Retour

Analyser des données, créer des tableaux de bord, échanger avec les équipes techniques et différents corps de métier au sein de l’entreprise, intégrer les nouveaux outils d’IA… Le quotidien d’un Data Analyst est très varié. Charlotte GALLET, diplômée de l’IÉSEG (Programme Grande École) en 2023 nous parle de ses missions, ses défis et les compétences qui font la richesse de son métier. 

Pouvez-vous nous présenter votre métier ? 

En tant que Data Analyst, je récolte des données puis je les analyse pour créer des tableaux de suivi qui permettront d’aiguiller les collaborateurs de l’entreprise dans leur prise de décisions commerciales. Mon rôle n’est pas de prendre la décision finale, mais de concentrer toute l’information en un seul endroit et de proposer des solutions pour la gestion d’un projet. J’ai aussi toute une partie codage, que j’aime beaucoup.  

Je travaille avec d’autres Data Analysts. Contrairement à ce qu’on pense souvent, c’est un vrai travail d’équipe. On peut rapidement avoir une vision « tunnel » dans ce métier, donc on a besoin de discuter avec d’autres personnes pour qu’on nous pose des questions, qu’on challenge notre analyse, et refaire une analyse sous un angle différent. Il y a beaucoup d’entraide et de collaboration. 

À quoi ressemble votre quotidien ? 

Chaque semaine, on vérifie nos objectifs et nos chiffres pour s’assurer que tout se passe bien. Si les chiffres sont bons, on continue sur le projet en cours, toujours dans le but d’optimiser nos objectifs selon le département où l’on est : on peut effectivement être Data Analyst en marketing, en finance, en opérations, en logistique, etc… Si les chiffres ne sont pas bons, on essaye de trouver des solutions, puis on les met en place pour répondre rapidement au problème rencontré.  

Dans ce métier, on travaille en permanence avec les ingénieurs pour toute la partie « data », avec des chefs de projet ou des directeurs pour tout l’aspect business. Il y a beaucoup d’alignements à faire car, souvent, le projet va toucher d’autres équipes ou sujets. Il faut faire en sorte que tout cela corresponde à la vision de l’entreprise, mais aussi à celle de chaque équipe.  

Pouvez-vous nous donner un exemple concret de projet sur lequel vous avez travaillé ?

Je travaille pour une entreprise de livraison de nourriture, principalement en Espagne. Si un client a un problème avec une commande (par exemple, il lui manque des frites ou sa pizza a été livrée froide), nous faisons appelle à notre système de compensation et remboursements pour limiter la mauvaise expérience du client. 

L’un des outils dont nous disposons pour limiter une mauvaise expérience, c’est le code promotionnel. Dans ce contexte, j’ai travaillé sur un projet de définition du montant adéquat de cet avantage. Pourquoi donner 5€ plutôt que 2€ ou 10€ ? Pour cela, on fait des tests en divisant la population cliente en deux groupes : on donne 2€ à un groupe et 5€ à l’autre, pendant plusieurs semaines ou plusieurs mois. Une fois la période terminée, on va analyser les comportements des consommateurs concernés, la semaine ou le mois suivant l’incident : est-ce que le consommateur revient ? Si oui, combien de commandes passe-t-il en plus ?

L’autre élément à prendre en compte, bien évidemment, c’est que l’on a un budget, donc on ne peut pas donner tout ce qu’on veut à tout le monde. Il nous faut calculer le retour sur investissement de chaque test. Au final, on décidera par exemple, d’octroyer un bon d’achat de 5€ plutôt que 2€ parce qu’on a constaté que le consommateur revient davantage ensuite, et que cela est plus rentable sur le long terme.

Après la partie analyse data, on informe les équipes finances ou les équipes locales de chaque pays de ce que l’on va mettre en place sur leur territoire et pourquoi.

Quels sont les défis principaux dans le métier de Data Analyst ?

On est souvent considérés comme des « traducteurs ». On est capables de parler avec les ingénieurs mais aussi avec les collaborateurs côté business. On fait le lien entre les deux, et ce n’est pas toujours facile. On reçoit des demandes côté business, on en fait une analyse, on détermine si ça peut marcher ou pas, et ensuite, on fait un retour aux collaborateurs sur ce qui devra peut-être être modifié. Il faut donc déjà les convaincre que leur idée n’est pas optimale et qu’il faudra revoir certains aspects. Ensuite, on discute avec les ingénieurs. Et là, ils peuvent nous dire que techniquement, ce n’est même pas possible, ou que ça va prendre des mois… il faut jongler entre tous ces aspects. C’est challengeant mais très intéressant car on fait tout notre possible pour que le projet aboutisse. 

L’IA n’est pas forcément un défi en soi, mais aujourd’hui, il faut l’utiliser. Cela implique de devoir apprendre de nouvelles choses en permanence. En plus de la charge de travail quotidienne, il faut être capable de s’adapter aux nouveaux logiciels, aux nouveaux outils… pour optimiser au mieux son travail.

Les qualités essentielles pour ce métier ?

Il faut une bonne capacité de synthèse, et en même temps être assez large en termes de vision pour pouvoir répondre à toutes les questions qu’on peut potentiellement nous poser sur le projet. 

La curiosité est importante aussi. Quand quelqu’un nous dit : « j’aimerais faire ce projet, j’aimerais mettre ça en place », la première question, c’est : pourquoi ?  Il y a beaucoup de pourquoi dans notre métier. Enfin, il faut savoir faire preuve de patience et avoir la capacité à communiquer avec différents types de personnes.

Comment êtes-vous devenue Data Analyst ? 

C’est grâce à un stage de 3e année à l’IÉSEG que mon intérêt pour l’analyse de données s’est révélé, ça a été mon premier point de contact avec la data.

En 4e année, j’ai voulu aller plus loin sur le sujet et j’ai donc choisi le double diplôme de master en Data Analytics. Cela m’a permis de combiner tout l’aspect marketing : habitudes du consommateur, avec la data, pour pouvoir analyser les comportements du consommateur et aider les collaborateurs à se positionner sur tel ou tel projet en fonction de leurs objectifs.

Il y a plein de possibilités sous la casquette Data Analyst, mais il y a des bases communes : les statistiques, le fait de savoir coder. C’est très compliqué de rentrer dans ce domaine sans avoir ces bases. Ce double diplôme m’a donc permis d’apprendre ce que c’était et de savoir l’utiliser. Chaque entreprise a des plateformes et des outils différents, mais les bases restent les mêmes.