Data Analyst vs Data Scientist : les vraies différences en 2025

Un data analyst répond à des questions métier concrètes avec SQL et Python (que s'est-il passé ? pourquoi ?). Un data scientist construit des modèles prédictifs et des algorithmes de machine learning (que va-t-il se passer ?). Les deux travaillent sur des données — leurs outils, livrables et niveaux mathématiques sont fondamentalement différents.

La confusion entre ces deux métiers coûte du temps à beaucoup de reconvertis. Ce guide tranche nettement.

Tableau comparatif : data analyst vs data scientist

Critère	Data Analyst	Data Scientist
Question centrale	Que s'est-il passé ? Pourquoi ?	Que va-t-il se passer ? Comment l'optimiser ?
Outil principal	SQL + Python (Polars/Pandas)	Python/R + ML (scikit-learn, PyTorch, TensorFlow)
Niveau mathématiques	Statistiques descriptives, probabilités de base	Statistiques inférentielles, algèbre linéaire, optimisation
Livrable typique	Dashboard, rapport, KPI, analyse ad hoc	Modèle déployé, API de prédiction, système de recommandation
Profil courant	Finance, marketing, contrôle de gestion, ingénierie	Ingénierie, physique, mathématiques, informatique
Salaire France (confirmé)	42 000–55 000€	50 000–70 000€

Les missions concrètes : ce qui les sépare au quotidien

Ce que fait un data analyst

• Écrire des requêtes SQL pour extraire les ventes du mois, les taux de conversion, les cohortes clients
• Nettoyer des fichiers CSV avec des valeurs manquantes et des doublons
• Construire un dashboard Streamlit que le directeur commercial consulte chaque lundi
• Identifier pourquoi les ventes ont chuté de 12% en mars (investigation + corrélations)
• Automatiser un rapport hebdomadaire qui s'envoie par email le lundi à 8h

Ce que fait un data scientist

• Entraîner un modèle de churn prediction pour identifier les clients à risque
• Déployer un système de recommandation produit sur l'API e-commerce
• Construire un modèle de scoring crédit avec validation croisée et calibration
• Faire du NLP sur des avis clients pour en extraire les sentiments automatiquement
• Optimiser les hyperparamètres d'un modèle de prévision des stocks

La zone de chevauchement

Dans les équipes data de moins de 5 personnes (PME, startups), les deux rôles fusionnent souvent. Un "data analyst senior" dans une startup fait parfois du ML. Un "data scientist" dans une grande banque fait parfois du reporting SQL.

La distinction est plus nette dans les grandes organisations où les équipes sont spécialisées.

Outils : la différence visible

Data analyst :

• SQL (DuckDB, PostgreSQL, BigQuery, Snowflake) — cœur du métier
• Python : Polars, Pandas pour la manipulation ; Plotly, Altair pour la visualisation
• Streamlit ou Power BI pour les dashboards
• Git pour versionner les scripts
• Excel / Google Sheets encore présent dans beaucoup d'équipes

Data scientist :

• Python avec scikit-learn, XGBoost, LightGBM, PyTorch ou TensorFlow
• Jupyter notebooks pour l'exploration et la modélisation
• MLflow ou Weights & Biases pour le suivi des expériences
• Docker + API FastAPI pour le déploiement des modèles
• SQL aussi, mais moins central que pour le DA

Prérequis et formation : qui peut faire quoi ?

Devenir data analyst

La reconversion est accessible depuis la finance, le marketing, l'ingénierie ou la gestion de projet. Les compétences clés sont apprenables en 6 à 12 mois :

1. SQL — fondation indispensable. Les window functions sont citées dans 78% des JD senior. Le quiz SQL data analyst mesure votre niveau en 5 minutes.
2. Python — Polars et Pandas en priorité, pas le machine learning
3. Un projet visible — dashboards déployés, analyses sur données réelles

Formation recommandée pour démarrer : SQL Mastery — 10 modules, 87 exercices sur DuckDB et des bases réelles.

Devenir data scientist

Prérequis plus élevés : algèbre linéaire, calcul différentiel, statistiques inférentielles, probabilités. Un master en mathématiques, statistiques, ou informatique donne une base solide. Une reconversion complète prend généralement 18 à 24 mois.

Salaires en France : l'écart réel

Data analyst :

Niveau	Salaire brut annuel
Junior (0–2 ans)	32 000–40 000€
Confirmé (3–5 ans)	42 000–55 000€
Senior (5+ ans)	55 000–75 000€

Data scientist :

Niveau	Salaire brut annuel
Junior (0–2 ans)	38 000–48 000€
Confirmé (3–5 ans)	50 000–65 000€
Senior (5+ ans)	65 000–85 000€

Source : agrégation LinkedIn, Indeed France, données Glassdoor 2024–2025. L'écart se resserre quand le DA maîtrise des outils modernes (DuckDB, Polars, Streamlit) versus un DS qui fait surtout du reporting ML.

Pour les chiffres détaillés par ville et secteur : salaire data analyst France.

Quel métier choisir selon votre profil ?

Choisissez data analyst si vous :

• Venez d'un métier non-technique (finance, marketing, commerce, RH)
• Aimez résoudre des problèmes métier concrets avec des chiffres
• Voulez être opérationnel en 6 à 12 mois
• Préférez les dashboards et les rapports aux modèles complexes
• Avez déjà travaillé avec des tableurs et voulez aller plus loin

Choisissez data scientist si vous :

• Avez une formation scientifique (maths, physique, informatique)
• Êtes à l'aise avec les probabilités et l'algèbre linéaire
• Voulez construire des systèmes autonomes (recommandation, prédiction)
• Acceptez 18 à 24 mois de formation intensive
• Aimez le côté recherche et expérimentation

Le parcours hybride pragmatique :

Commencez par data analyst — SQL solide, Python de manipulation, dashboards. Ajoutez du machine learning progressivement une fois que la stack de base est maîtrisée. C'est le chemin le plus court vers un poste, et le plus employable.

Pour le guide complet : comment devenir data analyst en 2025 et qu'est-ce qu'un data analyst.

---

FAQ : data analyst vs data scientist

Quelle est la principale différence entre data analyst et data scientist ?

Le data analyst répond à des questions passées et présentes avec SQL et Python — il produit des dashboards, des rapports, des KPIs. Le data scientist construit des modèles prédictifs — il prédit, classifie, recommande. Le DA est orienté métier ; le DS est orienté modélisation mathématique.

Lequel est plus facile à devenir ?

Data analyst. La reconversion est accessible en 6 à 12 mois depuis la finance, le marketing ou l'ingénierie. Data scientist nécessite des fondations mathématiques plus profondes (algèbre linéaire, statistiques inférentielles) et prend généralement 18 à 24 mois.

Peut-on passer de data analyst à data scientist ?

Oui, c'est un chemin courant. Après 2 à 3 ans comme DA, vous avez la maîtrise des données qui manque à beaucoup de DS "purs". Ajoutez scikit-learn, les fondamentaux ML, et un projet de modélisation à votre portfolio.

Les salaires sont-ils vraiment différents ?

L'écart est réel mais pas immense : 5 000 à 10 000€ en faveur des data scientists à niveau équivalent. Mais un DA senior avec des compétences Streamlit et DuckDB peut dépasser un DS junior qui fait principalement du notebook ML.

Lequel est le plus demandé en 2025 ?

Les deux sont en forte demande. Les offres data analyst sont plus nombreuses (plus de postes dans plus d'entreprises). Les postes data scientist sont plus concentrés dans la tech et les grandes entreprises, avec des salaires plus élevés.