Data Analyst
Questions fréquentes sur le recrutement pour un poste de Data Analyst, et les erreurs qui le font le plus souvent échouer.
Erreurs de recrutement courantes pour ce poste
Embaucher un·e Data Scientist quand vous avez besoin d'un·e Analyst
Le·la Data Scientist se concentre sur les modèles statistiques avancés et le machine learning ; le·la Data Analyst se concentre sur les questions métier, le SQL, les dashboards, et la communication aux stakeholders. En PME early-stage ou en phase de PMF, 95 % des questions data sont du reporting et de l'analyse ad-hoc, pas du ML. Recruter un·e Data Scientist senior à 75 k€ pour produire des dashboards Looker mène à une démotivation rapide du·de la candidat·e et à un retour sur investissement faible pour l'entreprise. Commencez par un·e Data Analyst solide ; le·la Data Scientist devient pertinent·e à partir de 5-10 personnes dans l'équipe data ou quand des cas d'usage ML clairs émergent (scoring de leads, prédiction de churn avec volume suffisant).
Sur-pondérer les compétences SQL au détriment du jugement métier
Beaucoup de processus de recrutement data filtrent à 80 % sur le test SQL et à 20 % sur l'entretien métier. Or un·e analyste avec un SQL de niveau 4 / 5 et un jugement métier de niveau 5 / 5 produit infiniment plus de valeur qu'un·e analyste avec SQL 5 / 5 et jugement métier 2 / 5. Le SQL s'apprend en 6-12 mois sur le terrain ; le jugement métier prend des années à se développer. Allouez au moins autant de poids à la mise en situation métier (stade 4) qu'au test SQL (stade 3). Méfiez-vous des candidat·e·s qui parlent SQL et stack mais ne savent pas reformuler une question métier.
Attendre du ML quand le problème est du reporting
« On veut prédire le churn », « on veut un système de recommandation », « on veut un scoring automatique des leads ». En PME early-stage avec quelques centaines à quelques milliers de clients, le volume de données est rarement suffisant pour un modèle ML sérieux ; et même quand il l'est, le ROI d'un modèle vs une règle business simple est souvent négatif pendant 12-18 mois. Le bon premier livrable est presque toujours un dashboard et une analyse de cohorte rigoureuse, pas un modèle. Cadrez vos attentes en entretien et n'attirez pas un·e candidat·e ML-first sur un poste reporting-first ; il·elle partira en 6 mois.
Ne pas considérer la dimension stakeholder management
Un·e Data Analyst en PME passe 30-50 % de son temps en interaction métier : reformuler des demandes, présenter des résultats, dire non à des rapports inutiles, accompagner les dirigeant·e·s dans leur lecture des chiffres. Recruter sur les seuls signaux techniques (SQL, dbt, stack) sans évaluer la communication transverse produit un·e analyste qui livre techniquement mais ne change pas les décisions métier. Évaluez explicitement la communication en entretien (mise en situation présentation, questions situationnelles sur des demandes contradictoires).
Traiter la data comme une fonction technique pure
Beaucoup de PMEs placent leur premier·ère Data Analyst dans l'équipe tech sous la·le CTO, par défaut. Or la valeur d'un·e analyste vient de sa proximité avec les décideur·euse·s métier (CEO, head of sales, head of product) ; le rattachement tech tend à l'isoler des questions stratégiques et à le·la limiter à des chantiers d'instrumentation. En PME, rattachez plutôt la fonction data directement au CEO ou à un·e dirigeant·e métier, et collaborez avec la tech pour les sujets d'infrastructure. Si la première hire data est en cellule tech-isolée, anticipez une rotation rapide ou une frustration côté direction.