Les métiers 3 min de lecture

Data engineer, data scientist, analytics engineer : qui fait quoi, et qui recruter en premier

Trois intitulés, trois métiers, et une erreur fréquente : recruter le data scientist avant d'avoir des données propres. L'ordre qui marche, et ce que chaque profil doit savoir faire.

Nous recevons chaque mois des briefs pour « un profil data » qui, une fois décortiqués, décrivent trois métiers différents. Et un cas revient sans cesse : l’entreprise recrute un data scientist, découvre que ses données sont inexploitables, et paie 60 k€ par an quelqu’un qui nettoie des fichiers CSV. Ce n’est la faute de personne — sauf de l’ordre de recrutement.

Trois métiers, en une phrase chacun

MétierCe qu’il produitCe qu’il doit savoir faire
Data engineerDes pipelines fiables et un entrepôt propreSQL avancé, Python, orchestration (Airflow, Dagster), modélisation, Spark ou équivalent, idempotence, alerting
Analytics engineerDes modèles de données documentés et testés, prêts pour les métiersSQL excellent, dbt, modélisation dimensionnelle, tests de données, compréhension métier
Data scientistDes modèles qui répondent à une question, et qui tournentStatistiques, Python, évaluation rigoureuse, mise en production, et savoir dire quand un modèle est inutile

L’ordre qui marche

1. D’abord le data engineer

Sans données fiables, tout le reste est du bricolage. Le premier recrutement data doit construire les fondations : ingestion, entrepôt, qualité, monitoring. C’est le poste le moins visible et le plus déterminant.

2. Ensuite l’analytics engineer

Quand les données arrivent proprement, il faut les rendre lisibles : des modèles nommés, documentés, testés, que les métiers peuvent interroger sans appeler l’équipe. C’est lui qui transforme un entrepôt en outil.

3. Enfin le data scientist — si une question le justifie

Pas « pour faire de l’IA ». Pour répondre à une question précise dont la réponse change une décision : prédire le churn, optimiser un stock, détecter une fraude. Sans cette question, le poste s’ennuie et part au bout d’un an.

Les confusions qui coûtent cher

  • Chercher un « data scientist full-stack » qui ferait les trois : il existe, il coûte 100 k€, et il partira quand il se rendra compte qu’il ne fait que de la plomberie.
  • Recruter sur les outils : « Snowflake » ou « dbt » s’apprennent en un mois. La modélisation et la rigueur, non.
  • Confondre analytics engineer et analyste BI : le premier construit les modèles, le second consomme les tableaux de bord. Les rémunérations diffèrent de 10 k€.

Ce que nous vérifions en entretien

  • Pour un data engineer : une requête SQL réelle à optimiser, et le récit d’un pipeline qui a cassé un lundi.
  • Pour un analytics engineer : modéliser un cas métier simple, et expliquer un choix de grain.
  • Pour un data scientist : un jeu de données avec une fuite cachée. Ceux qui la trouvent ont déjà mis un modèle en production.

Repères de rémunération

Profil2 à 5 ans5 ans et plusTJM
Data engineer42 – 58 k€60 – 80 k€500 – 850 €
Analytics engineer45 – 62 k€60 – 78 k€520 – 800 €
Data scientist45 – 60 k€60 – 85 k€500 – 900 €

Le meilleur data scientist du monde ne fera rien de vos données si personne ne les a rendues fiables avant lui.

La rédaction d'Ofolo Les chiffres cités proviennent de nos recherches et des offres que nous suivons en France. Ils sont datés : un article de plus d'un an mérite d'être recoupé avant d'être utilisé.
À lire ensuite

Sur le même sujet

Vous recrutez sur ce métier ?

Décrivez-nous le poste. Nous vous dirons sous 24 h ouvrées si le profil existe au budget prévu — et ce qu'il faudrait ajuster sinon.