Dylan Arnaud, Data Analyst | J’aide les entreprises à piloter leur activité et leur rentabilité en concevant des tableaux de bord sur mesure | Power BI & Fabric | ⭐ 5/5 Malt, a récemment partagé quelque chose qui m’a fait m’arrêter net: "Arrêtez de mettre "Data Analyst / Scientist / Engineer" sur votre CV". Il ajoute que c’est "l’erreur n°1" chez les juniors: vouloir être le "Couteau Suisse" de la Data, apprendre Python, SQL, le Cloud et le Machine Learning en même temps, et penser qu’en mettant tout, on maximise ses chances.

Je suis d’accord avec le fond, et je pense que ce message mérite d’être développé en version "blog" parce qu’il touche un problème très concret: la confusion entre apprentissage, curiosité, et positionnement professionnel. Aimer apprendre plein de choses est une force. Se présenter comme trois métiers à la fois, surtout en junior, est souvent un handicap.

"Vouloir tout faire d’un coup = ne rien maîtriser du tout." - Dylan Arnaud

Le vrai problème: le recrutement ne récompense pas le flou

Quand un recruteur lit un CV junior, il ne se demande pas: "Est-ce que cette personne peut tout faire?" Il se demande plutôt:

"Quel poste précis est-ce que je peux lui confier dans 1 à 3 mois?"
"Sur quelles tâches va-t-il ou va-t-elle être autonome le plus vite?"
"Quelle est la preuve de compétences sur un périmètre clair?"

Le CV "Data Analyst / Data Scientist / Data Engineer" envoie un signal ambigu: vous ne savez pas encore où vous voulez aller, et vous n’avez probablement pas investi assez profondément dans un socle. Même si ce n’est pas vrai, c’est souvent ce qui est compris.

Le paradoxe, c’est que plus vous empilez de mots-clés, plus vous vous exposez à deux risques:

Les experts du métier visé voient rapidement les approximations.
Les systèmes de tri (ATS) et les recruteurs généralistes ne savent pas dans quelle pile vous mettre.

Trois métiers, trois objectifs, trois manières de prouver sa valeur

Dylan Arnaud résume très bien la différence: ce ne sont pas des intitulés interchangeables. Ils portent des finalités différentes, donc des compétences différentes, donc des preuves différentes.

Data Analyst: éclairer les décisions avec le passé

Comme Dylan le dit: le Data Analyst "analyse le passé pour éclairer les décisions". Le coeur du rôle, c’est de transformer des données existantes en information actionnable.

Compétences signatures:

Modélisation simple, définition de KPI, compréhension métier
SQL solide (jointures, agrégations, CTE, qualité de données)
Data viz et storytelling (Power BI, Tableau, Excel)

Preuves sur un CV:

Un tableau de bord avec des KPI clairs et une logique de données explicite
Un cas d’usage métier (churn, marge, ventes, supply, support)
Une démarche: collecte - nettoyage - analyse - recommandation

Data Scientist: prédire, classer, optimiser

Dylan Arnaud rappelle: le Data Scientist "prédit l’avenir avec des modèles statistiques". On n’est plus seulement dans "décrire" mais dans "inférer" et "prévoir", avec des compromis (biais, variance, interprétabilité, dérive).

Compétences signatures:

Statistiques, validation, métriques, expérimentation
Python (pandas, scikit-learn), parfois R
Feature engineering, entraînement, évaluation, déploiement léger

Preuves sur un CV:

Un projet avec dataset, baseline, métriques, et choix justifiés
Un notebook propre, reproductible, et expliqué
La capacité à dire: "voici ce que le modèle fait, et surtout ce qu’il ne fait pas"

Data Engineer: construire l’usine à données

Comme Dylan le formule: le Data Engineer "construit les infrastructures qui alimentent l’écosystème". Le rôle est orienté fiabilité, performance, industrialisation.

Compétences signatures:

Pipelines (ETL-ELT), orchestration, monitoring
Spark, traitements batch et parfois streaming
Cloud (AWS, Azure), stockage, sécurité, gouvernance

Preuves sur un CV:

Un pipeline de bout en bout (ingestion - transformation - chargement)
Une architecture décrite simplement (sources, flux, fréquence, SLA)
Des choix techniques: coût, latence, qualité, résilience

"Choisis UN métier" ne veut pas dire "n’apprends que UN outil"

Le conseil de Dylan Arnaud est simple et juste: "Choisis UN métier", "Maîtrise ses fondamentaux", puis "Élargis ensuite tes compétences".

La nuance importante, c’est que choisir un métier cible n’interdit pas d’être curieux. Ça veut dire:

Votre CV raconte une seule histoire.
Vos projets servent une seule promesse.
Vos compétences secondaires viennent soutenir, pas brouiller.

Exemple concret:

Si vous visez Data Analyst, apprendre un peu de Python est utile, mais comme renfort à l’analyse (automatisation, data cleaning), pas comme promesse "je fais du Machine Learning".
Si vous visez Data Engineer, connaître SQL est obligatoire, mais la différenciation vient souvent de l’industrialisation et du Cloud.

Une méthode simple pour choisir (sans regretter)

Si vous êtes junior et que vous hésitez, voici une grille pragmatique:

1) Qu’est-ce qui vous donne de l’énergie?

Vous aimez parler KPI avec des équipes métier, raconter une histoire, créer des dashboards? Tendance Analyst.
Vous aimez expérimenter, comparer des modèles, optimiser une métrique? Tendance Scientist.
Vous aimez rendre un système robuste, automatiser, monitorer, architecturer? Tendance Engineer.

2) Quel type de "preuve" pouvez-vous produire en 4 à 6 semaines?

C’est un point clé. Le meilleur choix est souvent celui où vous pouvez construire un portfolio crédible rapidement.

Analyst: 1 dashboard complet + note d’analyse.
Scientist: 1 projet ML avec validation propre.
Engineer: 1 pipeline documenté et exécutable.

3) Quel marché vous ciblez?

Le marché local compte. Certaines régions ont plus d’offres BI et reporting, d’autres plus d’ingénierie Cloud, d’autres plus de DS appliquée. Votre stratégie doit coller à la réalité des annonces.

Comment corriger votre CV dès aujourd’hui

Si vous vous reconnaissez dans le "Data Analyst / Scientist / Engineer", voici un plan d’action rapide.

Clarifiez le titre

Choisissez un seul intitulé en haut du CV, aligné avec les offres visées.

Bon: "Data Analyst junior (SQL, Power BI)"
Bon: "Data Engineer junior (Python, Spark, Azure)"
A éviter: "Data Analyst / Data Scientist / Data Engineer"

Réécrivez votre accroche en promesse

Une phrase = un métier = une valeur.

Exemple Analyst: "J’aide à piloter la performance via SQL, Power BI et des KPI orientés décision."

Supprimez les listes d’outils sans contexte

Mieux vaut 6 compétences prouvées que 20 mots-clés.

À la place, associez chaque compétence à un résultat:

"SQL: extraction et transformation pour un dashboard ventes (5 KPI, rafraîchissement quotidien)"
"Power BI: modèle en étoile + mesures DAX + rapport interactif"

Faites un portfolio qui confirme le positionnement

Votre GitHub, votre Notion, ou un PDF de projet doit raconter la même histoire que le titre.

Quand et comment "élargir ensuite" sans perdre votre identité

Dylan Arnaud a raison: l’élargissement vient après. Pour le faire intelligemment:

Construisez un socle fort (les fondamentaux du métier).
Ajoutez une compétence adjacente qui augmente votre impact.
Ne changez pas votre promesse à chaque nouvelle techno.

Exemples d’élargissement cohérent:

Analyst -> ajouter dbt pour mieux structurer les transformations.
Engineer -> ajouter notions de modélisation BI pour servir les équipes analytics.
Scientist -> ajouter MLOps léger (packaging, monitoring simple) pour rendre le modèle utilisable.

Le mot de la fin: la spécialisation est une stratégie, pas une prison

Le message de Dylan Arnaud n’est pas anti-polyvalence. Il est pro-clarte. En junior, être "généraliste" est rarement lisible. Être spécialisé dans une promesse simple, c’est ce qui ouvre la porte. Ensuite, une fois dans le poste, la polyvalence devient un accélérateur.

Si vous deviez retenir une seule idée: choisissez un métier cible, prouvez les fondamentaux avec 1 à 3 projets solides, puis élargissez de manière cohérente. C’est plus lent en apparence, mais beaucoup plus efficace dans la réalité.

This blog post expands on a viral LinkedIn post by Dylan Arnaud, Data Analyst | J’aide les entreprises à piloter leur activité et leur rentabilité en concevant des tableaux de bord sur mesure | Power BI & Fabric | ⭐ 5/5 Malt. View the original LinkedIn post →