Différences entre data et web analyst

Les métiers de la data ont le vent en poupe ces dernières années comme en témoigne la succession de buzzword comme data science, big data, machine learning ou internet of things (IoT). Ces métiers et leurs intitulés de poste évoluent rapidement et il n’est pas toujours facile de saisir ce qu’il y a derrière ces noms anglophones, notamment pour les profils évoluant hors du monde de la data comme les recruteurs et managers.

Ici j’aimerais me pencher sur deux métiers à la fois proches et distincts : data analyst vs web analyst. Et oui, si les deux jobs ont bien le mot “analyst” en commun c’est parce qu’ils partagent certaines compétences. Mais ils ont aussi leurs spécificités propres ce qui fait qu’ils ne sont pas interchangeables, du moins pas sans formation préalable à mon avis.

Sommaire

1. Définition des deux métiers
2. L’analyse en commun
3. Les compétences du web analyst
4. Les compétences du data analyst
5. Conclusion

#1 Définition des deux métiers

Commençons par une rapide définition des deux jobs :

• Data Analyst : comme son nom l’indique, il analyse des données (merci Sherlock). Les données en questions peuvent provenir de plein de sources différentes : outils de caisse, logistique, service client, comptabilité etc. L’analyst est responsable du nettoyage de ces données et  de leur mise en forme pour en tirer le jus, la valeur ajoutée. Il apporte une nouvelle information à partir de données brutes. C’est l’évolution des fameux tableurs Excel qui bien que âgés facilitent toujours la compréhension d’une situation et la prise de décisions des dirigeants. 

• Web Analyst : Il est premièrement responsable de la collecte de données en ligne. Son travail commence une fois que vous avez donné votre consentement à la collecte de vos données, aka via l’acceptation des cookies. Votre passage et vos actions sur le site ou l’application mobile génèrent des informations qui sont stockées pour être ensuite analysées. Ces informations peuvent être l’achat d’un produit, un clic sur le menu, une inscription à la newsletter etc. L’analyse de ces données va permettre d’optimiser les différents aspects du site et d’améliorer ainsi la performance du business en ligne.

Il y a donc une finalité commune à ces deux métiers qui est d’apporter une information claire à forte valeur ajoutée, obtenue suite à l’analyse et à la mise en formes de données brutes et inexploitées préalablement. 

Et il y a aussi des divergences entre les deux métiers notamment sur les outils et les langages de programmation utilisés, sur la collecte de données, sur l’écosystème de personnes avec qui ils travaillent au quotidien. 

#2 L’analyse en commun

Regardons de plus près les points communs au deux métiers :

• La Data Visualisation, aka le reporting, c’est la présentation de données sous forme de tableau, de graphiques en barres, en courbes, etc. Les données sont rangées dans des tableaux de bords à destination d’un utilisateur final. La création de ces rapports nécessitent des échanges avec l’utilisateur final pour bien comprendre son besoin, ses enjeux et les indicateurs qu’il lui faut pour piloter son activité. Ces rapports doivent être automatisés pour être mis à jour régulièrement et créer un outil de gestion fiable pour l’utilisateur final. Les outils phares du marché sont : Tableau, Power BI, QlikSense/QlikView, Data Studio.
• Analyses Ad Hoc ou analyse ponctuelle. Comme pour le reporting il s’agit ici de présenter sous forme graphique le contenu d’un ensemble de données et d’en tirer des observations. La différence est que le reporting correspond à une activité récurrente comme les ventes par jour alors que l’analyse ad hoc est une tâche unique comme l’analyse d’une enquête d’opinion par exemple. Outils : Excel / Google Sheet
• SQL et les bases de données. Les données sont générées automatiquement ou manuellement par une multitude de sources différentes. Ces données sont stockées sous forme de table dans des bases de données. On peut voir les bases de données comme des compilations de tableurs Excel optimisées pour prendre le moins de place de stockage possible. Pour manipuler les données au sein d’une base, il faut utiliser le langage de programmation SQL. Les analystes doivent comprendre les liens entre les tables des bases de données et effectuer des requêtes en SQL pour extraire les données pertinentes pour les analyses et visualisations.  
• Le nettoyage des données. Un problème commun aux deux métiers et la qualité des données. Celles-ci ne sont pas toujours collectées correctement, leur provenance est difficile à tracer, leur signification pas claire etc. Il faut donc être vigilant et passer du temps à nettoyer son jeu de données avant de procéder à une analyse pertinente. Typiquement cela va se traduire par enlever les valeurs N/A, null, undefined.. La rigueur dans cette tâche se répercute sur la qualité de l’analyse.  
• Des interlocuteurs communs.  Le data analyst et le web analyst ne vont pas forcément évoluer dans la même équipe, le data analyst sera plutôt dans une équipe data ou BI et le web analyst dans une équipe E-commerce ou Webmarketing. Mais ils ont des interlocuteurs communs comme l’ingénieur data ou l’architecte data qui sont responsable de la construction et maintenance de la base de données ainsi que des flux de données entre les différentes sources et la base. 

Pour résumer, il faut donc pour les deux métiers savoir présenter des données de manières claires et fiables, en écrivant les bonnes requêtes SQL pour extraire un jeu de données nettoyé des valeurs corrompues. J’ajouterais également que les deux doivent être de bons communicants pour expliquer leurs trouvailles et conclusions au reste de l’équipe.

Mais il y a également des qualités propres à chaque métier que nous allons aborder maintenant pour qui veut se spécialiser.

#3 Les compétences du web analyst

Pour exercer le métier de web analyst, il faut avoir des compétences spécifiques :

• La maîtrise du tracking sur site web & application. Le web analyst est responsable du plan de mesure et du plan de marquage. Ces deux documents permettent de faire la jonction entre les besoins métiers (quels indicateurs suivre), et la solution technique pour répondre à ces besoins (le code javascript pour capter la donnée, aka la dataLayer). Avec le bon code implémenté, l’analyste peut suivre des indicateurs comme les visites, les clics ou les ventes et également passer des informations à des outils tiers comme des régies publicitaires (Facebook Ads, Google Ads etc).  
• La configuration des outils de Web Analyses. Ici, il y a deux types d’outils incontournables : les outils de gestion de tags et les outils d’analyse d’audience. 

a. Les outils de gestion de tags, ou tag management system (TMS), permettent à l’analyste d’avoir la main sur la gestion des tags. Les tags sont des extraits de code à rajouter au code source du site pour déclencher des actions comme l’affichage d’une publicité ciblée ou l’envoie de donnée à un outil tierce. Avec une bonne configuration de son TMS et de ses tags, on peut piloter ses campagnes marketing à la performance et remplir ses outils d’analyse de données fiables. Les principaux TMS sont : Google Tag Manager (GTM), CommanderAct, AdobeTagManager. 

b. Les outils d’analyse d’audience sont des services qui, une fois alimentés correctement en donnée, permettent de mesurer votre audience et suivre le comportement de vos utilisateurs sur votre site. Grâce à des rapports pré conçus et/ou personnalisables, ces services permettent à l’analyste de trouver des pistes d’amélioration de la conversion du site, de l’acquisition de trafic, de l’expérience utilisateur etc. C’est le terrain de jeu principal du web analyste. Les outils principaux sont : Google Analytics, Adobe Analytics, AT Internet Analytics.

• Connaître les bases des langages web :  HTML / CSS / Javascript. Le web analyst n’est pas un développeur front. Mais dans son travail de collecte de données et de vérification du tracking, il est amené à interagir avec différents éléments d’une page web. Il est nécessaire pour lui de bien comprendre la structure d’une page web. Chacun de ces trois langages à un rôle spécifique dans le rendu final d’une page web  : HTML permet d’appeler les contenus à afficher, CSS met en forme ces contenus et Javascript rend les animations possibles sur la page. Il est recommandé de suivre une formation type débutant pour ces 3 langages et puis de progresser sur le tas. Ces connaissances sont particulièrement utiles lors du paramétrage et de l’utilisation de TMS ou de solution d’AB Testing.  
• Naviguer parmi les métiers du web. Le rôle du web analyst s’inscrit dans un écosystème  de métiers. Il est intéressant de comprendre ces différentes fonctions pour interagir au mieux avec elles. D’un côté il y a les métiers demandeurs d’analyse comme le  SEO, SEA, Display, e-merchandising, UX/UI, animation commerciale. Et de l’autre côté il y a les métiers de l’IT qui aident à l’accessibilité des données :  le développeur front end, le data engineer. 

#4 Les compétences du data analyst

Les compétences propres au data analyst :

• Python est un langage de programmation généraliste avec une syntaxe relativement facile à lire et à apprendre. Il est très utilisé par les data analystes et data scientist car il dispose de nombreuses librairies permettant d’aller récupérer des données via des APIS et de manipuler efficacement de gros volumes de données. Python permet également d’afficher ses données sous formes de visuels. On peut donc réaliser et partager ses analyses en données entièrement en Python. Les librairies principales pour manipuler des données en Python sont : pandas, numpy, matplotlib.
• Le Data Mining ou l’exploration de données. Cette tâche consiste à dégager de l’information utile en cherchant des corrélations et des patterns dans de larges volumes de données, provenant souvent de plusieurs bases de données. Si la technique n’est pas nouvelle, elle s’est amplifiée ces dernières années avec l’émergence du big data. Une part importante du métier de data analyst consiste à tirer des apprentissages de données jusqu’alors sous exploitée via le data mining. 
• Les connaissances en statistiques et probabilités. Pour parfaire son exploration de données, le data analyste va s’appuyer sur des méthodes statistiques comme le box plot, le clustering, la distribution de probabilité, les arbres de décisions etc. Ces méthodes d’analyse sont également utilisées dans les projets de data science et préalables à la construction de modèles prédictifs. Pour effectuer ces travaux l’analyste va s’aider d’outils statistiques comme R ou SAS.
• La compréhension de l’écosystème data. Le data analyst évolue généralement dans une équipe data, ou est en lien avec celle-ci. Pour bien comprendre sa place dans l’équipe, il doit également comprendre les rôles de ces compères les data engineer, data architect et data scientist. En effet les frontières entre ces rôles sont poreuses et peuvent varier d’une entreprise à une autre. Enfin, il est nécessaire aussi de comprendre le rôle et les problématiques du demandeur de l’analyse afin d’orienter ses recherches dans la bonne direction.

#5 Conclusion

Si on résume tout ça :

Il y a donc des passerelles entre les deux métiers avec des compétences communes mais surtout une finalité partagée. Le but des deux métiers est d’extraire une nouvelle information pertinente à partir de la donnée et de partager cette information de manière claire, accessible et fiable au reste de l’équipe. Je pense que les traits de personnalité à avoir pour ces deux rôles sont aussi similaires : rigueur, organisation, communication, curiosité et esprit critique. 

Mais les deux rôles sont bien distincts, un data analyst ne va pas savoir poser un tag sur votre site internet et un web analyst peut vite se retrouver bloqué si vous lui demander de faire une analyse en python. A chacun ses spécialités. Par contre avec un peu de formation, un data analyst peut très bien devenir web analyst et vice versa. On fait tous partie de la famille data au final 🙂

 J’espère avoir été clair sur les points communs et différences entre ces deux rôles, sans avoir utilisé trop de jargon technique. Cet article ne reflète bien sûr que mon avis et mon expérience de Web Analyst ayant également un pied dans la data.