Data Analyst : fiche métier et salaire
Quel salaire demander ou proposer en startup ?
Nous faisons un update constant des salaires par nos partenaires RH et traitons la data de milliers de profils pour un simulateur constamment à jour.
40 à 50k
50 à 60k
60 à 80k
80 à 105k
A ce niveau d'expérience, on passe généralement Head of data ou Lead data
.webp)
Fiche métier du / de Data Analyst :
Expert data, ton rôle du Data Analyst est de créer de la valeur ajoutée via l’analyse et l’exploitation des données pour des start-up middle-stage et scale-up. En fonction du profil de la startup, tu as deux possibilités : un profil “data pompier” dans les entreprises non-tech qui se concentre sur les besoins business des différents pôles (Ops,Marketing, Sales, Tech et Produit) ou un profil consultant/commercial dans une boîte tech (BI,SaaS fournisseur de données,panel).
C’est ce profil de “data pompier” qui nous intéresse içi. Ton rôle est polyvalent et tu tries, analyse et interprète les données avant de les partager sous un format accessible et visuel aux équipes. Ton travail permet de mieux la performance d’un pôle, de tirer les bonnes conclusions et d’aider à la prise de décision pour, par exemple, réduire les coûts, affiner les cibles et perfectionner les processus.
Quel est le salaire d’un Data Analyst ?
Le salaire de Data Analyst en startup est très variable selon le nombre d’années d’expérience, le background académique et la maturité des startups. Pour des profils entre 0 et 3 ans d’expérience, la rémunération oscille entre 36.000 € et 53.000 € et elle peut atteindre plus de 60 000€ après 6 ans d’expérience. Après plus de 7-8 ans d'expérience, ces profils évoluent généralement vers du management sur des postes de Head Of du pôle Data Analyst ou Chief Data Officer, mais pour ceux qui continuent sur cette voie avec un profil reconnu, les salaires peuvent atteindre plus de 70 000-80 000€ après 9-10 années d’expérience.
Missions principales du Data Analyst :
La première mission d’un Data Analyst c’est de comprendre les enjeux business de sa startup en discutant avec chacun des pôles de ses méthodes de captation des données et de ses besoins liés aux objectifs.
Maintenant que tu connais mieux l'entreprise, c'est le moment de passer à la phase de collecte des données. Tu fouilles les outils en place (CRM,Google Analytics,data warehouse et Excel/Sheet,Google Data Studio, etc…) pour récupérer et parfois centraliser les données. Dans cette phase tu écris des requêtes SQL dans Google BigQuery par exemple, afin d’extraire les données appropriées aux différentes demandes d’analyses.
Cette phase s’opère souvent en coopération avec les équipes Tech et Product avec une stack technique déjà en place à respecter.
Quand les données sont collectées, tu procèdes à un nettoyage drastique avec la suppression des doublons, des données obsolètes et celles sans enjeux business, ainsi que l’enrichissement des données manquantes.
Tes données sont propres? Il est temps de sélectionner les plus importantes pour le business et de mettre en place un système de data visualisation. Il existe différentes formes possibles de restitutions (dashboards, graphes, rapports) et des outils spécialisés comme Tableau. Cette data visualisation doit être ouverte aux managers des pôles pour qu’ils puissent accéder aux résultats des actions qu’ils ont mené.
Ces pré-requis terminés, tu vas pouvoir te concentrer sur la valeur ajoutée de ses travaux : l'analyse de ces données, qui vont comprendre les forces et les faiblesses actuelles, identifier les axes d’améliorations et proposer des solutions avec un impact business. Cette dernière phase et celle de data visualisation impliquent une communication qui permet d’embarquer les équipes business, notamment les managers.
Évolutions possibles pour les Data Analyst :
Au cours de sa carrière, un Data Analyst peut se spécialiser vers les métiers suivants :
- Data scientist, plutôt réservé aux profils ingénieurs, c’est ton évolution logique pour passer de l’analyse des données à la modélisation d’algorithmes avec des objectifs business (priorisation des leads, anticipation des tendances de marché, création d’indicateurs plus complexes). Une évolution conseillée aux amoureux du code et des mathématiques qui veulent résoudre des problématiques plus complexes. Toujours pour les profils ingénieurs, les postes de data engineer et data fullstack qui sont des postes hybrides avec des projets transverses peuvent être intéressants.
- Chief data officer ou head of data, si vous êtes polyvalent et expérimenté sur le code et les algorithmes avec l’objectif de passer sur du management d’une équipe de Data Analystes et de Data Scientists. Ce genre d'opportunités se produit dans des scale-up comme Doctolib avec des solutions SaaS où il y a beaucoup de données à exploiter.
Tu peux faire une passerelle sur d’autres métiers de la data comme la Business Intelligence ou encore la sécurité des données. En start-up on demande souvent d’avoir plusieurs casquettes sur ce genre de compétences très spécialisées.
Comment recruter le bon Data Analyst?
Les sujets data sont nombreux et chronophages dans une entreprise, certains profils de Data Analyst sont capables de vous faire passer un cap sur les automatisations et sont donc précieux et très demandés. Votre enjeu est donc de vous assurer que le candidat correspond bien aux attentes pour le métier et aux valeurs de votre entreprise tout en lui donnant envie de travailler chez vous plutôt que dans une autre startup.
Pour être attractif, soyez transparent et rapide sur votre processus de recrutement, celui-ci ne doit pas durer plus de 2 semaines, avec 3 ou 4 étapes maximum. Ensuite, soyez précis sur la fiche de poste, amenez des missions concrètes liées à votre produit plutôt que des tâches que l’on pourrait retrouver sur n’importe quelle autre startup.
Enfin, développez votre marque employeur au maximum, faites transparaître vos valeurs et vos ambitions à travers toutes vos actions de communications extérieures (RP,réseautage,réseaux sociaux,recrutements) pour que votre nom attire .
Les questions à poser à un data analyst dépendent de son niveau d’expérience. Concrètement pour un junior vous allez chercher quelqu’un qui connaît assez bien la partie technique (SQL,Python,collecte des données/nettoyage/datavisualisation) pour évoluer de manière autodidacte. Il doit aussi pouvoir expliquer ses tâches d’une façon claire pour des non-initiés.Si vous recherchez quelqu’un de plus expérimenté, il devra être aussi en mesure de comprendre les enjeux business de chaque manager, de les embarquer sur le projet et de prioriser les KPI à faire remonter et les analyses les plus profitables pour votre entreprise.
Jauger ses hardskills et la qualité de son travail : votre data analyst doit être capable de maîtriser les langages analytiques type R,Python ou VBA ainsi que gérer et requêter des bases de données à l’aide de SQL. Il doit avoir de l’expérience sur la partie mathématique et connaître les solutions d’analyse du trafic comme Google Analytics, Adobe Analytics ou Mixpanel ainsi que les outils de stockage comme les CRM ou les datawarehouse.
Enfin son expérience sur les outils de reporting et de data visualisation comme Tableau et Excel seront précieux.
Votre Data Analyst doit comprendre l’objectif business pour lequel il lance ses actions de collecte et l’analyse des données afin de proposer une réponse adaptée aux besoins (réduction des coûts,process,ciblage). Vous pouvez essayer de construire un cas pratique basé sur la compréhension des KPI principaux de votre activité et l’apport de certaines informations de valeurs par rapport à un fichier de données.
Formations requises ou privilégiées pour devenir Data Analyst :
Il existe plusieurs parcours pour devenir Data Analyst.
Si tu n’as pas d’expérience professionnelle, nous conseillons vivement une formation bac +5 universitaire avec un master spécialisé en Big Data ou en système décisionnel. Vous pouvez aussi partir sur des formations orientées analyse business en école de commerce/digital sur des masters en Data Marketing. Enfin des écoles d’ingénieurs proposent des masters Big Data & Analytics avec un important volet sur la technique.
Il existe certaines écoles et universités plus reconnues sur le sujet de la data analyse comme Télécom Paris, Supaero, CentraleSupelec, l’ENSAE pour les écoles d’ingénieurs mais aussi Grenoble ou Dauphine sur des parties plus business.
Si tu es plutôt digital learner, tu peux apprendre beaucoup par ce biais mais les débouchés sont moins qualitatifs si tu n’as pas d’expérience professionnelle ou de Bac+5 avec un lien avec le business ou la data avant. Il existe plusieurs MOOCs et formations en lignes adaptés au niveau d’engagement et d’expérience de chacun. On peut citer le Wagon, Wild code school ou encore Open Classroom.
Soft skills - Data Analyst
Hard skills - Data Analyst
Les Outils - Data Analyst
Quelques explications
Ce simulateur de salaire en startup ... comment a-t-il été créé ?
Ce simulateur de salaire est le condensé de 5 ans d’observation du marché, de dizaines de consultation d’experts, d’un vaste traitement de data et de plusieurs dizaines de milliers de profils étudiés.
Sortir de l'empirisme
Jusqu'ici, nous nous basions sur notre propre expérience pour aider nos candidats et nos entreprises partenaires à réaliser leurs estimations salariales. De manière très concrète, lorsqu'on venait nous demander conseil, nous cherchions un cas proche vu par le passé, et qui nous paraissait cohérent avec le marché du travail. Puis, à partir de cette base, nous réajustions l'estimation salariale en fonction des nuances et spécificités exigées par l'entreprise ou le candidat.
Exemple : Une startup nous demandait de l’aide pour calibrer une offre pour un Traffic Manager de 6 ans d’expérience. Nous savions que nous avions placé un Traffic Manager de 4 ans d’expérience à 48 000€ brut + 4k de variable dans une entreprise similaire. De l'autre côté, nous avions placé une Traffic Manager de 7 ans d’expérience, dont le package s’élevait à 68k + 10k. Package tout de même exceptionnel, car la-dite candidate justifiait de performances impressionnantes dans ses expériences passées.
En présentant ces deux cas à notre client, nous lui permettions d'avoir en tête une estimation "basse" et une estimation "haute" du salaire à proposer, de mieux se positionner dans le marché et ainsi d’arriver à une estimation plus "juste" du salaire adapté. Cela dit, une telle méthode était gourmande en temps, et souffrait également d'une certaine forme de subjectivité.
Vers un simulateur de salaire en startups
Les questions sur les estimations de salaires se faisant de plus en plus nombreuses, il nous est apparu nécessaire d’automatiser l'accès à cette information. D’où la naissance de ce projet de simulateur de salaire.
Trois cas d’utilisation ont été envisagés lors de sa conception :
• Phase de positionnement : donner une vision claire des métiers en startup et permettre aux utilisateurs d'estimer rapidement leur salaire sur un poste donné, en fonction de leur expérience et de leur formation. Le but final étant de les aider à choisir plus facilement le(s) poste(s) sur le(s)quel(s) se positionner.
• Phase d’embauche : comprendre quelle est la norme du marché, dans le but de communiquer des prétentions salariales cohérentes en tant que candidat, et de proposer des offres équilibrées en tant qu'entreprise.
• Phase d'activité : comparer les salaires pratiqués dans son entreprise aux salaires pratiqués sur le reste du marché.
Ces trois cas nous ont poussé à développer un simulateur exhaustif (tous types de métiers) et rapide d’utilisation (permettant de tester plusieurs métiers rapidement).
Du besoin de séparer fixe et variable pour le salaire
Vous le constaterez dans votre utilisation de l'outil, plutôt que d'indiquer un salaire "total", nous avons préféré distinguer le fixe du variable. En effet, d'un métier à l'autre, un salaire de 50k€ ne voudra pas dire la même chose, et pourra ne pas convenir à toutes les typologies de candidats : un package orienté "fixe" ravira les profils en recherche de stabilité salariale, là où un package orienté "variable" contentera les profils en recherche de compétition et de dépassement de soi.
Dans l'optique d'offrir une estimation salariale précise et réalise, il était donc crucial de séparer fixe et variable dans l’estimation que nous donnions.
Une fourchette de salaires plutôt qu'un salaire
À présent, une entreprise qui consultait l’outil voyait un salaire conseillé de 52k + 5k. Mais comment évaluer son cas précis ? S’il avait un candidat fantastique pour son poste de Traffic Manager, cela ne méritait-il pas 56k + 8k ? Le variable était-il toujours autour de 5k, ou était-il courant d’incentiver beaucoup plus un Traffic Manager ? Il y avait là un réel besoin de nuances, et donc de fourchettes.
Cela dit, il nous est arrivé de constater l'existence de grands extrêmes, à poste et expérience égale. Ainsi, de sorte à éviter des fourchettes absurdes du type « 32 – 58k », nous avons pris le parti de conserver un écart type faible, et d'ignorer les valeurs trop extrêmes. Si la majorité des salaires observés se situaient entre 41k et 49k, les salaires à 32k ou 58k étaient éludés. Notre simulateur se veut représentatif du marché, et n’a pas prétention à couvrir les cas extrêmes.
Du besoin de data ... et de réajustements.
Mais donner une fourchette du salaire fixe et une fourchette du salaire variable sur chaque poste et chaque niveau d'expérience demande énormément de data. Et au vu de la diversité des jobs et des profils existant en startup, dire que nos 5 ans d’expertise seraient suffisants pour tout estimer avec justesse serait un mensonge.
Notre simulateur est donc en constante amélioration, et s'affine à mesure que nous y injectons de nouvelles données. D'un point de vue quantitatif, notre plus grande source d'information réside dans les prétentions salariales que nos candidats communiquent lors de leur inscription. Avec plus de 1600 candidatures par mois, chaque profil nous renseigne une « valeur » de marché (en fonction de l'expérience, de la perception personnel, de ses rémunérations précédentes). Bien qu'empruntes d'une certaine subjectivité, ces données, retraitées et mises en commun, permettent d'esquisser des estimations beaucoup plus objectives et réalistes.
Nous espérons que cet outil vous sera utile, et qu'il répondra à la majorité de vos questions. N'hésitez pas à nous faire part de vos retours, positifs comme négatifs ! En parallèle, nous sommes également à votre disposition pour toute demande d’accompagnement dans votre recherche en startup ou pour tout besoin en recrutement.
.jpg)
.webp)
.webp)