Data & IA

Freelance data analyst : transformer vos données en décisions

En bref

Un freelance data analyst collecte, nettoie et analyse votre data pour répondre à des questions business précises, puis restitue les résultats dans des tableaux de bord que vos équipes consultent vraiment. Je suis Amaury DUVAL, consultant freelance diplômé de Centrale : j'interviens à distance sur l'analyse des données web et d'acquisition (GA4, exports BigQuery, SQL, Python, Looker Studio, Power BI), et je vous oriente vers un expert de mon réseau, freelance comme moi, quand votre projet relève de la data science, de l'IA ou de la data engineering.

Amaury DUVALAmaury DUVALIngénieur Centrale Paris · double diplôme ESSEC
Mis à jour
Lecture
14 min de lecture
2
sources citées
DONNÉES → MODÈLE → DÉCISIONPRÉVISIONSOURCESENTREPÔTMODÈLE
Fig. 01 · Des données à la décision
Sommaire · 16 chapitres
  1. 01Qu'est-ce qu'un data analyst freelance ?
  2. 02Data analyst, data scientist, data engineer : qui faire intervenir ?
  3. 03Quand votre projet relève de la data science ou de l'IA
  4. 04Les compétences à vérifier chez un analyste
  5. 05Exemples de questions traitées par un data analyst
  6. 06Comment se déroule une mission d'analyse de données
  7. 07Les livrables à attendre
  8. 08Combien coûte un data analyst freelance ?
  9. 09Comment trouver un data analyst freelance ?
  10. 10Faire grandir la fonction data étape par étape
  11. 11Freelance, agence ou recrutement interne ?
  12. 128 questions à poser avant de signer
  13. 13Les erreurs fréquentes
  14. 14Qui suis-je ?
  15. 15Questions fréquentes
  16. 16Parlons de votre projet

Cette page vous aide à cadrer votre besoin avant de recruter : le rôle de l'analyste, sa différence avec un data scientist ou un data engineer, les compétences à vérifier, le déroulé d'une mission, ce qui fait le tarif, où trouver le bon profil et les questions à poser avant de signer.

01/ 16

Qu'est-ce qu'un data analyst freelance ?

1.1Définition et rôle au sein d'une entreprise

L'analyste de données part d'une question métier (« pourquoi nos inscriptions baissent depuis trois mois ? », « quels canaux amènent les clients les plus rentables ? ») et y répond à partir de la data disponible. Son travail se termine par une décision, pas par un fichier.

Ses missions types :

  • comprendre les besoins des équipes et traduire chaque question en indicateurs mesurables ;
  • extraire la data des outils (CRM, outil de mesure web, base de commandes, fichiers Excel) ;
  • contrôler leur fiabilité, puis assurer la préparation et le nettoyage ;
  • analyser : segments, tendances, cohortes, statistiques descriptives ;
  • construire des rapports de suivi et des dashboards ;
  • présenter les résultats et un avis clair à la direction.
Chaîne de travail : les données du CRM, de la mesure web, des commandes et des fichiers Excel passent par la question métier, le contrôle, l'analyse et la restitution, jusqu'à la décision.
Chaque étape sert une décision : sans question de départ, on obtient des graphiques.

1.2Pourquoi passer par un freelance plutôt que par un poste en CDI ?

Beaucoup d'entreprises n'ont pas besoin d'un analyste à temps plein. Elles ont besoin de poser des fondations : des indicateurs définis, des sources fiables, quelques rapports utiles, puis une équipe capable de les lire. Un freelance apporte cette expertise le temps du projet, avec un démarrage rapide et un engagement limité à la mission.

1.3Ce que je fais moi-même, et ce que je confie

Mon terrain est la data web et marketing : mesure de l'audience, parcours, conversions, rentabilité des canaux. C'est le cœur de mon offre tracking et analytics, et je m'intéresse à l'analyse de données depuis l'école d'ingénieur.

Sur ce périmètre, je prends en charge le cadrage des indicateurs, la vérification de la collecte, les requêtes SQL sur les exports, l'analyse et la conception des rapports. Quand le besoin sort de ce cadre (modèles prédictifs en production, pipeline de données d'un ERP, entrepôt complet), je ne joue pas au spécialiste : je vous présente un expert data freelance que je sélectionne pour votre cas, et je peux suivre sa mission à vos côtés pour le cadrage et la mesure des résultats.

02/ 16

Data analyst, data scientist, data engineer : qui faire intervenir ?

Ces trois métiers de la data sont souvent confondus dans les offres de mission data publiées par les entreprises. Les confondre coûte cher : on paie un data scientist pour faire du reporting, ou on demande à un analyste de construire un modèle de machine learning.

CritèreData analystData scientistData engineer
Question traitéeQue s'est-il passé, et pourquoi ?Que va-t-il se passer ?Comment disposer de données fiables, au bon endroit ?
LivrablesAnalyses, dashboards, recommandationsModèles prédictifs, algorithmes de recommandationPipelines, entrepôt de données, flux automatisés
OutilsSQL, Excel, Power BI, Looker Studio, Python (Pandas)Python, scikit-learn, TensorFlow PyTorch, notebooksSQL, Python, Spark, dbt, services cloud
InterlocuteursÉquipes métiers, directionÉquipes produit et data scienceÉquipes tech, DSI

2.1Quand faut-il un data scientist freelance ?

Un data scientist intervient quand la question devient prédictive : scoring de leads, prévision de la demande, détection de fraude, recommandation de produits, analyse de sentiment sur les réseaux sociaux. Son travail repose sur le machine learning, parfois sur le deep learning, avec des phases d'entraînement, de test et d'amélioration des modèles.

La data science a besoin d'un socle propre : sans data fiable et sans indicateurs partagés, un data scientist passe l'essentiel de sa mission à nettoyer. C'est pourquoi l'analyse descriptive vient presque toujours avant. Un bon data scientist freelance vous le dira lui-même dès le premier échange.

2.2Comment évaluer un data scientist ?

Quatre points à vérifier avant de confier une mission de data science :

  • la maîtrise de Python et des bibliothèques de data science (Pandas, scikit-learn), ainsi que des bases du développement logiciel (versionnement, revue de code) ;
  • la capacité à choisir une métrique adaptée au business, et pas seulement la meilleure précision technique ;
  • l'expérience de la mise en production, ou à défaut la collaboration avec un développeur qui s'en charge ;
  • la clarté des explications : un data scientist qui ne sait pas dire pourquoi son modèle se trompe ne vous aidera pas à l'améliorer.

Si votre projet en est là, consultez ma page data scientist freelance : je vous y explique comment je sélectionne le bon spécialiste et ce que je garde à ma charge.

2.3Et un data engineer ?

Le data engineer construit la tuyauterie : connecteurs, entrepôt de données, transformations planifiées, gestion des accès et de la sécurité. Vous en avez besoin quand vos sources se multiplient et que les exports manuels ne suffisent plus. Plus de détails sur ma page freelance data engineer.

03/ 16

Quand votre projet relève de la data science ou de l'IA

Beaucoup de demandes arrivent aujourd'hui sous l'étiquette « IA ». Avant de recruter un profil IA data, il vaut mieux clarifier ce que recouvre chaque besoin. Un projet IA data réussi commence presque toujours par un inventaire de la data disponible et de sa qualité.

3.1Modèles prédictifs et algorithmes de machine learning

Ces modèles (régression, classification, séries temporelles) répondent à des questions du type « quels clients risquent de partir ? » ou « quelle demande anticiper le mois prochain ? ». Les algorithmes de machine learning les plus courants (forêts aléatoires, gradient boosting) s'entraînent avec des bibliothèques Python comme scikit-learn. Le deep learning, avec TensorFlow ou PyTorch, se justifie surtout pour les images, le texte ou le son.

Un projet de machine learning sérieux passe par la préparation des données, la séparation entre jeu d'entraînement et jeu de test, le choix d'une métrique de performance alignée sur le business, puis l'amélioration itérative du modèle.

3.2IA générative et données de l'entreprise

Les projets d'IA générative (assistant interne, interrogation de documents, classification automatique de demandes clients) relèvent souvent d'un développeur spécialisé en IA plus que d'un analyste. Ils posent des questions de qualité des sources, de coût et de confidentialité qu'il faut trancher dès le cadrage. Ma page freelance IA détaille ces cas.

3.3Qui met un modèle en production ?

Entraîner un modèle dans un notebook ne suffit pas. La mise en production (API, surveillance des dérives, tests unitaires, sécurité, gestion des versions) demande un machine learning engineer ou un développeur expérimenté. Un learning engineer de ce type travaille avec les équipes tech et assure la maintenance du modèle dans la durée. Lire aussi ma page freelance machine learning.

Dans ces trois cas, mon rôle consiste à cadrer le besoin, à vérifier que la data de départ est exploitable, à choisir et suivre l'expert, puis à mesurer l'impact business du projet.

04/ 16

Les compétences à vérifier chez un analyste

4.1Langages de programmation : SQL et Python

SQL est indispensable : c'est le langage qui permet d'extraire les données des bases et des entrepôts comme BigQuery. Un bon profil écrit des requêtes lisibles, commentées, et sait expliquer chaque jointure.

Python, avec la bibliothèque Pandas, sert pour le traitement que SQL gère mal : fusion de fichiers hétérogènes, nettoyage avancé, automatisation de rapports, statistiques. Le langage R reste présent dans certains métiers, en particulier dans le monde académique et en biostatistique. La maîtrise de ces deux langages de programmation, plus d'Excel, couvre l'essentiel des missions.

4.2Visualisation de données : Power BI, Looker Studio, Tableau

Power BI domine dans les organisations équipées de Microsoft ; Looker Studio est fréquent dès que les sources sont Google (GA4, Google Ads, Search Console) ; Tableau reste présent dans les grands comptes.

L'outil compte moins que la conception : un tableau de bord utile répond à une question par page, affiche peu d'indicateurs et précise leur définition. Je forme d'ailleurs les équipes à Looker Studio pour qu'elles restent autonomes.

4.3Statistiques et esprit critique

Moyenne, médiane, saisonnalité, significativité statistique : ces notions évitent de prendre une variation aléatoire pour une tendance. Un analyste compétent sait aussi dire quand les données ne permettent pas de conclure.

4.4Connaissance de la mesure web

Pour la data marketing, la qualité de l'analyse dépend de la qualité de la collecte. Un analyste qui ne sait pas lire une configuration GA4 ou Google Tag Manager risque d'interpréter des doublons, des conversions mal attribuées ou des pertes liées au consentement comme des comportements réels.

4.5L'IA dans le travail d'analyse

Les outils d'IA générative accélèrent l'écriture de requêtes SQL, de code Python et de premières synthèses. Ils ne remplacent pas la vérification : une requête générée par l'IA peut être syntaxiquement juste et fausse sur le fond (mauvaise jointure, filtre oublié). Demandez à votre prestataire comment il contrôle ce que produit l'IA sur vos données, et quelles données il accepte d'envoyer à un service d'IA externe.

4.6Communication et sens du business

Le meilleur calcul ne sert à rien s'il n'est pas compris. Un profil solide sait présenter un résultat en trois phrases à une direction, puis détailler la méthode à une équipe technique.

05/ 16

Exemples de questions traitées par un data analyst

Chaque service de l'entreprise a ses propres questions. Quelques exemples typiques, valables pour des projets de taille modeste comme à des grands comptes :

  • Acquisition : quels canaux amènent des clients rentables, et pas seulement des sessions ? Quelle part des ventes vient du référencement naturel, des campagnes payantes, des réseaux sociaux ?
  • Conversion : à quelle étape du parcours perd-on le plus de prospects, sur quel appareil ? C'est le point de départ d'une démarche CRO.
  • Ventes : quels segments de client achètent le plus souvent, et lesquels ne reviennent jamais ? Grâce à une analyse de cohortes, on peut repérer le moment où la fidélité décroche.
  • Produit : quelles fonctionnalités sont adoptées, par quels profils d'utilisateurs ?
  • Pilotage : quels indicateurs suivre chaque semaine pour anticiper un problème plutôt que le constater ?
  • Service client : quels motifs de contact reviennent, et quelles solutions réduisent leur volume ?
06/ 16

Comment se déroule une mission d'analyse de données

  1. 01

    Cadrer les questions business

    Premier échange : quelles décisions voulez-vous prendre, avec quels indicateurs, et à quelle fréquence ? On en sort avec une liste courte de questions et un dictionnaire des indicateurs (définition, source, calcul). C'est la base de tout choix de KPI.

  2. 02

    Auditer les sources

    Avant toute analyse, je vérifie ce que valent les données : événements GA4, configuration GTM, conformité du plan de taggage, cohérence entre l'outil de mesure, le CRM et la facturation. Un écart de 20 % entre deux sources n'est pas un détail : il faut l'expliquer avant d'interpréter.

  3. 03

    Préparer et structurer

    Les données utiles sont regroupées dans un même espace. Pour GA4, l'export vers BigQuery donne accès aux événements bruts ; Google indique que l'export quotidien d'une propriété standard est limité à un million d'événements par jour, alors que l'export en flux continu n'a pas de limite de volume. Ce détail oriente le choix de l'export dès le cadrage.

    L'export GA4 vers BigQuery se fait en quotidien, limité à un million d'événements par jour pour une propriété standard, ou en flux continu, sans limite de volume.
    Au-delà d'un million d'événements par jour, l'export quotidien ne suffit plus.
  4. 04

    Analyser

    Segments, entonnoirs, cohortes, contribution des canaux : l'analyse répond aux questions du cadrage, dans l'ordre de leur valeur pour le business. Chaque conclusion est accompagnée de son niveau de confiance et des limites des données.

  5. 05

    Restituer et rendre autonome

    La restitution tient en quelques recommandations priorisées, avec le chiffre qui les justifie. Les rapports restent chez vous, documentés, pour que vos équipes poursuivent le travail sans dépendre du prestataire.

    Tableau des cinq étapes d'une mission d'analyse et de ce que produit chacune : dictionnaire des indicateurs, écarts expliqués entre sources, données regroupées, conclusions avec niveau de confiance, recommandations et rapports documentés.
    Un livrable par étape, et des rapports qui restent chez vous à la fin.
07/ 16

Les livrables à attendre

  • un dictionnaire des indicateurs : définition, source, formule de calcul ;
  • un audit de la qualité des données, avec les écarts chiffrés entre sources ;
  • les requêtes SQL et scripts Python commentés, versionnés et transmis ;
  • un ou plusieurs dashboards (Looker Studio, Power BI) avec un mode d'emploi ;
  • une note d'analyse : constats, niveau de confiance, recommandations ;
  • une session de transmission pour vos équipes.
08/ 16

Combien coûte un data analyst freelance ?

Le tarif journalier moyen (TJM) dépend de l'expérience, du secteur, de la région et du mode de contractualisation. Passer par une plateforme ou une ESN ajoute une marge d'intermédiaire au taux journalier.

Les moyennes publiées par les plateformes masquent de fortes différences de profils : elles mêlent beaucoup de débutants. Un analyste spécialisé dans un domaine (acquisition, finance, supply chain) et capable de cadrer seul la mission ne se compare pas à un profil d'exécution. Je ne publie pas de grille : je chiffre chaque projet après un premier échange sur son périmètre.

Pour comparer deux freelances, ramenez chaque offre au même nombre de jours et au même livrable : rapport, modèle de données, documentation, transfert à votre équipe. Vérifiez aussi les outils maîtrisés (SQL, Python, Power BI, Looker Studio) et un exemple de travail livré.

Durée : un diagnostic ponctuel tient souvent en quelques jours ; un accompagnement régulier se compte en jours par mois, sur plusieurs mois.

09/ 16

Comment trouver un data analyst freelance ?

Trois voies principales pour trouver le bon profil :

  • les plateformes de freelances (Malt, Free-Work, Comet, Freelance Informatique, Upwork pour l'international), utiles pour comparer rapidement des profils et des tarifs ;
  • le bouche-à-oreille : un spécialiste conseillé par un pair dont vous connaissez les exigences a déjà passé un premier filtre ;
  • l'écosystème data (meetups, groupes LinkedIn, contributeurs open source), plus longue à explorer mais riche en profils pointus.

Quelle que soit la voie, un test court sur un jeu de données anonymisé, avec une vraie question de votre métier, en dit plus qu'un CV. Observez la façon dont le freelance pose ses questions avant de calculer.

10/ 16

Faire grandir la fonction data étape par étape

Le développement d'une fonction data suit en général une séquence, et chaque palier fait appel à des spécialistes différents :

  1. 1Mesurer juste : tracking fiable, indicateurs définis, premiers rapports de suivi. C'est le terrain du data analyst.
  2. 2Centraliser : regrouper les sources dans un entrepôt, automatiser les flux. C'est celui du data engineer.
  3. 3Prédire et automatiser : modèles de machine learning, scoring, recommandation. C'est celui du data scientist.
Escalier en trois paliers : mesurer juste avec un data analyst, centraliser avec un data engineer, puis prédire et automatiser avec un data scientist.
La séquence compte plus que la technologie : on mesure juste avant de prédire.

Sauter un palier est la cause la plus fréquente des projets data qui déçoivent. Un modèle prédictif nourri par un tracking faux produit des prédictions fausses, avec une apparence de rigueur. Les solutions techniques existent à chaque palier ; ce qui manque le plus souvent, c'est la séquence.

11/ 16

Freelance, agence ou recrutement interne ?

  • Freelance : démarrage rapide, vous parlez à celui qui fait l'analyse, capacité d'une personne. Idéal pour un diagnostic, le cadrage, les premiers rapports et la montée en compétence de l'équipe.
  • Agence ou ESN : plusieurs spécialistes data mobilisables, démarrage selon le planning de l'équipe, chef de projet en intermédiaire. Pertinent pour un gros projet multi-compétences.
  • Recrutement interne : le temps du recrutement, un salarié dédié, un engagement durable. Pertinent quand le volume d'analyses justifie un poste à temps plein.
12/ 16

8 questions à poser avant de signer

  1. 1Commencez-vous par vérifier la fiabilité de mes données ? Comment ?
  2. 2Quelles questions business allons-nous traiter en priorité ?
  3. 3Quels outils proposez-vous, et sont-ils compatibles avec ceux que j'ai déjà ?
  4. 4Qui aura accès à mes données, et comment sont-elles protégées ?
  5. 5Les requêtes, scripts et rapports me seront-ils remis et documentés ?
  6. 6Comment contrôlez-vous ce que produit l'IA quand vous y recourez ?
  7. 7Que se passe-t-il si le besoin dépasse votre périmètre (prédiction, pipeline) ?
  8. 8Comment mes équipes pourront-elles poursuivre le travail après la mission ?
13/ 16

Les erreurs fréquentes

  • Lancer une analyse sans question : on obtient des graphiques, pas des décisions.
  • Faire confiance à la collecte sans la vérifier : tout le reste repose dessus.
  • Multiplier les indicateurs : un dashboard de quarante courbes n'est consulté par personne.
  • Recruter un data scientist pour un besoin de reporting, ou un analyste pour un projet de data science.
  • Parler de big data avant d'avoir exploité les données que l'on possède déjà.
  • Laisser les requêtes et la documentation chez le prestataire à la fin de la mission.
14/ 16

Qui suis-je ?

Je suis diplômé de l'École Centrale Paris (aujourd'hui CentraleSupélec) et de l'ESSEC Business School. Je programme depuis l'âge de 12 ans et je m'intéresse à l'analyse de données depuis mes études.

Mon développement professionnel s'est construit sur trois offres : SEO et GEO, tracking et analytics (GA4, Google Tag Manager, Matomo, Consent Mode), et CRO et growth. L'analyse des données est le fil commun des trois. J'ai aussi conçu mes propres outils SEO et GEO, comme SERPmantics, que j'emploie en mission.

Accenture, Lecourtier, Crono Concept, Pentalog, PatternsWizard, La Méthode Martinez et Skill Value m'ont fait confiance. Plus de détails sur mon parcours : à propos et mon profil LinkedIn.

  • Accenture
  • Pentalog
  • Lecourtier
  • Crono Concept
  • PatternsWizard
  • La Méthode Martinez
  • Skill Value
15/ 16

Questions fréquentes

Q01

Quelle différence entre data analyst et business analyst ?

Le premier travaille sur les données pour expliquer une situation ; le business analyst travaille sur les processus et les besoins métiers, souvent pour un projet de système d'information. Les deux rôles se recoupent sur le cadrage des besoins.

Q02

Quelle différence entre data analyst et data scientist ?

L'analyste explique le passé et le présent à partir des données ; le data scientist construit des modèles pour prédire ou automatiser une décision. Le second a besoin du travail du premier pour démarrer sur des bases saines.

Q03

Un freelance peut-il travailler à distance sur mes données ?

Oui. L'essentiel du travail se fait sur des outils accessibles à distance (entrepôt de données, analytics, visualisation), avec des accès nominatifs que vous gardez sous contrôle. Je travaille à distance, en France et à l'international, avec des outils de visioconférence et de partage sécurisé.

Q04

Quels outils de BI sont les plus demandés ?

Power BI, Tableau et Looker Studio reviennent le plus souvent dans les missions, avec SQL et Excel en socle commun.

Q05

Faut-il des données volumineuses pour faire appel à un analyste ?

Pas du tout. Une PME avec un site, un CRM et un logiciel de facturation a déjà de quoi répondre à des questions utiles. Le big data n'est pas un prérequis.

Q06

Quelle est la durée moyenne d'une mission ?

Elle dépend du périmètre : quelques jours pour un diagnostic, plusieurs mois en temps partiel pour un accompagnement régulier.

16/ 16

Parlons de votre projet

Décrivez-moi vos questions, vos sources de données et vos outils actuels : je vous dis ce que je peux traiter moi-même et, si besoin, quel spécialiste solliciter. Me contacter.

Un projet SEO, tracking ou conversion ?

Dites-moi où vous en êtes, je reviens vers vous avec un premier avis.

Discutons de votre projet
Discutons de votre projet