Data Analyst, Data Scientist, Data Engineer : quelle différence ?

On confond souvent ces trois métiers de la data. Ils travaillent sur la même matière première — les données — mais avec des objectifs et des outils différents. Voici comment t'y retrouver pour choisir ta voie. Le Data Analyst : donner du sens Sa mission : transformer des données brutes en décisions. Il nettoie les données, construit des tableaux de bord (Power BI, Tableau, Looker) et répond à des questions métier : « pourquoi les ventes ont baissé ce mois-ci ? ». Outils : SQL, Excel, un peu de Python, et surtout un bon esprit d'analyse. Le Data Scientist : prédire Il va plus loin que le constat : il modélise et prédit. Machine learning, statistiques avancées, expérimentation. Il répond à « combien allons-nous vendre le mois prochain ? ». Outils : Python (pandas, scikit-learn), statistiques, et de plus en plus l'IA générative. Le Data Engineer : construire les tuyaux Sans lui, les deux autres n'ont pas de données propres à exploiter. Il construit les pipelines qui collectent, transforment et stockent la donnée à grande échelle. Outils : SQL, Python, Spark, cloud (AWS/GCP/Azure), orchestration (Airflow). Par où commencer ? Le Data Analyst est souvent la porte d'entrée la plus accessible. Maîtrise SQL à fond, apprends un outil de visualisation, et entraîne-toi sur des jeux de données réels (data.gouv, Kaggle). Tu pourras ensuite évoluer vers la data science ou l'engineering selon tes affinités.