La fin des Data Analysts Dashboard? Ce n’est pas si simple que ça !
#43 Ou les réalités que tout le monde oublie dans les hypes
Hello à tous !
Bienvenue à la 43e édition de cette newsletter. Nous sommes désormais plus de 2762 personnes à partager ce rendez-vous toutes les deux semaines. Un grand merci pour votre soutien continu 🧡.
A part de lire du contenu dans cette édition, vous pouvez:
Rejoindre l’Accélérateur Projet Portfolio pour être accompagné par moi. Ce programme est conçu pour aider les Data Analysts à construire des projets béton afin de décrocher des entretiens… et un job.
Télécharger ma cheat sheet gratuite SQL (+1500 téléchargements) qui recense 90 % des commandes essentielles pour travailler dans la Data, chacune illustrée par un exemple concret.
Lire les éditions précédentes.
Me suivre sur Linkedin.
Vous l’avez entendu sur LinkedIn : “Bientôt, les business users feront leurs propres dashboards avec l’IA. Les Data Analysts Dashboard sont finis.”
Tout le monde peut vous le dire. “Tiens, l’IA va faire le boulot, donc t’es bon pour changer de job.”
Oui, la demande pour les “dashboard builders” — ceux qui font des filtres et de la couleur — diminue. Oui, les entreprises cherchent quelqu’un pour transformer les questions floues du métier en insights exploitables. Ça c’est vrai.
Mais dire que l’IA va remplacer les Data Analysts ? C’est oublier plusieurs réalités simples.
Voyons pourquoi.
Les données de base ne sont pas prêtes
Avant même de penser à l’IA qui va analyser les données, il faut d’abord avoir des données fiables. Et la réalité: La plupart des entreprises ne les ont pas.
Voici le paradoxe qui résume tout : 87% des entreprises disent que la data est super importante pour leur stratégie. Mais seulement 22% peuvent réellement l’exploiter. [Source]
Cet écart de 65 points, c’est le gap entre “on sait qu’il faudrait” et “on peut vraiment le faire”. Et quand on creuse : 43% citent la qualité des données comme le frein majeur.
Donc elles essaient. Mais ça marche pas.
Pourquoi ? Les causes sont systémiques, pas technologiques : dispersion des données (le CRM ici, l’ERP là, des spreadsheets locaux dans trois départements différents), absence de standards de saisie, collaborateurs qui remplissent les champs optionnels quand ils ont le temps, pas de ressources budget pour nettoyer tout ça.
Ce n’est pas un problème qu’on résout avec une meilleure IA. C’est un problème organisationnel. Ça demande du travail, du temps, et de la patience.
A retenir : tant que les fondations data ne sont pas solides, l’IA sera plus un risque qu’une solution.
L’IA n’est pas en production (malgré le hype)
“78% des organisations utilisent l’IA en 2024”.
C’est techniquement vrai.
Un essai avec ChatGPT ? Oui.
Un petit pilot en finance ? Oui.
Une équipe qui teste Claude pour générer du SQL ? Oui.
Mais la vraie adoption — “je l’utilise tous les jours en production, c’est devenu mon processus standard” — c’est beaucoup moins.
Chiffre réaliste : seulement 13.48% des entreprises européennes l’appliquent activement. [Source]
Donc on parle de tests vs production. C’est deux mondes différents.
Et puis il y a la France. 57% des organisations citent la confidentialité des données comme frein majeur au déploiement de GenAI. Les coûts de conformité RGPD ? €2.7M par an pour une grande entreprise. Les amendes RGPD globales en 2024 ont atteint €1.3 milliard. [Source]
Donc non, les CTO français ne disent pas “tout le monde peut utiliser Claude maintenant” du jour au lendemain.
Ce n’est pas un hack. C’est du travail de fond et c’est long.
A retenir : l’IA arrivera en production, mais pas toute de suite. Pendant ce temps, vous serez encore très utile. Et si vous vous dites “je vais attendre que l’IA le fasse à ma place”, vous allez attendre longtemps.
La data literacy manque cruellement
Supposons que l’IA soit déployée demain. Un utilisateur métier arrive et demande : “Quels sont les produits les plus performants ?”
L’IA analyse les données et sort une liste : Produit A, Produit B, Produit C.
Mais des questions émergent — généralement dans la tête du non-DA, sans qu’il les pose :
C’est performant en revenue ? En volume ? En marge ? En nombre de contrats ?
“Ce mois-ci”, c’est quand exactement ? Et les contrats signés en janvier se livrent en avril, donc je compare quoi vraiment ?
Est-ce que ce chiffre inclut les retours clients ? Les ajustements post-facturation ?
Pourquoi cette baisse de 50% pour le Produit X ? C’est un problème réel de marché ou un lag de comptabilisation ?
Voilà trois niveaux invisibles derrière cette simple question :
1. Clarifier la demande — “Performant” c’est quoi ? Revenue ou volume ? Marge brute ou nette ? Sans cette conversation, l’IA va inventer une réponse à une question que vous ne posiez pas vraiment. Et vous prendrez une décision sur la mauvaise question.
2. Vérifier que les données sont fiables — Ok on a la réponse : “Ce mois-ci, vous avez 50M en revenue sur le Produit A”. Mais avant de décider quoi que ce soit basé sur ce chiffre, faut savoir : c’est une vente signée depuis plusieurs mois et comptabilisée maintenant ? Ou une vente livrée et facturée ce mois-ci ? Y’a-t-il eu un changement de processus en janvier ? Les retours sont comptés ou exclus ?
3. Interpréter avec contexte business — Une baisse de 50% peut être une vraie baisse ou un artifact. Un non-DA pense “problème de marché, il faut revoir la stratégie”. Un DA qui connaît l’entreprise pense plutôt : “Ai-je perdu un gros client ce mois-ci ? Ou c’est un lag de comptabilisation ? Un processus a-t-il changé ?”
Et la réalité : 83% des leaders disent que la data literacy est critique pour leurs équipes. Seulement 28% l’atteignent vraiment. [Source]
Cet écart de 55 points montre quelque chose : même les responsables reconnaissent “nos équipes ne savent pas bien analyser les données”.
Donc mettre une IA entre les mains de quelqu’un sans data literacy ? C’est particulièrement risqué.
A retenir : tant que le métier ne monte pas en compétence, vous restez la porte obligatoire avant qu’une analyse ne devienne une décision.
Conclusion
La réalité, c’est que les “dashboard builders” diminuent en valeur. Ça c’est certain.
Par contre, les Data Analysts qui comprennent vraiment les données ? Eux, ils deviennent plus importants, pas moins.
Votre vrai rôle n’est pas de faire des visuels. C’est de :
Clarifier les questions floues du métier
Vérifier les données avant qu’une décision soit prise
Connaître les subtilités que personne n’a documentées
Dire “non” quand vous soupçonnez la qualité d’une analyse
Ça, L’IA ne peut pas le faire seule. Et les entreprises vont en avoir besoin de plus en plus, pas moins.
Donc la vraie question n’est pas “Serai-je remplacé ?” mais plutôt : “Est-ce que j’ai les compétences pour être CE spécialiste ?”
Si vous êtes juste un dashboard builder qui clique sur “créer un filtre”, oui, vous avez un problème. L’IA va vous remplacer.
Si vous êtes quelqu’un qui comprend les besoins métier, qui sait vérifier une donnée, qui connaît les pièges cachés de votre entreprise — celui qui dit “attends, on ne parle vraiment de quoi ?” — alors non. Vous êtes très safe.
Et celui qui a ces compétences ? Il n’y en a pas assez.
Vous avez aimé cette édition? N’hésitez pas à me le faire savoir, en laissant un petit coeur, ou un commentaire.
A la prochaine !