la première chose c'est que la partie dashboarding du Data analyse ça constituait quand même une brique importante du métier et c'est vrai que j'étais pas très fan de cette partie làà et en fait quand tu es Analytics ingéer tu parles plus au data analyste et donc les communications elles sont un peu plus simples et que du coup tu fais plus du technique je pense que même si tu es data analyste aujourd'hui même en freelance ou en CDI ça te donne une corde hyper intéressante à ton arc ça peut justement faire la différence entre plusieurs profils
peut-être que ton salaire est pourra être plus élevé parce que tu as cette compéten aujourd'hui je reçois Caroline qui a démarré data analyse chez Stuart puis qui a évolué vers un poste d'Analytics engineer en freelance en réalisant notamment des missions au sein de la Licorne Ledger qu'on connaît bien sur le Podcast mais aussi chez Montblanc et aussi chez Pass Culture tu nous en diras un peu plus tout à l'heure en parallèle elle est également formatrice et créatrice de contenu au sein du boot camp en Analytics engineering qu'on a lancé en collaboration avec databird aujourd'hui elle
va nous raconter son parcours son passage de Data analyse vers analytique enger et nous en dire un peu plus sur le rôle d'Analytics engéer hello Caroline ça va salut Robin ça va et toi super B écoute jeis R de te recevoir pour cet épisode spécial Analytics engineering pour ceux que ça intéresse je partage chaque jeudi via la newsletter datajen un mail avec un zoom sur les éléments clés de l'épisode et la ressource recommandée par l'invité il se lit en 3 minutes je vous mets le lien pour s'inscrire en description est-ce que tu peux te présenter
et nous raconter ton parcours avant de devenir Analytics engéer déjà j'ai fait une école d'ingénieur en informatique euh spécialisé data j'ai directement fait mon stage de fin d'étude en data analyste chez delivero et ensuite j'ai intégré donc Stuart en data analyste en CDI et j'y suis restée 2 ans et demi et donc en fait chez Stuart je me suis un peu rendue compte que le poste data analyste je j'aimais bien mais ça me convenait pas à 100 % pour plusieurs raisons et donc j'ai voulu donc changer de métier j'ai tenté de me lancer en freelance
et j'ai finalement été contactée par une entreprise de conseil euh qui m'a proposé une double mission chez leseder et chez Montblanc euh donc j'ai commencé donc dans cette entreprise de conseil directement en Analytics engineer parce qu'en fait chez Stuart mon datanalyste c'était un peu technique et donc du coup j'avais déjà un peu développé les compétences nécessaires pour être Analytics ingéer donc après cette double mission chez Leser et Montblanc euh j'ai intégré le Pass Culture en freelance toujours et puis en parallèle j'ai commencé la création de contenu euh pour euh du coup databd pour le bout
camp avec datag et si on revient un petit peu sur le début tu disais effectivement il y avait quelques éléments qui te convenaient plus dans le métier de dataanalyse peut-être qu'on en parle parce que je suppose que ça peut aussi être le cas dans notre audience c'était quoi en deux mots les éléments qui te dérangeaient déjà le la première chose c'est que la partie dashboarding du Data analyste ça constituait quand même une brique importante du métier et c'est vrai que j'étais pas très fan de cette partie- là d'autant plus que quand tu es data analyste
tu as beaucoup de demandes externes parce que tu as tu exerces une fonction support et tu tu es là pour être au service un peu des équipes métiers il y avait beaucoup de sollicitations et moi j'avais peut-être envie d'un métier un peu plus en amont de la data oou tu as des sollicitations mais un peu plus centralisées et en fait quand tu es Analytics ingéer tu parles plus au data analyste et donc tes communications elles sont un peu plus simples et que du coup tu fais plus du technique pour tout dire en fait au début
je voulais être data inéer et je savais même pas que le métier d'Analytics inéer ça existait du coup je cherchais un job data engéer à la base et finalement ça l'a mieux fait pour Analytics parce que bah c'était plus proche de mes compétences la marche était moins haute de Data analyse vers analysis engéer euh que de Data analyse vers data engéer quoi et puis potentiellement là tu découvres un nouveau job ou peut-être qu'en fait tu es un peu plus au milieu et et ça peut aussi te plaire quoi ou tu es encore dans une trajectoire
où tu aimerait éventuellement devenir data ingénieer à terme c'est vent ce que je dis parce que c'était un peu ça qui s'est passé quand j'étais analyste et que je voulais être ingénieur je me disais que çaallait pas être possible parce que malgré mes compétences techniques j'étais pas assez technique je pensais du coup euh je me suis dit mais c'est parfait un métier plus technique et maintenant finalement que j'ai fait Analytics engineer j'ai plus vraiment envie de faire data engineer parce que du coup j'ai cottoyer plus de Data inéer et je me suis rendu compte que
c'était moins fait pour moi je pense ce métier et je trouve qu'analytics inéer ça m'épanouit en tout cas pour le moment ça te convient B écoute félicitations en tout cas d'avoir trouvé le job qui te plaît et peut-être effectivement pour des membres de l'audience pour lesquels ça pourrait pas être clair je serait cool qu'on rentre un peu bah dans les missions comme ça au moins on peut aborder le rôle d'Analytics engéer mais de manière concrète tu peux nous dire par exemple en mission chez Leder ce que tu faisais chez Leder on arrivait et en fait
il faisait une migration entre redshift et ils allaient sur snowflake et en fait tous leur modèle de données ils étaient faits sur un package custom pyon et c'était un package qui était utilisé par l'entreprise de conseil par laquelle je passais qui avait été créé par cette entreprise l'idée c'était de de passer sur des BT pour du prendre tous leurs modèles les mettre sur des BT refactoriser les modèles au passage en utilisant les bonnes conventions parce que forcément c'est plus simple de développer la transformation sur DBT parce que c'est c'est une stack qui est connue de
tout le monde donc pour unboard des nouvelles personnes c'est plus simple aussi mais le package python à la base faisait un petit peu pareil que faisait desbt c'était la même idée oui mais ça c'est classique d'avoir développé cet outil un peu en interne et puis en fait au bout d'un moment quand tu commences à CEER avoir besoin que beaucoup de gens travaill avec cet outil tu peux te rendre compte que c'est quand même cool d'avoir un outil plus standard que la communauté connaît c'est plus facile d'border les gens pour les membres de lance qui connaissent
pas il y a des gens qui aiment pas trop quand on dit quand on relit trop l'analytics engineering et DBT mais forcé de constater que les deux sont quand même très liés DBT c'est un peu la colonne vertébrale aujourd'hui du du job de l'analytics engineer c'est un outil qui a explosé ces dernières années qui qui avait explosé avant aux États-Unis et qui là en train d'exploser en France et je disais récemment d'ailleurs dans une newsletter et un post LinkedIn que c'est l'outil qui a été le plus cité sur ces dernières années sur le Podcast ouais
pour moi qui finalement été le plus adopté dernièrement tu vois sur le marché français dans les équipes data et et je pense que c'est encore que le début et peut-être si on passe du coup à Mont-Blanc tu me disais c'était une autre mission sur laquelle tu as travaillé du coup Montblanc c'était en parallèle de Ledger et pour Montblanc j'entrais dans l'équipe et tout était déjà en place donc c'était un rôle d'Analytics engineer plus classique c'est-à-dire que DBT il était déjà plutôt bien installé setup les dashboards étaient connectés au modèle de DBT il fallait juste au
quotidien si l'équipe de Montblanc avait des nouvelles demandes sur des nouveaux indicateurs des nouvelles sources de données intégrées par exemple moi j'avais travaillé sur Google analytic parce qu'il faisait la migration entre Universal Analytics qui était l'ancienne version et Google Analytics 4 donc l'idée c'était de créer des nouveaux modèles pour enrichir l'existant sur des nouvelles sources ou sur des besoins aussi de nouveaux indicateurs en fait une manière de schématiser l'analytic engineer c'est souvent de se dire en fait tu es un peu au milieu entre le Data engineer qui lui travaille sur la mise en place de
la stack l'ingestion de données ou en tout cas le paramétrage des des outils qui permettent d'ingérer les données et qui va renvoyer après des KPI ou des indicateurs qui sont bien travaillés pour les dataanalysse qui eux font un peu le dernier mile avec les équipes business et les tableaux de bord et après en fonction des boîtes il a il y a des variantes quoi parfois les annalx ingénieurs travaillent aussi un peu sur les tableaux de bord parfois c'est eux qui vont s'occuper un peu de l'ingestion et finalement les Data inénier juste les coachs et après
chaque boîte met en place son orga ok super intéressant et dans enfin la troisième peut-être pour clôturer comme ça on aura vu un peu quelques contextes différents sur pas culture tu faisais quoiou en fait quand je suis arrivé donc eux pareil ils avaient une ancienne stack avec plein de requêtes SQL et donc ils avaient mis toutes leurs requêtes et tous leurs modèles en DBT et donc moi quand je suis arrivé l'idée c'était surtout de refactoriser leur modèle parce que leur modèles ils étaient pas forcément optimisés il y avait beaucoup de répétitions de code et cetera
donc ça c'était le la première partie et la seconde partie assez importante pour eux c'était de former leur data analyst parce que la raison principale pour laquelle ils ont voulu passer sur desbt c'était pour donner la main sur la partie transformation au data analyst parce que DBT c'est plus simple à utiliser que une stack custom comme on pouvait en voir avant du coup j'avais aussi pour mission de former leur data analyste pour qu'ils puisse à la fin de ma mission prendre complètement en main leur nouveau modèle ça là ça met en lumière deux phénomènes un
peu en lien avec l'analytics engineering que j'ai beaucoup vu sur le podcast et c'est d'un côté en fait le le gap qu'il avait sur cette partie modélisation qui fait qu'en général il y avait un peu un chez nom manquant c'est qu'on mettait toutes les données dans le warehouse sans les retravailler et les Data analyste après il commencent tout de suite a travaillé sur des tableaux de bord avec ses données brutes et donc ça ça a posé beaucoup de problèmes de fiabilité de doublon et cetera c'est là qu'il y a eu un gros besoin de modélisation
et en fait DBT a un impact super intéressant ici parce que je pense qu'il y a aussi un retard sur cette modélisation lié au fait qu'il y avait un goulot d'étranglement un peu et que jusque- là il y avait entre guillemets que les Data engineers qui étaient CAPA de le faire parce que c'était pas comme tu dis accessible en SQL et là maintenant grâce à des outils comme DBT parce que il y en a d'autres en fait des profils qui sont euh très compétent en SQL tu peux faire de la transformation et donc c'est ça
va être notamment les Analytics engineer qui parfois vont faire ces modèles ou parfois même comme tu dis les Data analyes qui vont maintenant monter en compétenence coaché par les Analytics engéer pour faire eux-mêmes le leur modèle avant d'aller construire leurs tableau de bord ou leurs analyses et c'est ça qui permet de résoudre ce manque qu'il y avait sur la modélisation quoi je pense en t'entendant et je suis sûr qu'il y a des membres de l'audience aussi tu vois si tu es data analyste aujourd'hui qui est déjà quand même technique mais pas forcément aussi technique ces
sujets de transformation et cetera la marche elle peut paraître quand même assez haute et là en plus tu parlais que de DBT mais il y a d'autres sujets dont on parlait quand on s'est appelé le fait aussi de savoir utiliser des ETL type F Tran le fait de d'être très à l'aise sur git parce que du coup tu tu passes sur un modèle plus industriel de la gestion de la de la data comment tu t'es formé toi du coup pour réussir à cette transition quoi euh ouais bah oui c'est ça parce qu'en fait le SQL
c'est vraiment nécessaire si tu veux commencer à te lancer mais c'est vrai que il y a la parttie git qui est vraiment importante et mine de rien quand j'étais data analy chez Stuart je me souviens je savais en fait finalement pas du tout utiliser vraiment git je savais vraiment les commandes de base mais j'avais une utilisation très primaire de l'outil et donc quand je terminais mon CDI comme j'étais dans une entreprise donc Stuart il y avait quand même des moyens il y avait des ressources il y avait beaucoup de personnes qui étaient compétentes sur des
sujets et donc j'ai pu apprendre des BT ils installaient des BT donc j'ai pu coder sur desbt j'ai pu faire des petits projets sur F Tran et également je me suis un peu plus intéressé à git parce que pour faire des BT en fait il faut simplement savoir utiliser git je suis monté un peu en compétence aussi sur ce sujet-l un peu en autonomie j'ai eu de la chance parce que donc la première mission freelance que j'ai eu ils m'ont un peu formé sur les bonnes pratiques de l'analytics ingéer c'est-à-dire que moi je suis arrivé
avec le bagage technique suffisant mais tout ce qui est un petit peu comment factoriser des modèles comment construire ton architecture pour que ce soit justement optimisé bah c'est plus eux qui m'ont appris ça et après en fait ça a été vraiment très naturel parce que peut-être que j'avais fait l'école d'ingénieur aussi avant donc ça a aidé mais ouais bah après il y a plein de manières de de progresser et tu as eu le bon contexte avec un l'environnement qui te permet toi de commencer à jouer avec sans trop de pression c'est là tu étais pas
encore non plus en mission et tout et puis ensuite la mission mais avec le bon support et cetera tu as déjà parlé un peu de bah d'à quel point tu étais contente parce que tu as trouvé finalement ta voix avec l'analytics engineering mais curieux aussi que tu nous dises comment tu ressens que ça t'aide ou que ça a de la valeur peut-être en terme d'employabilité ou dans ton cas dans ta recherche de mission en freelance estce qu' aujourd'hui le fait d'avoir rajouté un peu ses compétences analythtics engineering ça a beaucoup de valeur ça a vraiment
beaucoup de valeur bon surtout aujourd'hui parce que comme on a dit il y a quand même pas mal de demandes et donc aussi forcément bah comme c'est un sujet qui me plaît plus je pense que je suis meilleure dedans que quand j'étais juste à ta analyse donc ça aide aussi si ça te plaît bah faut faut y aller je pense que que même si tu es data analyste aujourd'hui avoir cette corde Analytics inineer même en freelance ou en CDI ça te donne une corde hyper intéressante à ton arc tu as peux justement faire la différence
entre plusieurs profils peut-être que ton salaire il pourra être plus élevé parce que tu as cette compétenence si je prends exemple du Pass Culture eux ils voulaient à terme plutôt que ce soit les Data analystes qui prennent un peu plus la main sur DBT et donc je pense que si demain ils veulent embaucher un nouveau data analyste bah s'il voit que ils ont un profil qui a déjà fait des BT bah forcément ça boostera ce profil et quel conseil tu donnerais à quelqu'un qui soit justement passer data analyste à Analytics engineer ou à ce que
j'appelle souvent sur le Podcast full stack data analyste c'estàd un F qui reste data analyste mais qui a rajouté entre guillemets à sa panopie de compétence celle de l'analytics engineering si jamais vous êtes déjà dans mon cas où j'étais déjà un petit peu technique continueer un peu dans ce côté-là vous former comme j'ai pu le faire c'est toujours bien de se former en autodidacte si vous avez la possibilité de le faire dans votre entreprise deuxième point c'est bien d'avoir une vue plus globale pour préciser moi quand j'étais data analyste je m'intéressais vraiment que au data
whouse donc j'étais sur red shift avec tableau mais j'allais vraiment pas plus loin je pense que là aussi l'idée c'est peut-être d'être plus curieux sur tout le reste d'aller parler aux autres métiers pour bien comprendre qu'est-ce qu'ils font parce que quand tu es analytic ingéer tu viens t'imbriquer dans cette chaîne en amont donc c'est vraiment important de comprendre ce que tu fais pourquoi tu le fais troisème chose si c'est pas possible de vous former en autodidacte vous pouvez toujours bah suivre une formation il peut en avoir des gratuites sur le Net ou la formation qu'on
a fait aussi avec databd justement j'ai annoncé il y a quelques temps qu'on avait lancé un bout de camp en Analytics engineering en collaboration avec databd et donc bah on mentionnait un peu en intro c'est Caroline qu'on a sollicité pour construire avec nous le parcours de formation et donc là maintenant je en parler un peu avec Caroline pendant 2 3 minutes donc si ça vous intéresse vous pouvez rester et sinon bah vous pouvez y aller on se retrouve vite pour un prochain épisode je reviens peut-être une seconde sur la genèse donc effectivement datajen a lancé
un bout de camp en Analytics engineering en collaboration avec databd ça vient tout simplement d'un constat c'est que le besoin en Analytics engineer et en data analyse full stack donc Onon a défini un peu aujourd'hui a explosé pour les raisons qu'on a évoqué au début de notre échange moi c'est vraiment une tendance que j'observe au quotidien dans mes échanges avec les leaders data sur dataj 100 % des boîtes avec lesquelles j'échange on besoin de compéten en Analytics engineering aujourd'hui et donc on a décidé avec databd d'unir nos forces pour créer le premier bout de camp
spécialisé sur le sujet qu'on y retrouve en gros six modules qu'on a justement un peu designé ensemble avec car ça va aller du SQL avancé à la mise en production de TL avec Fetan à DBT la modélisation mais aussi à la cicda guide qu'on a un peu abordé aujourd'hui et enfin à l'application de toutes ces connaissances sur un projet de Business Intelligence orienté seelf service avec metabase bon ça fait beaucoup de buzz word l'idée c'est pas de rentrer dans le détail aujourd'hui mais peut-être voilà pour expliquer un peu à quoi peut servir ce bootcamp il
est tout simplement penser pour des profils data analyst Business Analyst ou data scientist qui sont déjà en poste pour qu'il puisse devenir Analytics engéer ou data analyste full stack le boout de camp il est à temps partiel pendant 6 semaines à hauteur de 10h par semaine et il est finançable via CPF ou obco et bien sûr les formateurs sont issus des plus belles boîtes comme Caroline ici présente je vous mets en description le lien pour découvrir le programme plus en détail prendre rendez-vous pour candidater si ça vous intéresse pour la prochaine session et puis sinon
je vous mets aussi le lien vers la newsletter gen via laquelle je préviendrai lorsqu'on organise un webinar sur le sujet où là l'idée c'est de prendre de l'information sur un format un peu plus informel nous poser des questions en live et cetera peut-être Caroline tu souhaites ajouter un élément sur le le bout de camp ouais bah dans le contenu euh je pense que bah j'ai j'ai essayé de mettre tout ce que j'aurais voulu savoir parce que comme j'ai fait un peu cette transition tout ce que j'aurais voulu savoir ou apprendre quand j'ai fait ces transition
et que du coup j'ai dû apprendre en autodidacte ou via mé missission grâce aux personnes qui m'entouraient je suis ravie j'espère que que les apprenants seront contents et et malheureusement ça risque de me faire quelques nouveaux concurrents sur le marché des des Analytics ingéur freelance c'est clair je forme des nouveaux concurrents en fait ouais exactement tu es en train de te te savenit la planche qu exactement c'est ça et ouais non mais en vra moi je suis trop content de ce projet on a eu d'ailleurs des premiers retours premiers participants qui ont commenté sur Linkedin
qu'ils étaient super contents et puis je rebondis une seconde sur ce qu'on a dit l'idée euh c'est surtout de bah de vous montrer à quel point une opportunité sur l'analytics engineering après il y a vraiment plusieurs manières d'y aller il y a comme toi Caroline en autodidacte en débrouillant en se créant les bonnes situations et donc si vous avez cette option là faut foncer peut-être que vous avez pas besoin de vous former si enevche vous sentez que vous avez besoin d'un accélérateur et ben là peut-être que ce Boot Camp est fait pour vous quoi ben
écoutez dites-nous ce que vous avez pensé de cet épisode avec Caroline spéal Analytics engineering je vous mets également le lien vers la newsletter datagen dans laquelle en fait je préviendrai régulièrement lors qu' a des nouvelles sessions ou lorsqu'on organise des webinars aussi sur le sujet si vous voulez venir nous poser des questions en live sur l'information sur est-ce que c'est pertinent pour votre projet et cetera des choses comme ça merci Caroline et puis je vous dis à bientôt merci Robin à bientôt merci d'avoir écouté cet épisode si vous souhaitez soutenir le podcast vous pouvez m'ajouter
sur Linkedin puis liker et commenter les posts que je fais chaque semaine pour présenter les épisodes c'est ce qui m'aide le plus à faire connaître dataj merci et à bientôt [Musique]