistics, and computer science at Yale University
Quelle est la journée type d’un Data Analyst ? Accompagnez-vous l’équipe marketing dans leur stratégie suite à vos analyses ?
Il faudrait distinguer 3 cheminements au métier de Data Analyst plutôt qu’une journée type :
1) La phase de développement : nous pouvons être appelé en tant que consultant sur une mission ponctuelle. Ici, nous relevons les besoins du client lors d’un entretien. Nous regardons ensemble ce qui n’a pas été calculé. Ensuite, nous transmettons aux équipes le compte-rendu, puis la mission se termine.
2) Analyser quotidiennement les données : avec les investissements accordés et les opérations marketing réalisées, nous relevons ce qui a été fait en numérique ou physique. Après la phase analytique, nous faisons remonter aux équipes et aux dirigeants le tout dans un rapport.
3) Avec l’intelligence artificielle, le futur de la Data Analyse sera entre nos mains : l’IA surveillera les données et nous alertera lorsqu’une tendance ou une anomalie sera décelée. En tant que Data Analyst, nous sommes le protecteur de ce flot d’insights pour détecter ce qui est pertinent ou non.
Quels sont les outils indispensables d’un Data Analyst ?
- Power BI : Outil d’analyse proposé par Microsoft où les données prennent vie sous de nombreuses visualisations (diagramme circulaire, en bâton, graphique à aires jalonnées…). Les insights peuvent être segmentés, prédéfinis, et personnalisés en amont. Exportation possible sur Powerpoint et Excel
- Tableau : il convient aux moyennes et grandes entreprises car il peut absorber une grande volumétrie de données. Ainsi, Tableau demande une plus grande technicité comparé à Power BI
- Periscope Data devenu Sisense : Grâce aux connaissances du codage SQL, Python ou R, l’outil offre la possibilité de se connecter à sa base de données afin d’étudier les données brutes. De plus, l’outil est facilement utilisable à l’aide de sa fonctionnalité drag-and-drop
Il est souvent indiqué dans les offres de stage, que l’un des pré-requis au métier de Data Analyst est la maîtrise du langage SQL et Python ? Est-ce primordial ?
Le langage SQL est un langage commun, capable de traiter un flux de données volumineux. C’est pourquoi sa maîtrise est recommandée. A cet égard, vous pouvez approfondir ce principe en étudiant ce qu’est l’API (Application Programming Interface) et en vous intéressant à la notion de cube : servir une grande quantité de personnes en même temps, sans pour autant casser tout l’écosystème.
Concernant Python, il permet de créer l’ensemble des interfaces que nous utilisons chaque jour : application et bot par exemple. Alors, tout dépend des interfaces de l’entreprise. Par ailleurs, la maîtrise du langage Python est un réel tremplin sur le marché du travail. Certaines l’utilisent pour constituer leurs plateformes.
Cependant, nous pensons que la priorité devrait être mise sur le langage DAX et le langage M.
DAX (Data Analysis Expérience) permet de créer des formules qui détectent ce que l’on souhaite analyser. Tandis que, le langage M réalise des actions simples mais extrêmement utiles sur le requêteur de Power BI, tel que la comparaison de ses chiffres annuels par rapport à n-1.
Dax.Guide répertorie la liste des fonctions répondant à un cas précis.
Est-il indispensable d’avoir suivi une formation d’ingénieur pour être Data Analyst ?
C’est une idée reçue ! Pas besoin d’être ingénieur pour exercer le métier de Data Analyst, tout est une question de volonté. Pour la maîtrise des plateformes, entraînez-vous avec OpenData pour la récolte de données puis sur Power BI pour créer vos rapports.
Nous sommes dans une société open source : le savoir est partout. Nous pouvons nous former au métier d’une multitude de façon.
A noter qu’il n’y a pas de concurrence réelle sur le marché : les ingénieurs diplômés sont peu nombreux par rapport à la demande de Data Analyst.
Les données ne sont, en général, pas difficiles à comprendre. Sauf pour certains secteurs tels que : l’Energie, l’IoT, le Médical où les données sont plus compliquées à comprendre.
Attention à ne pas confondre Data Analyst et Data Scientist.
En sortie d’études, beaucoup d’étudiants n’ont pas encore intégré la réalité du marché (manque d’expérience terrain). Recommanderiez-vous en 1er lieu d’acquérir une expérience terrain qui faciliterait notre approche ?
Oui, c’est recommandé. Certains diplômés de formation retail font certaines erreurs : par exemple, mettre dans le calcul des produits, le poids du packaging alors que seul le contenu compte. Des erreurs qui bâtissent l’expertise. Ne pas avoir cette approche terrain handicaperait le Data Analyst dans son secteur. Comment analyser des éléments qu’on ne connaît pas ?
Fin d’interview
Les données sont une mine d’or que les entreprises doivent exploiter. C’est bien pour cela qu’on parle de Wall Garden concernant les GAFAM (sociétés gardant les données entre elles). Leur succès est aussi dû aux talents qui maîtrisent, jouent et manient quasi à la perfection ces données. Utilisez ces talents pour propulser vos chiffres trimestriels.