#4 - Le métier de Data Analyst et les différents types de Data Analyst

Data Analyst: Mi Tech - Mi Stratégie (Crédits)

👋 Hello la communauté Dataque

✌Bienvenue dans cette édition #4 de notre newsletter ! Que tu sois un débutant ou un expert en Data, merci de nous lire chaque semaine.

🎉 Dans cet article nous allons essayer de comprendre le métier de Data Analyst et les différents types de Data Analyst. Nous avons la chance de pouvoir échanger avec Thomas Dubet, Product Data Analyst chez Doctolib.

👨‍💻 Thomas va partager avec nous son expérience et nous expliquer ce qu'est un Data Analyst.

☝️ Avant de commencer, comme promis une petite note de vocabulaire pour vous aider à comprendre tous les termes:

• Tracker¹: Bout de code utilisé pour collecter des données sur les activités en ligne des utilisateurs, telles que leurs navigations sur des sites web, leurs interactions avec du contenu, leurs préférences (...). Cette pratique est réglementée et très contrôlée en France.

• Datamart²: C'est comme un tiroir dans lequel une entreprise range uniquement les informations importantes pour un seul service, comme les ventes ou les finances, afin que ce service puisse facilement trouver et utiliser les bonnes données sans avoir à fouiller dans tout le bureau. En Data, c'est un endroit ou sont stockées et structurées toutes les informations importantes pour un seul service. Cela facilite l'analyse car on y trouve uniquement les informations importantes de manière déjà structurées.

👋 Hello Thomas,

Est-ce que tu peux nous parler de ton parcours professionnel et pourquoi tu as décidé de devenir Data Analyst ?

J'ai d'abord fait une école de commerce à Lille, puis j'ai enchaîné avec quelques stages en marketing et en finance. Après ces stages, j'avais le sentiment d'accomplir des tâches répétitives, peu stimulantes et sans réelle valeur ajoutée. J'ai alors décidé de me diriger vers la Data en suivant un master spécialisé pour développer des compétences techniques et trouver un poste qui correspondait à ce que je cherchais. Intéressé par l'univers de la Tech, je suis allé un peu plus loin et j'ai suivi une formation en développement Web au Wagon. À la fin de cette formation, j'ai rejoint Doctolib en tant que Product Data Analyst.

C’est quoi un Product Data Analyst et quel est son but ?

Globalement, le Product Data Analyst (PDA) aide les équipes produit (qui sont en charge d'améliorer l’expérience qu’un utilisateur a sur une plateforme) à acquérir une compréhension approfondie du comportement des utilisateurs et fait des recommandations basées sur les données collectées afin d’optimiser l'expérience utilisateur.

De ce fait, l'équipe produit pourra améliorer l'expérience utilisateur sur le produit en fonction des besoins et préférences de ces derniers. Le principal enjeu est de transformer les données collectées sur le produit en recommandations concrètes et actionnables.

Par exemple si demain sur Doctolib nous lançons une nouvelle façon de réserver un rendez-vous, la première question que va nous poser l'équipe produit sera "est-ce que cette nouvelle façon de réserver un rendez-vous est une réussite ou non?", ce sera ensuite à nous d'aller chercher dans les données et répondre par oui ou non en expliquant pourquoi et en s'appuyant sur des chiffres collectés sur la plateforme.

Au quotidien, au sein de Doctolib, le PDA aura plusieurs casquettes :

• Data product Management:

  • Co-construction des datamarts² (cf définition) en étroite collaboration avec les Analytics Engineers.

  • Gestion et spécification des trackers¹ (cf définition) qui vont être implémentés sur le produit pour analyser le comportement des utilisateurs en collaboration avec des développeurs.

• Support aux Feature Teams (équipe composée d’un product manager et de quelques développeurs) :

  • Analyse de la performance des différentes fonctionnalités du produit.

  • Recommandations sur ce qui ne fonctionne pas dans le produit.

  • Exploration du produit pour découvrir les besoins/difficultés des utilisateurs afin de construire la roadmap produit.

• Analyses stratégiques : Réalisation d'analyses plus globales sur le produit ou d'autres domaines d'analyses pour prendre de la hauteur par rapport aux feature teams (Ex: Comprendre le NPS).

Quels sont les autres types de Data Analyst et comment varient leurs domaines d'expertise ?

Il existe autant d'intitulés qu'il y a d'entreprises. Chaque entreprise aura une définition bien spécifique de ce que doit faire un Data Analyst. Dans les plus petites entreprises, le Data Analyst pourra aussi gérer le travail que fait un Data Engineer ou Scientist et dans les plus grosses boites un Data Analyst va généralement avoir un domaine de compétence bien spécifique: Un Data Analyst uniquement pour le produit, un autre Data Analyst pour le Marketing, un autre pour la partie ventes...

Chaque entreprise structure son équipe Data de manière différente, il n'existe pas de définition particulière, cela va varier en fonction de l'entreprise.

Quels sont les langages de programmation et les technologies couramment utilisés par les Data Analysts, et est-ce que cela diffère en fonction du type de Data Analyst ?

SQL et Python sont les langages de programmation les plus couramment utilisés par les Data Analysts, quel que soit leur type.

Les outils diffèrent selon les entreprises, mais les plus utiles pour un Product Data Analyst sont :

• Un outil de Data Visualisation : Chez Doctolib, on utilise Metabase pour l'analyse exploratoire. Le reporting de la donnée agrégée se fait sur Tableau.

• Un IDE (environnement de développement intégré) par exemple Visual Studio Code pour interagir plus facilement avec GitHub.

• Un environnement de test du produit sur lequel on travaille pour explorer le produit.

Est-ce que tu as des bonnes pratiques à partager ou des conseils à donner aux personnes qui veulent se lancer en Data?

• N'ayez pas peur de l'aspect technique - vous apprendrez sur le terrain et les automatismes viendront rapidement.

• Ne vous reposez pas uniquement sur le technique - comprendre le côté business pour donner de bonnes recommandations est essentiel.

• Enfin, n'hésitez pas à échanger avec les autres équipes pour comprendre leurs enjeux et créer des synergies.

Merci beaucoup pour votre lecture et à la semaine prochaine pour un nouvel article.

🚨 PS: Si tu aimes notre newsletter, n'hésite pas à la partager autour de toi et à nous suivre sur Linkedin pour ne rater aucune de nos aventures.