Un data analyst qui crache des chiffres dans son coin, c’est inutile. Romain Bourgois le dit sans détour depuis Palo Alto, où il bosse chez Criteo comme analytics manager depuis plus de cinq ans – dont deux passés en Californie après un rachat d’entreprise américaine. Et ce qu’il décrit, c’est un métier que la plupart des offres d’emploi ne capturent pas vraiment.
Ingénieur de formation, passé par Audencia pour un master en management, Romain n’avait pas de projet entrepreneurial béton en sortant d’école. Alors il a cherché un poste qui valorise les deux diplômes. Il a trouvé Criteo – avant l’introduction au Nasdaq, ce qui compte parce que ça dit quelque chose sur son flair, ou sa chance, ou les deux.
Ce qui m’a intéressé dans cet épisode du podcast Baous, c’est que Romain ne vend pas le métier. Il le décrit. Et la nuance est énorme.
Ce que fait vraiment un data analyst chez Criteo – loin des fiches de poste
Trois projets majeurs sur la table à Palo Alto au moment de l’enregistrement. La monétisation de trafic côté site marchand. Les campagnes d’app install. L’enrichissement de catalogue produit. Romain est catégorique : le plus stratégique, c’est la monétisation.
Pour comprendre pourquoi, il faut regarder ce qu’Amazon est en train de faire. En 2019, Amazon devient la troisième plateforme publicitaire aux États-Unis en termes de dépenses – derrière Google et Facebook. Certains analystes estiment que les revenus pub d’Amazon vont générer plus de profit que ses services cloud d’ici quatre à cinq ans.
Amazon est en train de devenir un acteur majeur sur l’Adtech en devenant la troisième plateforme aux États-Unis cette année en terme de spend, en terme de spend côté advertising derrière Google et Facebook. Donc ça c’est un changement énorme et ce trend n’est pas près de décroître.
Voilà. Le contexte posé, tout le reste découle de là.
Le truc c’est que la force d’Amazon dans le retail, c’est précisément ça : ils monétisent leur propre inventaire en sponsorisant des produits sur leur plateforme. Coût quasi zéro, marge pure. Un e-commerçant lambda n’a pas accès à cette ligne de revenus. Et l’écart se creuse chaque trimestre.
C’est là qu’intervient le travail du data analyst chez Criteo. Pas juste analyser des dashboards. Identifier les zones où la valeur disparaît, construire un argumentaire, le pousser dans la roadmap produit. (Ce dernier point est souvent le plus dur – convaincre une équipe produit que ton analyse mérite de remonter dans les priorités, c’est un sport de combat.)
Réactif ou proactif ? Les deux, mais le deuxième est rare
La question que pose l’animateur est bonne. Est-ce que les demandes viennent des BU internes, ou est-ce que l’équipe analytics part chasser elle-même les problèmes ?
Romain répond franchement : les deux. Mais le deuxième est ce qui différencie vraiment son équipe.
On est une des rares équipes, en tout cas chez Criteo, à avoir cette capacité de se dégager du temps proactivement pour arriver à identifier quels sont les projets sur lesquels on devrait investir. Et finalement si nous on ne se force pas à le faire, et ben très peu d’autres équipes pourront le faire.
C’est exactement le problème dans la plupart des boîtes tech : l’analyse reste en mode pompier, elle réagit à l’urgence. Jamais le temps d’aller chercher ce que personne n’a encore demandé.
Romain parle d’une fonction de ‘vigie’ – terme que j’aurais pas choisi, mais qui colle. Un data analyst proactif doit comprendre la stratégie de la boîte, l’environnement marché, les enjeux business. Pas pour faire joli dans les réunions. Pour être pertinent quand il prescrit une direction.
Et s’il n’est pas pertinent, il perd cette position. Simple.
Ce qu’on ne dit pas assez sur ce rôle de vigie : ça demande une discipline organisationnelle que beaucoup d’équipes n’ont pas. Se forcer à bloquer du temps pour de l’exploratoire quand le backlog déborde, c’est un choix politique autant que managérial. Romain a cette chance chez Criteo. Pas tout le monde.
La stack d’un data analyst à Palo Alto – Excel inclus, sans honte
Question directe, réponse directe. J’aime ça.
Criteo tourne sur un des plus gros clusters Hadoop d’Europe. La récupération de données se fait principalement en SQL. Ensuite, pour l’analyse, ça dépend du cas :
- Python ou R quand il faut manipuler, scripter, reproduire une analyse à l’identique
- Excel pour les cas simples – et Romain insiste là-dessus, ce qui est rafraîchissant
- Tableau pour les reports et les visualisations récurrentes
Le machine learning arrive en bout de chaîne, pour des cas très spécifiques. Ce n’est pas le coeur du quotidien. Et cette honnêteté-là, je l’apprécie. Beaucoup de data analyst se vendent sur le ML alors que 80% de leur temps c’est du SQL et du nettoyage de données.
Excel reste un outil très très puissant pour faire des choses simples. Il y a pas de honte à utiliser Excel au contraire surtout si c’est simple. Mais dès qu’on a un aspect de reproductibilité de l’analyse, on essaie d’utiliser des outils scriptés et donc dans ce cas Python est un super outil.
Dit comme ça, ça a l’air simple. Et pourtant, combien de juniors passent des heures sur des notebooks Python pour des analyses qui auraient pris dix minutes dans un tableau croisé dynamique ?
La maturité analytique, c’est aussi savoir quand ne pas sortir l’artillerie lourde. C’est une compétence qui ne figure sur aucun syllabus de master data science, soit dit en passant. Pour ceux qui cherchent à structurer leur approche analytique, le framework AARRR appliqué aux revenus est un bon point de départ pour relier les données aux objectifs business concrets.
Ce que Romain conseille aux étudiants qui veulent devenir data analyst
Trois blocs. Clairs, pas parfaitement symétriques – ce qui est une bonne signe.
D’abord, la capacité analytique. Comprendre la complexité dans le détail, mais surtout la restituer simplement. Ces deux choses ensemble sont rares. Beaucoup de profils savent aller chercher de la complexité. Peu savent en faire quelque chose d’actionnable pour quelqu’un qui n’a pas leur background.
Ensuite, le sens business. Romain revient dessus plusieurs fois dans l’interview. Une analyse qui reste sur ton disque dur ne sert à rien. Elle doit se traduire en décision, en changement de roadmap, en mouvement concret. Sans ça, tu es un coût de centre. Et dans les petites structures notamment, c’est souvent comme ça que l’analytics est perçu – un poste de coût à court terme, pas un investissement.
Enfin, une appétence technique suffisante. Pas forcément un profil ingénieur. Romain dit lui-même qu’on cherche des licornes qui n’existent pas – et qu’en réalité personne n’a le profil idéal.
Aujourd’hui sur le marché, on cherche presque des licornes qui n’existent pas. C’est un métier qui est potentiellement accessible à tout le monde si on en a la volonté parce que personne ne va avoir un profil idéal.
Ce que j’aurais voulu qu’on me dise – enfin, ce que j’aurais aimé lire quand j’interviewais des data analysts pour mes papiers il y a dix ans – c’est exactement ça. Le profil parfait n’existe pas, et les boîtes qui prétendent le chercher font perdre du temps à tout le monde.
Sur la partie stats, Romain dédramatise aussi : intervalles de confiance, distributions normales, gut feeling alimenté par des exemples du quotidien. Pas besoin de mathsup-mathspé. Des cours sur Coursera peuvent combler les lacunes techniques. Ce qui ne s’apprend pas sur Coursera, c’est le sens business et la capacité à communiquer. C’est là que ça coince, généralement. Pour comprendre comment ce type de profil hybride se construit, l’épisode avec le Head of Product de Qobuz est un bon miroir – même logique de profil technique qui apprend à penser produit et business.
12 nationalités dans un bureau – ce que ça change vraiment pour un data analyst
Palo Alto, c’est rigolo en surface. Le bureau de GitHub en face de chez lui. Docker juste à côté. LinkedIn à trois blocs. Des logos qu’on connaît tous partout sur les façades, comme si la tech avait pignon sur rue d’une façon qu’on ne voit jamais à Paris.
Mais au-delà du côté carte postale, Romain parle de quelque chose de plus concret : 12 nationalités dans le bureau, 3 dans son équipe. Et ça, ça change le management.
Deux exemples précis. Aux États-Unis, couper la parole est perçu comme une impolitesse – même pour montrer qu’on est d’accord, ce qu’on fait naturellement dans nos cultures latines. Et dans les cultures asiatiques et indiennes fortement représentées dans la Silicon Valley, le manager a raison par défaut. Le chef ne se contredit pas.
Romain a donc dû adapter son style : pousser son équipe à se forger leur propre opinion, à ne pas être d’accord avec lui, à argumenter leurs positions. Ce qui est la base du travail analytique – si tout le monde valide ce que le manager dit, tu n’analyses plus, tu confirmes.
Et il parle d’un autre truc moins évident : l’expatriation te change, mais ton pays d’origine ne change pas. Du coup, au bout de quelques années, tu n’es vraiment chez toi nulle part. Ni complètement intégré là-bas, ni tout à fait à ta place si tu rentres. C’est un décalage qui se creuse lentement et que peu de gens anticipent avant de partir.
Ce n’est pas une mise en garde pour ne pas partir. C’est juste la réalité. Et Romain trouve que l’expérience vaut quand même largement le coup. Pour les profils qui hésitent entre entrepreneuriat et grande boîte internationale, la question du syndrome de l’imposteur revient souvent dans les deux cas – vaut mieux y réfléchir avant de signer un contrat à 9000 kilomètres de chez soi.
Amazon, Criteo et la guerre discrète pour le retail media
Ce point mérite qu’on s’y attarde, parce qu’en 2019 c’était encore une tendance. Aujourd’hui c’est une réalité structurante pour tout le e-commerce.
Le retail media – monétiser son inventaire publicitaire en tant que site marchand – est devenu un sujet central. Amazon a montré que c’était possible à grande échelle et à marge quasi-pure. Les retailers traditionnels ont mis du temps à comprendre qu’ils avaient aussi cet inventaire disponible.
Le positionnement de Criteo là-dessus est logique. Ils ont déjà les relations avec les sites marchands, déjà la technologie de ciblage, déjà la stack analytics. La plateforme de monétisation qu’ils construisent en 2019, c’est une réponse directe à l’avantage compétitif qu’Amazon s’est taillé.
Et c’est précisément là que le travail du data analyst devient critique : comment on split le budget entre on-site et off-site ? Comment on mesure la valeur incrémentale d’une campagne sponsorisée sur le site du marchand versus du display externe ? Ces questions n’ont pas de réponse générique. Elles demandent de l’analyse contextuelle, du test, du suivi.
Bref, du data analyst.
Ce que j’aurais aimé qu’on creuse dans l’interview, c’est la partie mesure d’impact. Comment Criteo sait qu’une amélioration produit issue d’une recommandation analytics a vraiment créé de la valeur ? C’est souvent là que les équipes data perdent de la crédibilité en interne – elles identifient des opportunités mais n’ont pas de méthode rigoureuse pour prouver le ROI de leurs recommandations. Et sans ça, retour case départ : l’analytics redevient un poste de coût.
Pour ceux qui veulent comprendre comment les modèles de revenu se testent et s’ajustent au contact du marché, l’épisode sur le business model media et le partenariat pose des bases utiles – même logique d’itération entre ce que les données disent et ce que le terrain confirme.
Ce que ce parcours dit sur le métier de data analyst en 2024
Cinq ans après cet épisode, le portrait que Romain dresse reste valide. Peut-être même plus qu’avant.
La demande pour les profils analytics a explosé. Mais la confusion sur ce qu’est réellement un data analyst a explosé aussi – et dans les deux sens. Des boîtes qui recrutent des data scientists pour faire des pivotables. Des candidats qui se vendent sur le machine learning alors qu’ils n’ont jamais sorti un modèle en production.
Ce que Romain décrit, c’est un profil hybride qui demande de la rigueur technique ET du sens des enjeux. Qui sait quand utiliser Python et quand utiliser Excel. Qui comprend que son analyse n’existe que si elle change quelque chose dans la vraie vie de la boîte.
Le data analyst proactif – celui qui va chercher les zones de perte de valeur sans qu’on lui demande – est encore rare. Romain dit que son équipe est une des seules chez Criteo à avoir cette capacité. Dans une boîte de cette taille, c’est à la fois une force et une fragilité : si l’équipe change, si le management change, cette culture exploratoire peut disparaître du jour au lendemain.
Et puis il y a la question du parcours. Romain n’est pas venu à l’analytics par la voie classique. Formation ingénieur, master management, envie d’entrepreneuriat, puis Criteo par opportunité. Ce détour par le management n’est pas un hasard – c’est ce qui lui donne le sens business que la plupart des profils purement techniques n’ont pas. Pour ceux qui réfléchissent à comment valoriser un parcours non-linéaire, le parcours d’un développeur devenu freelance montre que les trajectoires atypiques ont souvent plus de valeur qu’elles n’y paraissent sur un CV.
La Silicon Valley reste un accélérateur. Pas parce que l’air y est différent, mais parce que la densité de projets, de nationalités, de façons de travailler te force à te remettre en question en permanence. Ce que Romain décrit comme un challenge managérial – pousser des profils avec des cultures hiérarchiques fortes à contredire leur manager – c’est en réalité une compétence centrale pour tout data analyst qui veut peser dans les décisions. Si tu ne peux pas défendre ton analyse face à quelqu’un qui a l’autorité, ton analyse ne vaut rien.
Sur le vin en cubi ramené de Paris, je n’ai rien à ajouter. Chacun ses stratégies de survie.
