C'est probablement la confusion la plus chère qu'on voit en mission Data. Recruter un Data Scientist Senior à 90 K€ pour faire des dashboards Looker, alors qu'un Data Analyst Confirmé à 55 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 à 9 mois. Le bon profil est un Data Analyst Confirmé. Trancher avant le brief évite ce gâchis.
Les outils ne se recoupent qu'en surface
| Type d'outil | Data Analyst | Data Scientist |
|---|---|---|
| Langage principal | SQL avancé, Python pandas léger | Python avancé (scikit, PyTorch, JAX) |
| Modélisation | dbt, modèle dimensionnel | Notebooks, MLflow, Weights & Biases |
| Visualisation | Looker, Tableau, Power BI, Metabase | Matplotlib, Seaborn, Streamlit, Plotly |
| Calcul / infra | BigQuery, Snowflake, Databricks SQL | Databricks ML, Vertex AI, SageMaker, Spark |
| Méthodologie | Sprint analytics, validation business | Expérimentation rigoureuse, A/B test, statistique |
| Diplôme typique | École de commerce + spé data, M2 stats | 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. Si la réponse parle d'un dashboard exploité par 50 utilisateurs métier, c'est un Data Analyst. Si la réponse parle d'un modèle de scoring déployé via une API et son AUC de 0.84, 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/NLP ou Machine Learning Engineer. Profils chers et rares en 2026.
Salaires Data Analyst vs Data Scientist en 2026
L'écart se creuse à partir de 5 ans d'expérience. À 8 ans, un Data Scientist Senior se signe 15 à 25% plus cher qu'un Data Analyst Senior.
| Niveau | Data Analyst Paris | Data Scientist Paris | Régions (-5 à 10%) |
|---|---|---|---|
| Junior (0-2 ans) | 40-50 K€ | 50-62 K€ | 38-56 K€ |
| Confirmé (3-5 ans) | 52-65 K€ | 65-82 K€ | 48-72 K€ |
| Senior (6-9 ans) | 70-85 K€ | 85-110 K€ | 64-95 K€ |
| Lead / Principal | 85-110 K€ | 110-150 K€ | 95-130 K€ |
| Head of Data / Head of ML | 110-160 K€ | 130-200 K€ | 110-170 K€ |
Sources croisées : APEC 2026, Welcome to the Jungle, Stack Overflow Developer Survey et JetBrains Data Survey.
Ce qui justifie le delta salarial
Le Data Scientist apporte un ROI mesurable quand le modèle entre en prod. Un score churn déployé qui réduit le taux de désabonnement de 12% dans une scale-up SaaS génère plusieurs millions de revenus protégés par an. Le Data Analyst apporte un ROI indirect (meilleure prise de décision), plus difficile à chiffrer mais 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 data-driven. Meetups Tribu Data, dataXday et Tribu Sales pour le Product Analyst.
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 Master ou Expert avec contributions notebooks. Sur GitHub, ciblez les forks de repos ML connus (PyTorch, Hugging Face, scikit-learn). Conférences à scanner : PyData Paris, France is AI, Applied ML Days. C'est là que se croisent les builders 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 6 mois pour 'faire de l'IA'. Audit fait, le vrai besoin était un Data Analyst Senior + un Analytics Engineer. Le ML viendrait dans 18 mois, après stabilisation de la donnée. On a signé en 32 jours sur le DA. Le DS aurait été un mauvais cast à ce stade.
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.
Quel profil prendre selon votre maturité data
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. Tandem efficace. Package marché +5%. 50 à 70 jours via cabinet.
Data Analyst Confirmé seul suffit
Besoin descriptif et data déjà propre. Pas de DS à recruter. Package marché. 30 à 40 jours via LinkedIn + WTTJ.
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.
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.
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 dépenser 80 K€ sur un Senior qui s'ennuiera à 6 mois.
Pour aller plus loin : la fiche complète recrutement Data Analyst et Data Analyst vs Business Analyst.
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 décision data-driven 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 data propre s'ennuie et part à 9 mois
- Chiffrer le ROI prédictif AVANT de recruter, pas après
