C'est probablement la confusion la plus chère qu'on voit en mission Data. Recruter un Data Scientist senior autour de 70 K€ pour faire des dashboards Looker, alors qu'un Data Analyst confirmé autour de 50 K€ aurait suffi.

Les deux métiers se ressemblent sur le CV. Ils ne se ressemblent plus du tout sur le poste. Ce guide pose la frontière en 2026, avec les vraies stacks, les budgets et les cas d'usage. Vous ressortirez avec le bon brief en main.

Data Analyst et Data Scientist : la différence en 2026

Le Data Analyst fait de l'analyse descriptive. Le Data Scientist fait du prédictif et du ML. C'est la première ligne de partage. Tout le reste en découle : outils, recherche, packages.

Le Data Analyst raisonne en passé et présent

Sa question : que s'est-il passé et pourquoi. Il croise SQL, BI tools et statistiques descriptives pour répondre à des questions business concrètes. Combien de leads ont converti ce trimestre. Quel canal a le meilleur ROI. Pourquoi la rétention chute en mois 3.

Le Data Scientist raisonne en futur

Sa question : que va-t-il se passer et comment l'optimiser. Il construit des modèles prédictifs : prévision de churn, scoring d'opportunités, détection de fraude, recommandation produit, NLP, computer vision. Sa journée tourne autour de Python, Jupyter, scikit-learn, PyTorch et les expérimentations A/B sur des cohortes.

Le piège qu'on voit revenir tous les mois

Une scale-up SaaS B2B annonce vouloir « un Data Scientist pour faire parler la donnée ». Après audit, le vrai besoin est un dashboard CFO et trois rapports Sales. Aucun modèle ML à construire. Le Data Scientist va s'ennuyer et partir dans l'année. Le bon profil est un Data Analyst confirmé. Trancher avant le brief évite ce gâchis.

Les outils ne se recoupent qu'en surface

Langage principal

Data Analyst
SQL avancé, Python pandas léger
Data Scientist
Python avancé (scikit, PyTorch, JAX)

Modélisation

Data Analyst
dbt, modèle dimensionnel
Data Scientist
Notebooks, MLflow, Weights & Biases

Visualisation

Data Analyst
Looker, Tableau, Power BI, Metabase
Data Scientist
Matplotlib, Seaborn, Streamlit, Plotly

Calcul / infra

Data Analyst
BigQuery, Snowflake, Databricks SQL
Data Scientist
Databricks ML, Vertex AI, SageMaker, Spark

Méthodologie

Data Analyst
Sprint analytics, validation business
Data Scientist
Expérimentation rigoureuse, A/B test, statistique

Diplôme typique

Data Analyst
École de commerce + spé data, M2 stats
Data Scientist
M2 stats appliquées, M2 IA, doctorat parfois

Le test à poser en call qualif

Demandez au candidat de décrire son dernier livrable mis en production. S'il parle d'un dashboard utilisé chaque semaine par les équipes métier, c'est un Data Analyst. S'il parle d'un modèle de scoring déployé via une API, avec sa métrique de qualité (AUC, F1), c'est un Data Scientist.

Cas d'usage : quand prendre l'un ou l'autre

Cas 1 : structurer le pilotage business

Vous voulez des dashboards exploitables, des KPI partagés, du reporting fiable. Réponse : Data Analyst Confirmé. Pas un Data Scientist.

Cas 2 : prévoir le churn ou scorer des opportunités

Vous voulez un modèle qui prédit qui va partir, qui va acheter, qui va frauder. Réponse : Data Scientist Confirmé. Plus un Data Engineer pour mettre le modèle en prod si ça doit tourner en API.

Cas 3 : optimiser un parcours produit avec A/B test

Vous voulez tester systématiquement les évolutions produit avec rigueur statistique. Réponse : Product Analyst (Data Analyst orienté produit) ou Data Scientist orienté experimentation. Selon la complexité statistique attendue.

Cas 4 : NLP, computer vision, IA générative en prod

Vous voulez classer du texte, analyser des images, déployer un assistant IA en prod. Réponse : Data Scientist spécialisé ML ou NLP, ou Machine Learning Engineer. Ces profils sont chers et longs à recruter.

Salaires Data Analyst vs Data Scientist en 2026

L'écart existe dès le début de carrière et reste modéré. Dans notre baromètre des salaires, le Data Scientist gagne environ 10 % de plus à 5 ans. L'écart passe à 12 % à 8 ans et 16 % à 13 ans. Ce sont des fourchettes de marché en fixe brut à Paris : l'entreprise, sa taille, le diplôme et l'expérience les font bouger.

Junior (0-2 ans)

Data Analyst Paris
35-46 K€
Data Scientist Paris
39-50 K€

Confirmé (3-5 ans)

Data Analyst Paris
42-52 K€
Data Scientist Paris
46-58 K€

Senior (6-10 ans)

Data Analyst Paris
53-64 K€
Data Scientist Paris
58-72 K€

Expert / Lead (10 ans et +)

Data Analyst Paris
65-79 K€ et plus
Data Scientist Paris
75-92 K€ et plus

Head of Data / Head of AI

Data Analyst Paris
80-124 K€
Data Scientist Paris
80-124 K€

Sources : baromètre des salaires Lity, étude APEC 2025 sur la famille data (analyste des données entre 33 et 53 K€, 43 K€ en moyenne) et HelloWork. En région, retirez 10 à 15 % selon la ville. Et après ? Au-delà du palier expert, les postes de Staff, Head of Data, VP Data ou CDO dépassent souvent 100 K€ de fixe.

Ce qui justifie le delta salarial

Le Data Scientist apporte un ROI mesurable quand le modèle entre en production. Un score de churn déployé qui réduit les désabonnements protège du revenu chaque mois, et ce gain se chiffre. Le Data Analyst apporte un ROI plus indirect, par de meilleures décisions. Il est plus difficile à chiffrer, mais il est réel.

Sourcer un Data Analyst ou un Data Scientist : pas les mêmes viviers

Le Data Analyst se chasse sur LinkedIn et les meetups data

LinkedIn Recruiter sur la stack précise (SQL, dbt, Looker). Welcome to the Jungle sur les scale-ups orientées data. Côté événements, PyData Paris et le salon Big Data & AI Paris rassemblent beaucoup d'analystes et d'analytics engineers.

Le Data Scientist se chasse via Kaggle, GitHub et conférences

Le vivier sort des écoles d'ingénieur (Polytechnique, Centrale, ENSAE, ENS) et des masters spécialisés. Sur Kaggle, regardez les profils Expert ou Master avec des notebooks publiés. Sur GitHub, ciblez les contributeurs de projets ML connus (PyTorch, Hugging Face, scikit-learn). Côté conférences, PyData Paris est le rendez-vous des praticiens Python et ML. C'est là que se croisent les profils ML sérieux.

Évaluer un Data Analyst : 3 questions

Question 1 : ton dernier dashboard et sa décision business

Réponse attendue : qui l'utilise, quelle décision il pilote, quel impact mesurable. Si la réponse parle technique sans business, le candidat n'a pas la maturité Confirmé.

Question 2 : un cas où tu as challengé une métrique stakeholder

Réponse attendue : la métrique en question, le biais identifié, la conversation politique avec le stakeholder. Mesure la posture d'analyste vs simple opérateur de Tableau.

Question 3 : quel modèle de données tu changerais aujourd'hui dans ton job

Réponse attendue : un cas concret, la dette identifiée, la solution proposée. Mesure la maturité technique et la capacité à critiquer un stack qu'on hérite.

Évaluer un Data Scientist : 3 questions techniques

Question 1 : ton modèle ML mis en prod et son ROI

Réponse attendue : le problème business, la méthodo de modélisation, la métrique de qualité (AUC, F1, RMSE selon contexte), le ROI mesuré ou estimé. Si le candidat n'a jamais vu un modèle en prod, c'est un Data Scientist académique. Profil utile pour la R&D, pas pour une scale-up qui veut monétiser.

Question 2 : comment as-tu validé que ton modèle ne sur-apprenait pas

Réponse attendue : split train/val/test, cross-validation, courbe d'apprentissage, comparaison à un baseline simple. Si le candidat sèche, niveau Confirmé absent. Test éliminatoire chez nous.

Question 3 : un échec de modèle et ce que tu en as tiré

Réponse attendue : un cas concret avec leakage, biais d'échantillonnage, dérive en prod. Un Data Scientist qui ne raconte que des succès soit ment, soit n'a pas assez d'expérience opérationnelle.

Attention au candidat qui ne parle qu'en algorithmes

Un Data Scientist qui ne parle que de XGBoost, Transformers et Adam optimizer sans aborder le sens business est probablement un théoricien, pas un opérationnel. Cherchez celui qui parle des décisions prises grâce à ses modèles, pas seulement des hyperparamètres tunés.

Le test technique adapté à chaque profil

Test Data Analyst : SQL + cas business 4h

Une heure de SQL sur cas réel plus un take-home de 3h. Livrable : 3 insights chiffrés et un dashboard. Pour aller plus loin, voir la méthode de recrutement par simulation.

Test Data Scientist : cas ML 8h + présentation

On donne au candidat un dataset réaliste (5 à 50k lignes) avec une question business. Livrable attendu : notebook complet (EDA, modélisation, validation, conclusions) + présentation 30 min devant un Data Lead. On évalue la rigueur statistique, la qualité du code, la lecture business des résultats. Plus prédictif qu'un test LeetCode SQL.

J'ai accompagné une marketplace BtoC qui cherchait un Data Scientist senior depuis près de six mois pour « faire de l'IA ». Audit fait, le vrai besoin était un Data Analyst senior et un Analytics Engineer. Le ML viendrait plus tard, une fois la donnée stabilisée. On a signé le Data Analyst en un mois environ. Le Data Scientist aurait été une erreur de casting à ce stade.
Julie Porchez·Head of Data and AI Recruitment chez Lity

Évolutions de carrière à 5 ans

Trajectoire Data Analyst

Junior à 2 ans, Confirmé à 5 ans, Senior à 8 ans. Pivots fréquents : Analytics Engineer, Product Analyst, Data Lead. À 10 ans : Head of Data ou VP Analytics.

Trajectoire Data Scientist

Junior à 2 ans, Confirmé à 5 ans, Senior à 8 ans. Pivots fréquents : Machine Learning Engineer (vers la mise en prod), Research Scientist (vers la R&D), Data Science Lead (vers le management). À 10 ans : Head of ML, Head of AI, ou Chief Data & AI Officer dans les grands groupes.

43 K€

salaire moyen d'un analyste des données (APEC 2025)

+12 %

d'écart de fixe Data Scientist vs Data Analyst à 8 ans (baromètre Lity)

54 K€

rémunération médiane des cadres des métiers du Big Data, fixe et variable (APEC 2025)

Quel profil prendre selon votre maturité data

Matrice Data Analyst vs Data Scientist : quel profil selon votre contexte
Use case prédictif clair (churn, scoring, fraude)
Besoin descriptif (KPI, dashboards, reporting)

Data Analyst d'abord, ML dans 18 mois

Sans data structurée, un Data Scientist tourne en rond. Recruter un DA Confirmé puis un DS dans 18 mois.

Data Scientist Senior + DA Lead

Stack mature et use case prédictif. Le tandem fonctionne. Le recrutement du Data Scientist est le plus long, un cabinet spécialisé fait gagner du temps.

Data Analyst Confirmé seul suffit

Besoin descriptif et donnée déjà propre. Pas de Data Scientist à recruter. Package au prix du marché, LinkedIn et WTTJ suffisent souvent.

Mission impossible sans accompagnement

Pas de data, pas de cas d'usage clair. Faire un audit data par un freelance senior avant de recruter quoi que ce soit.

◀ Data peu structurée (lake brut, peu de gouvernance)
Data mature (warehouse, dbt, gouvernance) ▶

Règle d'or

Sans data structurée, un Data Scientist passe ses journées à nettoyer des fichiers Excel. Démarrer par un Data Analyst ou un Analytics Engineer pour stabiliser la donnée, puis recruter le Data Scientist dans 12 à 18 mois.

Source : Grille de cadrage Lity

Quand passer par un cabinet expert Data

Trois cas où le cabinet est rentable. Vous hésitez entre Data Analyst et Data Scientist (le brief n'est pas cadré). Vous chassez un profil Data Scientist Senior avec ML en prod : marché ultra tendu. Vous avez déjà raté un recrutement et le coût d'erreur dépasse celui du cabinet.

Pour cadrer le brief et chasser le bon profil, parler à un headhunter Data chez Lity évite de payer un senior qui s'ennuiera au bout de quelques mois.

Pour aller plus loin : la fiche complète recrutement Data Analyst et Data Analyst vs Business Analyst.

Cadrer mon besoin Data avec un expert Lity →

Récap : trancher Data Analyst ou Data Scientist en 5 questions

  • Mon besoin est-il descriptif (passé/présent) ou prédictif (futur) ?
  • Ai-je un dashboard final ou un modèle déployé en prod ?
  • Ma donnée est-elle déjà structurée et fiable ?
  • Le ROI viendra-t-il d'une meilleure décision ou d'une automatisation ML ?
  • Mon équipe technique sait-elle déployer un modèle en prod (MLOps) ?
  • Si vous hésitez, prenez d'abord un Data Analyst, puis un Data Scientist dans 12 mois
  • Le Data Scientist sans donnée propre s'ennuie et part dans l'année
  • Chiffrer le ROI prédictif AVANT de recruter, pas après