Modèle d’échelle de carrière

Modèle d’échelle de carrière pour Data Analysts

Cinq niveaux, de Data Analyst junior à Principal, sur sept compétences, du cadrage des questions à l’impact sur les décisions.

Commencer gratuitement Télécharger en CSV

Offre gratuite · Sans carte bancaire

Cette échelle de carrière s’adresse aux entreprises d’environ 20 à 200 personnes où les analystes sont proches du business : une poignée d’analystes, parfois un seul, répondent aux questions du produit, du marketing, des ventes et de la direction, souvent sur une stack data qu’ils aident aussi à construire. Elle décrit cinq niveaux, de la personne qui apprend à écrire des requêtes fiables à celle qui décide de la façon dont toute l’entreprise se mesure. Son niveau le plus élevé, Principal Data Analyst, est un niveau expert ; diriger l’équipe analytics est un autre métier.

Chaque niveau se définit par ce que fait un analyste et par la portée de son travail, pas par les outils qu’il connaît ni par ses années d’expérience. Lisez une ligne de la matrice de compétences de gauche à droite pour voir une attente évoluer ; lisez la section d’un niveau pour voir tout ce qui y est attendu. Servez-vous-en pour expliquer ce que signifie le niveau suivant, pour mener les auto-évaluations et les points de suivi, et pour rendre les dossiers de promotion comparables.

Adaptez-la avant de la publier. Remplacez les formulations génériques par votre propre stack et vos propres métriques, retirez les niveaux dont vous n’avez pas encore besoin, et décidez où s’arrête l’analytics engineering et où commence l’analyse dans votre entreprise.

Les niveaux en un coup d’œil

Data Analyst junior
Répond à des questions bien définies avec des requêtes fiables et des graphiques clairs, relu par un analyste plus expérimenté.
Périmètre
Des demandes ponctuelles et des rapports récurrents pour une équipe, généralement cadrés par quelqu’un d’autre.
Data Analyst confirmé
Mène ses analyses de bout en bout, d’une question floue à une recommandation, et est l’analyste de référence d’un domaine.
Périmètre
Un domaine métier, comme l’onboarding, la tarification ou le funnel de vente, avec ses tableaux de bord et ses questions récurrentes.
Data Analyst senior
Pilote les analyses qui sous-tendent les décisions importantes et élève la qualité de l’analyse autour de lui.
Périmètre
Plusieurs domaines métier ou une initiative majeure de l’entreprise, et les définitions de métriques dont ils dépendent.
Lead Data Analyst
Façonne la manière dont l’entreprise utilise les données dans toutes ses fonctions et fixe les standards que suivent les autres analystes.
Périmètre
L’analytics de plusieurs fonctions, y compris les métriques partagées, les modèles de données et la roadmap analytics.
Principal Data Analyst
Décide de la façon dont l’entreprise se mesure et répond de la confiance que la direction accorde à ses chiffres.
Périmètre
Les métriques clés de l’entreprise, son approche de l’expérimentation et la stratégie analytics des prochaines années.

Matrice de compétences

Chaque ligne est une compétence et chaque colonne un niveau. Lisez une ligne de gauche à droite pour voir comment les attentes évoluent.

Ce que recouvre chaque compétence

Cadrage du problème: Transformer la question d’une partie prenante en une question à laquelle les données peuvent répondre et dont une décision peut découler.
Requêtes et modélisation des données: Extraire des données correctes de l’entrepôt et les structurer pour que d’autres puissent les réutiliser.
Rigueur statistique et expérimentation: Tirer des conclusions solides, et savoir à quel point l’entreprise peut en être sûre.
Qualité des données et définition des métriques: Veiller à ce que les chiffres soient justes, signifient la même chose partout et inspirent confiance.
Communication des insights: Expliquer ce que disent les données pour que les gens les comprennent et agissent en conséquence.
Impact business et partenariat: Comprendre le fonctionnement de l’entreprise et faire en sorte que l’analyse change ce que font les gens.
Mentorat et développement de l’équipe: Aider les autres analystes et utilisateurs de données à progresser, et rendre l’équipe plus forte.

Data Analyst : attentes par compétence et par niveau
Compétence	Data Analyst junior	Data Analyst confirmé	Data Analyst senior	Lead Data Analyst	Principal Data Analyst
Cadrage du problème	Reformule chaque demande par écrit avant de commencer, confirme la période, le segment et la définition concernés, et demande quelle décision la réponse doit éclairer.	Transforme des questions floues comme « pourquoi le churn augmente-t-il ? » en un court plan d’analyse avec des hypothèses, et s’oppose à une demande qui ne changerait aucune décision.	Recentre les questions des parties prenantes sur la décision qu’il faut réellement prendre, et propose des analyses que personne n’a demandées quand elles changeraient une priorité.	Fixe chaque trimestre l’agenda analytics avec les responsables de fonction, en choisissant les quelques questions qui méritent le plus une réponse et en expliquant ce qui ne sera pas analysé et pourquoi.	Identifie les questions que l’équipe de direction devrait se poser sur l’activité, et s’assure que l’entreprise dispose des données pour y répondre avant qu’elles ne deviennent urgentes.
Requêtes et modélisation des données	Écrit un SQL lisible avec jointures, agrégations et fonctions de fenêtrage, vérifie le nombre de lignes et les doublons avant de se fier à un résultat, et demande une relecture sur les tables qu’il connaît mal.	Connaît les tables de son domaine et leurs particularités, construit des modèles ou des vues réutilisables au lieu de copier des requêtes, et documente la logique de chaque tableau de bord dont il est responsable.	Conçoit les modèles de données d’un domaine métier pour que les questions courantes ne demandent que des requêtes simples, relit la logique des autres analystes, et travaille avec les développeurs pour corriger le tracking à la source.	Définit les conventions de modélisation de tout le code analytics, décide de ce qui relève des modèles partagés ou de l’analyse ponctuelle, et planifie le travail pour retirer les pipelines fragiles.	Façonne l’architecture data d’ensemble avec la direction technique, en choisissant où l’analytics doit investir pour que les questions les plus importantes restent rapides et peu coûteuses à traiter.
Rigueur statistique et expérimentation	Compare ce qui est comparable, mentionne la taille des échantillons et la saisonnalité dans chaque résultat, et signale quand une différence pourrait n’être que du bruit au lieu de la présenter comme un constat.	Analyse des tests A/B du début à la fin, y compris la taille d’échantillon, la durée et les métriques garde-fous, et explique la confiance et l’incertitude en termes simples.	Choisit une méthode défendable quand un test randomisé est impossible — différence de différences par rapport à un segment comparable, série temporelle interrompue ou comparaison appariée — et expose ouvertement ses hypothèses et ses limites.	Fixe les standards d’expérimentation de l’entreprise — quand tester, combien de temps, comment conclure — et relit les analyses à fort enjeu avant qu’elles n’arrivent à la direction.	Décide de la façon dont l’entreprise traite les preuves dans ses plus grandes décisions, en arbitrant entre rigueur et vitesse, et est le dernier relecteur des analyses qui changent la stratégie.
Qualité des données et définition des métriques	Rapproche les nouveaux chiffres d’une source existante avant de les partager, et signale le jour même au responsable les données cassées ou les baisses suspectes.	Répond de l’exactitude des tableaux de bord de son domaine, ajoute des contrôles simples qui détectent les données cassées avant les parties prenantes, et consigne chaque définition de métrique qu’il introduit.	Résout les versions contradictoires d’une même métrique entre équipes, convient d’une définition unique avec ceux qui l’utilisent, et retire les rapports qui la contredisent.	Gère le catalogue de métriques de l’entreprise et le processus de modification d’une définition, et rend les incidents de données visibles avec un responsable et une correction.	Répond de la fiabilité des chiffres présentés à la direction, aux investisseurs ou au conseil d’administration, et met en place les contrôles qui les gardent cohérents à mesure que l’entreprise grandit.
Communication des insights	Présente ses résultats avec un graphique clair, une conclusion en une ligne et les réserves qui comptent, et garde des tableaux de bord bien légendés pour que d’autres puissent les lire sans aide.	Rédige de courtes synthèses d’analyse qui commencent par la réponse et la recommandation, adapte le niveau de détail à l’audience, et construit des tableaux de bord qui répondent à un ensemble précis de questions.	Raconte l’histoire derrière des analyses complexes à des parties prenantes de haut niveau, gère calmement les contestations des chiffres, et transforme les constats en propositions sur lesquelles l’équipe peut agir.	Présente régulièrement à la direction, fixe le standard de rédaction des analyses dans toute l’entreprise, et veille à ce que les constats importants parviennent à toutes les personnes concernées.	Façonne la manière dont l’entreprise parle de sa performance, des revues de direction aux points investisseurs, pour que tout le monde lise les mêmes chiffres de la même façon.
Impact business et partenariat	Apprend comment l’équipe qu’il accompagne gagne de l’argent ou crée de la valeur, et revient vers elle après une demande pour savoir si la réponse a été utilisée.	Est un partenaire de confiance pour une équipe, participe à sa planification, et sait citer des décisions du dernier trimestre qui ont changé grâce à son travail.	Influence les priorités de plusieurs équipes, relie les analyses au chiffre d’affaires, aux coûts ou à la rétention, et arrête le travail qui ne vaut plus la peine d’être fait.	Travaille avec les responsables de fonction sur les objectifs et les cibles, et veille à ce que la capacité analytics aille là où elle changera les décisions les plus importantes.	Travaille avec l’équipe de direction sur la stratégie et la planification, et peut citer des décisions de l’entreprise de la dernière année — tarification, entrée sur un marché, investissements majeurs — qui ont changé grâce au travail analytics.
Mentorat et développement de l’équipe	Demande du feedback sur ses requêtes et ses synthèses, l’applique, et partage avec l’équipe les astuces utiles et les pièges à éviter.	Relit le travail des autres analystes avec des commentaires précis, aide les nouveaux arrivants à découvrir les données de son domaine, et répond patiemment aux questions data de ses collègues.	Accompagne les analystes juniors en mentorat, anime des revues de code et d’analyse, et apprend aux non-analystes à répondre eux-mêmes aux questions simples avec des outils en libre-service.	Fait progresser plusieurs analystes vers le niveau suivant, façonne le recrutement et les entretiens de l’équipe analytics, et construit l’onboarding et la documentation sur lesquels s’appuient les nouveaux analystes.	Construit la culture data de l’entreprise, forme les futurs responsables analytics et défend une vision de l’organisation de l’équipe data à mesure que l’entreprise grandit.

Faites défiler le tableau horizontalement pour voir tous les niveaux.

Télécharger en CSV S’ouvre dans Excel, Google Sheets ou Numbers.

Data Analyst junior : ce qui est attendu

Répond à des questions bien définies avec des requêtes fiables et des graphiques clairs, relu par un analyste plus expérimenté. Des demandes ponctuelles et des rapports récurrents pour une équipe, généralement cadrés par quelqu’un d’autre.

Cadrage du problème: Reformule chaque demande par écrit avant de commencer, confirme la période, le segment et la définition concernés, et demande quelle décision la réponse doit éclairer.
Requêtes et modélisation des données: Écrit un SQL lisible avec jointures, agrégations et fonctions de fenêtrage, vérifie le nombre de lignes et les doublons avant de se fier à un résultat, et demande une relecture sur les tables qu’il connaît mal.
Rigueur statistique et expérimentation: Compare ce qui est comparable, mentionne la taille des échantillons et la saisonnalité dans chaque résultat, et signale quand une différence pourrait n’être que du bruit au lieu de la présenter comme un constat.
Qualité des données et définition des métriques: Rapproche les nouveaux chiffres d’une source existante avant de les partager, et signale le jour même au responsable les données cassées ou les baisses suspectes.
Communication des insights: Présente ses résultats avec un graphique clair, une conclusion en une ligne et les réserves qui comptent, et garde des tableaux de bord bien légendés pour que d’autres puissent les lire sans aide.
Impact business et partenariat: Apprend comment l’équipe qu’il accompagne gagne de l’argent ou crée de la valeur, et revient vers elle après une demande pour savoir si la réponse a été utilisée.
Mentorat et développement de l’équipe: Demande du feedback sur ses requêtes et ses synthèses, l’applique, et partage avec l’équipe les astuces utiles et les pièges à éviter.

Data Analyst confirmé : ce qui est attendu

Mène ses analyses de bout en bout, d’une question floue à une recommandation, et est l’analyste de référence d’un domaine. Un domaine métier, comme l’onboarding, la tarification ou le funnel de vente, avec ses tableaux de bord et ses questions récurrentes.

Cadrage du problème: Transforme des questions floues comme « pourquoi le churn augmente-t-il ? » en un court plan d’analyse avec des hypothèses, et s’oppose à une demande qui ne changerait aucune décision.
Requêtes et modélisation des données: Connaît les tables de son domaine et leurs particularités, construit des modèles ou des vues réutilisables au lieu de copier des requêtes, et documente la logique de chaque tableau de bord dont il est responsable.
Rigueur statistique et expérimentation: Analyse des tests A/B du début à la fin, y compris la taille d’échantillon, la durée et les métriques garde-fous, et explique la confiance et l’incertitude en termes simples.
Qualité des données et définition des métriques: Répond de l’exactitude des tableaux de bord de son domaine, ajoute des contrôles simples qui détectent les données cassées avant les parties prenantes, et consigne chaque définition de métrique qu’il introduit.
Communication des insights: Rédige de courtes synthèses d’analyse qui commencent par la réponse et la recommandation, adapte le niveau de détail à l’audience, et construit des tableaux de bord qui répondent à un ensemble précis de questions.
Impact business et partenariat: Est un partenaire de confiance pour une équipe, participe à sa planification, et sait citer des décisions du dernier trimestre qui ont changé grâce à son travail.
Mentorat et développement de l’équipe: Relit le travail des autres analystes avec des commentaires précis, aide les nouveaux arrivants à découvrir les données de son domaine, et répond patiemment aux questions data de ses collègues.

Data Analyst senior : ce qui est attendu

Pilote les analyses qui sous-tendent les décisions importantes et élève la qualité de l’analyse autour de lui. Plusieurs domaines métier ou une initiative majeure de l’entreprise, et les définitions de métriques dont ils dépendent.

Cadrage du problème: Recentre les questions des parties prenantes sur la décision qu’il faut réellement prendre, et propose des analyses que personne n’a demandées quand elles changeraient une priorité.
Requêtes et modélisation des données: Conçoit les modèles de données d’un domaine métier pour que les questions courantes ne demandent que des requêtes simples, relit la logique des autres analystes, et travaille avec les développeurs pour corriger le tracking à la source.
Rigueur statistique et expérimentation: Choisit une méthode défendable quand un test randomisé est impossible — différence de différences par rapport à un segment comparable, série temporelle interrompue ou comparaison appariée — et expose ouvertement ses hypothèses et ses limites.
Qualité des données et définition des métriques: Résout les versions contradictoires d’une même métrique entre équipes, convient d’une définition unique avec ceux qui l’utilisent, et retire les rapports qui la contredisent.
Communication des insights: Raconte l’histoire derrière des analyses complexes à des parties prenantes de haut niveau, gère calmement les contestations des chiffres, et transforme les constats en propositions sur lesquelles l’équipe peut agir.
Impact business et partenariat: Influence les priorités de plusieurs équipes, relie les analyses au chiffre d’affaires, aux coûts ou à la rétention, et arrête le travail qui ne vaut plus la peine d’être fait.
Mentorat et développement de l’équipe: Accompagne les analystes juniors en mentorat, anime des revues de code et d’analyse, et apprend aux non-analystes à répondre eux-mêmes aux questions simples avec des outils en libre-service.

Lead Data Analyst : ce qui est attendu

Façonne la manière dont l’entreprise utilise les données dans toutes ses fonctions et fixe les standards que suivent les autres analystes. L’analytics de plusieurs fonctions, y compris les métriques partagées, les modèles de données et la roadmap analytics.

Cadrage du problème: Fixe chaque trimestre l’agenda analytics avec les responsables de fonction, en choisissant les quelques questions qui méritent le plus une réponse et en expliquant ce qui ne sera pas analysé et pourquoi.
Requêtes et modélisation des données: Définit les conventions de modélisation de tout le code analytics, décide de ce qui relève des modèles partagés ou de l’analyse ponctuelle, et planifie le travail pour retirer les pipelines fragiles.
Rigueur statistique et expérimentation: Fixe les standards d’expérimentation de l’entreprise — quand tester, combien de temps, comment conclure — et relit les analyses à fort enjeu avant qu’elles n’arrivent à la direction.
Qualité des données et définition des métriques: Gère le catalogue de métriques de l’entreprise et le processus de modification d’une définition, et rend les incidents de données visibles avec un responsable et une correction.
Communication des insights: Présente régulièrement à la direction, fixe le standard de rédaction des analyses dans toute l’entreprise, et veille à ce que les constats importants parviennent à toutes les personnes concernées.
Impact business et partenariat: Travaille avec les responsables de fonction sur les objectifs et les cibles, et veille à ce que la capacité analytics aille là où elle changera les décisions les plus importantes.
Mentorat et développement de l’équipe: Fait progresser plusieurs analystes vers le niveau suivant, façonne le recrutement et les entretiens de l’équipe analytics, et construit l’onboarding et la documentation sur lesquels s’appuient les nouveaux analystes.

Principal Data Analyst : ce qui est attendu

Décide de la façon dont l’entreprise se mesure et répond de la confiance que la direction accorde à ses chiffres. Les métriques clés de l’entreprise, son approche de l’expérimentation et la stratégie analytics des prochaines années.

Cadrage du problème: Identifie les questions que l’équipe de direction devrait se poser sur l’activité, et s’assure que l’entreprise dispose des données pour y répondre avant qu’elles ne deviennent urgentes.
Requêtes et modélisation des données: Façonne l’architecture data d’ensemble avec la direction technique, en choisissant où l’analytics doit investir pour que les questions les plus importantes restent rapides et peu coûteuses à traiter.
Rigueur statistique et expérimentation: Décide de la façon dont l’entreprise traite les preuves dans ses plus grandes décisions, en arbitrant entre rigueur et vitesse, et est le dernier relecteur des analyses qui changent la stratégie.
Qualité des données et définition des métriques: Répond de la fiabilité des chiffres présentés à la direction, aux investisseurs ou au conseil d’administration, et met en place les contrôles qui les gardent cohérents à mesure que l’entreprise grandit.
Communication des insights: Façonne la manière dont l’entreprise parle de sa performance, des revues de direction aux points investisseurs, pour que tout le monde lise les mêmes chiffres de la même façon.
Impact business et partenariat: Travaille avec l’équipe de direction sur la stratégie et la planification, et peut citer des décisions de l’entreprise de la dernière année — tarification, entrée sur un marché, investissements majeurs — qui ont changé grâce au travail analytics.
Mentorat et développement de l’équipe: Construit la culture data de l’entreprise, forme les futurs responsables analytics et défend une vision de l’organisation de l’équipe data à mesure que l’entreprise grandit.

Comment adapter cette échelle

Dimensionnez-la à votre équipe analytics
Avec un ou deux analystes, il vous faut probablement trois niveaux, pas cinq. Laissez Lead et Principal de côté jusqu’à ce que quelqu’un fixe réellement des standards pour plusieurs fonctions, et ajoutez-les quand ce travail existe plutôt que comme récompense. Dans la plupart des entreprises de cette taille, le périmètre Principal revient à un Head of Data ou Head of Analytics ; n’utilisez ce niveau que si vous voulez un expert senior à côté de cette personne.
Décidez où se situe l’analytics engineering
Si vous avez des analytics engineers ou des data engineers responsables des modèles, allégez la ligne Requêtes et modélisation des données et renforcez la ligne Cadrage du problème. Si vos analystes portent toute la stack, gardez la ligne telle quelle et nommez-y vos outils.
Tenez compte de l’organisation : analystes intégrés ou équipe centrale
Les analystes intégrés aux équipes sont surtout jugés sur les décisions de l’équipe avec laquelle ils travaillent ; une équipe centrale l’est davantage sur les métriques et les standards partagés. Pondérez les lignes Impact business et Qualité des données selon l’organisation réelle de votre équipe.
Réunissez des preuves tirées de vraies analyses
Demandez aux analystes de lier, pour chaque affirmation de leur auto-évaluation, les synthèses, tableaux de bord et modèles correspondants, ainsi que la décision que chacun a éclairée. Les points de suivi deviennent alors une discussion sur du vrai travail plutôt qu’une liste d’outils appris.

FAQ

Questions sur cette échelle

Quelle est la différence entre un data analyst et un data scientist dans une échelle de carrière ?

Un data analyst aide les gens à prendre des décisions en trouvant, en vérifiant et en expliquant ce que disent les données. Un data scientist construit surtout des modèles statistiques ou de machine learning qui s’intègrent au produit ou aux opérations. Dans les petites entreprises, les rôles se recoupent, mais ils évoluent dans des directions différentes : donnez-leur des échelles ou des parcours distincts. Dans certaines entreprises, « data scientist » est simplement l’intitulé des analystes spécialisés dans l’expérimentation.

Combien de niveaux doit compter une échelle de carrière de Data Analyst ?

Pour une entreprise de 20 à 200 personnes, trois à cinq. La plupart des petites équipes ont besoin des niveaux junior, confirmé et senior ; Lead et Principal n’ont de sens qu’une fois que l’analytics sert plusieurs fonctions et que quelqu’un fixe des standards pour toutes.

Un Data Analyst senior a-t-il besoin de Python, ou le SQL suffit-il ?

Cette échelle ne lie volontairement pas les niveaux à des langages. Beaucoup d’excellents analystes seniors travaillent surtout en SQL et avec un outil de BI. Ce qui distingue les niveaux, c’est la qualité des questions, la rigueur de l’analyse et les décisions qu’elle change — n’ajoutez une exigence d’outil que si votre équipe ne peut vraiment pas s’en passer.

Comment montrer l’impact d’un Data Analyst dans un dossier de promotion ?

Mettez en avant des décisions, pas des tableaux de bord. Pour chaque compétence du niveau visé, listez deux ou trois analyses avec la question, la méthode, la recommandation et ce qui s’est passé ensuite. Une partie prenante qui confirme qu’une décision a changé est une preuve plus solide que le nombre de rapports construits.

Un Data Analyst peut-il continuer à progresser sans devenir responsable de l’analytics ?

Oui. Lead et Principal sont des niveaux experts : ils gagnent en périmètre et en influence sur la façon dont l’entreprise utilise les données, sans manager personne. Diriger l’équipe analytics est un autre métier avec sa propre échelle, et y passer devrait être un changement de parcours plutôt que la seule façon de progresser.

Construisez cette échelle de carrière dans LadderKit — gratuitement

Configurez ses niveaux et ses compétences pour votre équipe, évaluez chacun par rapport à eux lors des points de suivi et gardez des décisions de promotion cohérentes.

Commencer gratuitement Découvrir la démo Sans inscription