Le marché Data en France compte plus de 11 000 postes ouverts début 2026 selon les chiffres France Travail. Et pourtant, j'ai accompagnée plusieurs scale-ups qui cherchaient un Data Analyst pendant 4 mois sans signer.
Le souci n'est pas le vivier. C'est la confusion entre les rôles : Data Analyst, Analytics Engineer, Data Engineer, Data Scientist, ML Engineer. Ce guide pose la méthode appliquée chez Lity sur les missions Data, avec les vraies stacks 2026 et les leviers qui débloquent un signing rapide.
Définir le besoin Data avant de rédiger la fiche
La première erreur c'est de demander un Data Scientist alors qu'on a besoin d'un Analytics Engineer pour structurer dbt en interne. Les 5 rôles sont distincts, leurs outils sont différents, leurs salaires aussi.
Les 5 métiers Data : ne pas les confondre
Data Analyst : exploite la data existante, crée des dashboards, répond aux questions business. Analytics Engineer : structure les pipelines dbt, gouverne le modèle de données, fait le pont entre Data Engineer et Data Analyst. Data Engineer : construit l'infrastructure data (Airflow, Snowflake, Databricks). Data Scientist : modélise, fait du ML expérimental, A/B test. ML Engineer : met les modèles en production avec MLOps stack (MLflow, Weights & Biases, Vertex AI).
Piège classique en 2026
Recruter un Data Scientist Senior à 80 K€ pour faire des dashboards Looker quand un Data Analyst Confirmé à 55 K€ aurait suffi. Le Data Scientist s'ennuie en 6 mois et part. Définir le rôle avant le brief évite ce gâchis.
Rédiger une fiche de poste qui parle aux profils Data
Un Data Analyst confirmé reçoit 6 à 10 sollicitations par mois sur LinkedIn. Si la fiche n'expose pas la stack précise, le périmètre business et la maturité data de l'entreprise, elle finit ignorée.
Les 4 sections obligatoires
La stack technique précise : SQL (PostgreSQL, BigQuery, Snowflake), outils de viz (Looker, Tableau, Metabase), modélisation (dbt, Sigma). Le périmètre business : à qui le rôle reporte (CFO, COO, Head of Product), quels stakeholders métier, quels KPI pilotés. La maturité data de l'entreprise : phase de structuration, données fiables ou pas, gouvernance existante. Le contexte produit : SaaS B2B, marketplace, ecommerce, finance.
Construire un package qui matche le marché 2026
Les profils Data confirmés tournent à 1 offre active par profil sur Paris en 2026. La concurrence est forte sur les Senior+ avec expérience MLOps ou Analytics Engineer.
Repères salariaux Data en 2026 (Paris)
| Rôle | Junior (0-2) | Confirmé (3-5) | Senior (6+) |
|---|---|---|---|
| Data Analyst | 40-50 K€ | 52-65 K€ | 70-85 K€ |
| Analytics Engineer | 45-55 K€ | 58-72 K€ | 75-95 K€ |
| Data Engineer | 48-58 K€ | 60-78 K€ | 80-105 K€ |
| Data Scientist | 50-62 K€ | 65-82 K€ | 85-110 K€ |
| ML Engineer | 55-68 K€ | 70-90 K€ | 95-130 K€ |
| Head of Data / Lead Data | — | — | 110-160 K€ |
Sources croisées : APEC 2026, Welcome to the Jungle, baromètre Stack Overflow Developer Survey et JetBrains Data Survey. Sur Lyon, Nantes ou Bordeaux, retirer 5 à 10% sur le fixe.
Diffuser et chasser : où trouver les bons profils Data
Le mix qui fonctionne en 2026
LinkedIn Jobs reste la base sur Paris. Welcome to the Jungle est très efficace sur les scale-ups data-driven. WeLoveDevs et AISummer marchent bien sur les profils ML / Data Engineer.
La chasse LinkedIn : 70% des signings Data
Sur les profils Data confirmés, l'annonce ne suffit jamais. Les bons profils sont déjà en poste et reçoivent 6 à 10 messages par semaine. L'autre canal sous-exploité : les meetups et conférences (PyData, dataXday, Data Bzh, Tribu Sales / Tribu Data). C'est là que se croisent les builders sérieux.
Trier les CV et qualifier en 30 minutes
Le call qualif Lity : 3 questions pour Data Analyst
Question 1. Raconte-moi le dernier dashboard que tu as construit, qui l'utilise, quelles décisions ils prennent dessus. Si le candidat parle technique sans business, c'est un signal faible. Un bon Data Analyst raisonne en impact métier.
Question 2. Comment tu vérifies la qualité de tes données avant de publier un dashboard ? Réponse attendue : tests dbt, reconciliation manuelle, validation avec stakeholders métier. Si le candidat répond 'visuellement, je regarde si ça semble cohérent', niveau confirmé absent.
Question 3. Quel modèle de données ou pipeline tu changerais aujourd'hui dans ton job actuel et pourquoi ? C'est là qu'on apprend si le candidat a la maturité de critiquer constructivement son stack actuel.
Attention au candidat qui ne parle qu'en outils
Un Data Analyst qui ne parle que de Tableau ou Power BI sans aborder le sens métier des chiffres est probablement un opérateur, pas un analyste. Cherchez celui qui parle des décisions prises grâce à ses dashboards, pas seulement des outils utilisés.
Le test technique Data : SQL et cas business
L'épreuve SQL : 60 minutes sur cas réel
On donne au candidat un schéma de base de données réaliste (ecommerce, SaaS B2B, ou marketplace). Cinq questions de complexité croissante : agrégation simple, jointure multiple, fenêtre window, sous-requête, optimisation. Plus prédictif qu'un test sur LeetCode SQL parce qu'on est sur un cas business.
Le cas data complet (take-home)
Pour un Senior+ ou Analytics Engineer, ajouter un cas take-home : analyser un dataset réel, livrer un dashboard ou un modèle dbt en 4 à 6 heures. On regarde la qualité du code, la rigueur méthodologique, la clarté du livrable. Pour aller plus loin sur ce format, voir la méthode de recrutement par simulation.
L'entretien manager : 3 questions qui révèlent la maturité
Question 1. Comment tu présenterais une analyse négative à un Head of Sales qui croit le contraire ? Mesure la diplomatie technique du candidat.
Question 2. Quelle métrique tu pousseras pour structurer la prise de décision dans ce rôle ? Mesure la maturité business.
Question 3. Quel est le plus gros doute que tu as eu sur une analyse, et comment tu l'as géré ? Mesure la rigueur intellectuelle.
J'ai accompagnée une scale-up parisienne qui voulait recruter un Data Scientist Senior avec 8 ans d'expérience PyTorch. Après 3 mois sans signer, on a redéfini le brief : Analytics Engineer Confirmé avec dbt et SQL avancé. Signé en 26 jours. Le bon profil n'était pas plus rare, juste mal nommé.
Formuler l'offre et négocier le closing
Le timing du package
Annoncer le package complet dès l'offre formelle. Sur les profils Data, le télétravail (3 à 5 jours par semaine) et le budget formation (conférences, certifications cloud) pèsent souvent autant que le fixe.
La contre-offre : 7 cas sur 10
Sur les profils Data confirmés, 7 candidats sur 10 reçoivent une contre-offre. On l'anticipe dès le call qualif. La vraie raison du départ doit être autre que financière.
L'onboarding Data : 60 jours pour un profil autonome
Semaine 1 à 2 : accès aux outils, écoute des stakeholders
Setup complet des accès : data warehouse, BI tool, dbt, Git, dashboards existants. Rencontre 1:1 avec les stakeholders métier (Sales, Product, Finance). Lecture des analyses passées et de la documentation data interne.
Mois 1 à 2 : premier livrable structurant
À M1, le candidat livre son premier dashboard ou modèle dbt en autonomie. À M2, il anime sa première revue data avec les stakeholders. Le quota plein arrive à M3 : objectifs alignés sur les KPI business de son périmètre.
Avant tout : votre boîte attire-t-elle vraiment les bons profils Data ?
Un profil Data confirmé évalue trois critères avant de rejoindre : la maturité data de l'entreprise, la clarté du business case, et l'autonomie laissée. Sans deux critères favorables sur trois, le recrutement traîne.
Mission de structuration
Analytics Engineer Senior à fort track record. Package +10% au-dessus marché. 40 à 55 jours via cabinet expert Data.
Le rêve Data
Data Analyst Confirmé reconnu, scale-up vétéran. Package marché ± 5%. 28 à 35 jours via LinkedIn + WTTJ.
Mission impossible sans accompagnement
Data Scientist évangéliste rare. Package +20% + autonomie totale. 60 à 90 jours via cabinet obligatoire.
Recrutement Senior obligatoire
Head of Data ou Lead ML. Package +10 à 15% au-dessus marché. 45 à 65 jours via cabinet expert Data.
Règle d'or
Sans deux critères favorables sur trois (maturité data démontrée, business case clair, autonomie laissée), vous n'attirerez pas les meilleurs profils Data en interne. Compensez par un cabinet expert et un budget formation conséquent.
Quand passer par un cabinet de recrutement Data comme Lity
Trois cas où le cabinet est rentable. Vous démarrez votre fonction Data (premier hire). Vous chassez un profil rare (ML Engineer Senior, Analytics Engineer dbt expert, Head of Data). Vous avez déjà raté un recrutement et le coût d'erreur dépasse celui du cabinet.
Pour un profil Data confirmé chassé en moins de 35 jours, parler à un headhunter Data chez Lity est souvent plus rapide que monter une équipe interne.
Récap : la check-list pour signer un bon profil Data
- Trancher Data Analyst, Analytics Engineer, Data Engineer, Data Scientist, ou ML Engineer dès le brief
- Construire une scorecard chiffrée sur les KPI business pilotés
- Caler le package au marché 2026 avec budget formation et télétravail clair
- Mixer LinkedIn + WeLoveDevs + meetups (PyData, dataXday)
- Qualifier en 30 minutes avec 3 questions sur le business, pas la technique
- Pousser un test SQL de 60 minutes sur cas business + take-home pour Senior+
- Anticiper la contre-offre dès le premier call qualif
- Bâtir un onboarding 60 jours avec 1er livrable à M1
