Data engineer, data analyst, data scientist : qui recruter en premier ?

Vous avez obtenu le budget pour lancer votre équipe data. La direction valide le projet, les enjeux sont clairs, et maintenant se pose la question du premier recrutement. Data engineer, data analyst ou data scientist ? Les trois profils reviennent systématiquement dans les discussions, souvent avec des arguments contradictoires. Certains plaident pour l'ingénieur qui posera les fondations techniques. D'autres insistent sur l'analyste qui délivrera de la valeur rapidement. D'autres encore misent sur le scientifique qui apportera l'innovation.

La réalité est moins binaire qu'il n'y paraît. Recruter le mauvais profil en premier ne se traduit pas simplement par un ralentissement du projet. Cela génère de la frustration, des promesses non tenues, et parfois un échec qui compromet durablement la crédibilité de l'initiative data dans l'organisation.

Voici comment prendre cette décision en fonction de votre contexte réel, et non des tendances du moment.

Comprendre ce que fait réellement chaque profil data

Avant de recruter, il faut clarifier ce que ces trois métiers font concrètement au quotidien. Les définitions varient d'une organisation à l'autre, mais on observe des constantes qui permettent de distinguer les rôles.

Le data engineer construit et maintient l'infrastructure qui permet de collecter, stocker et transformer les données. Il conçoit des pipelines qui récupèrent les données depuis différentes sources, les nettoient, les standardisent, et les rendent accessibles pour d'autres équipes. Son périmètre inclut les bases de données, les outils d'orchestration, les questions de volumétrie et de performance. Sans lui, pas de données fiables disponibles en temps voulu.

Le data analyst transforme les données en recommandations business. Il explore les données, crée des tableaux de bord, identifie des tendances, et aide les équipes métier à prendre des décisions éclairées. Son quotidien mêle SQL, outils de visualisation, et surtout, beaucoup d'échanges avec les opérationnels pour comprendre leurs besoins et traduire les chiffres en actions concrètes.

Le data scientist développe des modèles prédictifs et des algorithmes qui automatisent ou améliorent des processus métier. Il travaille sur des problématiques comme la prévision de la demande, la détection d'anomalies, la recommandation personnalisée. Ses journées alternent entre exploration statistique, feature engineering, entraînement de modèles et, souvent, beaucoup de travail pour mettre ces modèles en production de manière fiable.

Ces trois profils ne sont pas interchangeables. Ils répondent à des besoins différents, et c'est précisément cette complémentarité qui rend le choix du premier recrutement si stratégique.

Recruter selon l'état réel de vos données

La première question à se poser n'est pas « Qu'est-ce qu'on veut faire avec nos données ? » mais « Dans quel état sont nos données aujourd'hui ? »

Si vos données sont éparpillées dans des outils qui ne communiquent pas entre eux, si personne ne sait exactement ce qui existe, si extraire un chiffre fiable demande trois jours et l'intervention de quatre personnes différentes, alors vous avez un problème d'infrastructure. Recruter un data analyst ou un data scientist dans ce contexte revient à demander à quelqu'un de cuisiner un plat gastronomique avec un réfrigérateur vide et des plaques électriques défectueuses.

Un data engineer sera votre priorité si vous êtes dans cette situation. Il posera les fondations : centralisation des données, création de sources de vérité uniques, automatisation des flux qui aujourd'hui nécessitent des exports manuels. Ce travail est invisible pour la direction, peu glamour, mais absolument indispensable. Sans cette base solide, tout projet data sera constamment ralenti par des problèmes de qualité ou d'accessibilité.

En revanche, si vos données sont déjà centralisées dans un data warehouse fonctionnel, si les équipes métier ont accès à des outils qui leur permettent de requêter simplement, alors l'infrastructure n'est pas votre goulot d'étranglement. Le problème devient plutôt : personne ne sait réellement quoi faire de ces données, les tableaux de bord existants ne répondent pas aux bonnes questions, et les décisions continuent de se prendre au feeling.

Dans ce cas, un data analyst devient le premier recrutement logique. Il va rapidement démontrer la valeur des données en créant des analyses qui éclairent des décisions concrètes. Il va aussi identifier les manques, les incohérences, et formuler des demandes d'évolution qui guideront vos prochains investissements techniques.

Et le data scientist dans tout ça ?

Le data scientist arrive rarement en premier. Non pas parce que son rôle est moins important, mais parce qu'il a besoin de conditions préalables pour être efficace. Un data scientist sans données propres et accessibles passe 80 % de son temps à faire du nettoyage et de l'ingénierie de données, ce qui est une utilisation coûteuse et frustrante de ses compétences. Un data scientist sans compréhension fine des enjeux métier risque de développer des modèles techniquement impressionnants mais opérationnellement inutiles.

Recruter un data scientist en premier a du sens dans un contexte très particulier : vous avez déjà une infrastructure data solide, une bonne culture analytique, et un cas d'usage business clairement identifié qui nécessite du machine learning. Ce n'est pas la situation de départ de la plupart des organisations.

Adapter votre choix à vos objectifs immédiats

Au-delà de l'état de vos données, vos priorités business influencent également le profil à recruter en premier.

Si votre objectif principal est de démontrer rapidement la valeur de la data auprès de la direction ou des équipes métier, le data analyst est votre meilleur allié. Il peut délivrer des résultats visibles en quelques semaines : un tableau de bord qui fait gagner deux heures par semaine aux commerciaux, une analyse qui révèle pourquoi les clients se désabonnent, une segmentation qui améliore le ciblage marketing. Ces victoires rapides sont essentielles pour construire la légitimité de votre équipe data et obtenir les budgets nécessaires pour la suite.

Si votre priorité est de poser des bases pérennes pour des projets data ambitieux à moyen terme, le data engineer prend le dessus. Vous acceptez un investissement plus long avant de voir des résultats tangibles, mais vous évitez de devoir tout refaire dans un an parce que les fondations sont bancales. C'est une approche plus stratégique, qui demande de la patience et un soutien fort de la direction.

Si vous avez un cas d'usage métier très spécifique qui nécessite du machine learning et que ce projet a le sponsorship de la direction, alors oui, un data scientist peut être le premier profil. Mais attention : ce scénario fonctionne surtout dans des organisations qui ont déjà une certaine maturité data, même si elle n'est pas formalisée dans une équipe dédiée.

Penser en termes de compétences, pas seulement de titres

La réalité du marché complique encore la donne. Les intitulés de postes ne correspondent pas toujours aux compétences réelles. Un « data analyst » peut avoir des compétences solides en SQL et Python qui le rapprochent d'un profil d'ingénieur. Un « data scientist » peut passer l'essentiel de son temps sur de l'analyse exploratoire et de la visualisation. Un « data engineer » junior peut être plus à l'aise avec des transformations SQL qu'avec de l'architecture distribuée.

Ce qui compte réellement, c'est d'identifier les compétences dont vous avez besoin maintenant, et de recruter la personne qui les possède, peu importe son titre exact. Si votre besoin immédiat est de créer des dashboards et de requêter une base de données qui fonctionne déjà, un data analyst avec de bonnes bases techniques fera l'affaire. Si vous devez intégrer cinq sources de données disparates, vous avez besoin de quelqu'un qui maîtrise les ETL et l'orchestration, quel que soit son intitulé.

Un autre aspect souvent négligé : la capacité du premier recruté à évangéliser la culture data dans l'organisation. Cette personne va définir la crédibilité de toute l'initiative. Elle doit être capable d'expliquer ce qu'elle fait à des non-techniciens, de gérer les attentes, de construire des alliances avec les équipes métier. Ces compétences humaines et de communication sont parfois plus déterminantes que la maîtrise d'un outil particulier.

Construire progressivement votre équipe data

Recruter le bon premier profil ne résout qu'une partie du problème. La vraie question est : comment construire ensuite une équipe équilibrée ?

Si vous avez commencé par un data engineer, votre deuxième recrutement sera probablement un data analyst. Vous avez maintenant une infrastructure qui fonctionne, il est temps de démontrer la valeur business. Si vous avez commencé par un data analyst, le prochain profil dépendra de ce qu'il aura identifié comme goulot d'étranglement : un data engineer si l'infrastructure limite les analyses, ou un deuxième analyst si la demande métier explose.

Le data scientist arrive généralement en troisième ou quatrième position, quand les fondations sont solides et que des cas d'usage clairs ont émergé. À ce stade, l'équipe peut supporter le temps de R&D nécessaire pour développer des modèles, et l'organisation a développé la maturité pour adopter ces innovations.

Cette progression n'est pas une règle absolue. Certaines organisations peuvent recruter un profil hybride qui combine plusieurs compétences, puis spécialiser progressivement les rôles. D'autres peuvent avoir besoin d'un binôme engineer-analyst dès le départ pour couvrir l'infrastructure et la valorisation simultanément. Pour mieux naviguer cette décision, pensez à aligner votre stratégie data avec les priorités de votre direction.

L'essentiel est de rester pragmatique et d'adapter la composition de l'équipe à vos besoins réels, pas à un schéma théorique ou aux discours à la mode. Une équipe data efficace se construit par itérations successives, en apprenant de ce qui fonctionne et en ajustant les priorités au fur et à mesure. Comme pour identifier les signaux business qui comptent vraiment, le recrutement data demande de la lucidité sur vos enjeux concrets.

Le premier recrutement data est une décision stratégique qui engage l'organisation pour les mois à venir. Ce n'est pas une question de choisir le profil le plus prestigieux ou celui qui fait le buzz sur LinkedIn. C'est une question de lucidité sur l'état actuel de vos données, de clarté sur vos objectifs immédiats, et de réalisme sur ce qu'une seule personne peut accomplir. Commencez par résoudre votre contrainte principale, et le reste suivra naturellement.