Les analystes BI doivent-ils apprendre à coder ?

Chaque jour, nous générons une quantité de données inimaginable. D’après Statista, le volume total de données produites dans le monde a atteint 64,2 zettaoctets (un zettaoctet = un milliard de téraoctets) en 2020, et devrait dépasser 180 zettaoctets dans les cinq prochaines années. 

Avec l’explosion des volumes de données, la data science et la business intelligence jouent un rôle clé pour aider les organisations à donner du sens à ces informations. 

Alors que la boîte à outils du data scientist repose principalement sur des outils orientés code tels que Python, R, la ligne de commande, etc., les analystes en business intelligence s’appuient sur des outils graphiques avancés comme Tableau ou Power BI. 

Dans ce contexte, les analystes en business intelligence jouent un rôle essentiel dans la production d’insights au sein de toute organisation. C’est pourquoi les postes en business intelligence sont de plus en plus recherchés. Par exemple, aux États-Unis, le salaire annuel moyen d’un analyste BI est de 84 019 $ par an. 

À mesure que les outils low-code gagnent en sophistication et que les fonctions BI créent toujours plus de valeur pour les entreprises, dans quelle mesure les compétences en programmation sont-elles importantes pour faire évoluer la carrière d’un analyste BI ? C’est précisément la question à laquelle nous répondons dans cet article. 

Difficile d’y répondre sans revenir sur l’évolution du rôle d’analyste moderne, les tâches qui exigent du code et les bénéfices de l’apprentissage de la programmation. C’est parti !

L’histoire de la business intelligence

Le terme « business intelligence » a été employé pour la première fois en 1865 par l’auteur Richard Millar Devens dans la Cyclopaedia of Commercial and Business Anecdotes pour décrire la manière dont un financier avait devancé ses concurrents en collectant des informations et en agissant en conséquence. 

Cependant, les bases de la business intelligence moderne n’ont été posées qu’avec l’invention du disque dur par IBM en 1956. Celui-ci permettait de stocker 5 Mo de données, ce qui représentait à l’époque un volume colossal. 

Deux ans plus tard, le chercheur d’IBM Hans Peter Luhn publia l’article A Business Intelligence System, qui introduisait les principes de la business intelligence en soulignant les défis que rencontrent les entreprises pour exploiter de grandes quantités de données afin de prendre de meilleures décisions. Pour ces raisons, Hans est considéré comme le père de la business intelligence.

Entre les années 1960 et 1970, les premiers systèmes de gestion de données et de support à la décision ont vu le jour, menant dans les années 1980 à la création de l’entrepôt de données, toujours utilisé aujourd’hui. 

Les entrepôts de données collectent et organisent des données issues de sources variées dans un référentiel central, permettant des analyses plus efficaces et plus approfondies. À la fin des années 1990, grâce aux innovations technologiques, à l’essor de l’ordinateur personnel et à la naissance d’internet, les précurseurs des systèmes BI modernes se sont imposés. 

L’essor de l’analyste BI moderne

Au cours des deux dernières décennies, le rôle de l’analyste en business intelligence a profondément évolué. La montée en puissance du big data et l’explosion des volumes ont créé une demande accrue pour des plateformes et outils BI sophistiqués, afin d’aider les analystes à exploiter les données de leur entreprise. 

À la fin des années 1990 et au début des années 2000, les analystes utilisaient des outils comme Excel, SQL ou des solutions BI rudimentaires pour analyser et visualiser les données de leur organisation. Avec l’arrivée d’outils tels que Power BI, Tableau et Qlik, on attend aujourd’hui des analystes qu’ils maîtrisent plusieurs outils au quotidien. 

Au-delà de l’expertise technique, les analystes modernes doivent être des généralistes aguerris : gestion de projet, connaissance métier, data storytelling et communication sont devenus des incontournables.  

Fort de ce constat, revenons à la question de départ : les analystes en business intelligence doivent-ils apprendre à coder ? La réponse est oui ! 

Même si de nombreux postes en business intelligence ne l’exigent pas, la programmation permet aux analystes de créer davantage de valeur pour leur organisation et de se démarquer sur le marché de l’emploi. Voici ci-dessous cinq raisons majeures d’apprendre à coder. 

La valeur de l’apprentissage du code pour les analystes en business intelligence

1. Renforcer vos capacités de résolution de problèmes

Qu’il s’agisse de mesurer l’impact d’un test A/B sur des indicateurs clés, de concevoir des tableaux de bord pour les parties prenantes ou de formuler des recommandations fondées sur les données, les analystes BI résolvent des problèmes au quotidien. Apprendre à programmer accélère ces compétences en offrant un nouveau prisme pour aborder les problèmes techniques. 

Le lien entre programmation et amélioration de la pensée analytique a été largement étudié, car la programmation entraîne à envisager un large éventail de solutions possibles. 

2. Mieux collaborer avec les autres membres de l’équipe data

Les analystes BI évoluent souvent au sein d’équipes data ou analytics plus larges. Ils collaborent donc avec des profils orientés code : data engineers, data scientists, data analysts. Un bénéfice majeur de l’apprentissage du code est une meilleure compréhension et une collaboration plus fluide avec ces collègues. 

Maîtriser le code aide les analystes BI à formuler des demandes plus pertinentes, à créer des solutions ad hoc nécessitant des compétences de programmation lorsque les autres sont contraints par le temps, et à mieux comprendre les workflows de l’équipe. Une meilleure cohésion d’équipe se traduit mécaniquement par de meilleurs résultats pour l’organisation. 

3. Concevoir des visualisations et des workflows plus complexes

La maîtrise d’outils BI comme Tableau et Power BI est un prérequis pour tout analyste moderne. Mais savoir coder peut accélérer le workflow d’un analyste BI de plusieurs façons. 

D’abord, Tableau et Power BI s’intègrent avec R et Python. Cela permet d’automatiser des workflows en exécutant des scripts directement dans l’outil BI préféré. Un exemple parlant : exécuter du Python dans Power BI pour automatiser une étape de préparation sur un jeu de données récurrent. 

En outre, des langages comme R et Python permettent de réaliser des analyses et des visualisations plus complexes, impossibles à produire uniquement dans des outils BI. Avec des packages tels que ggplot2 en R et Matplotlib en Python, il est possible de créer des visualisations et des rapports hautement personnalisés. 

4. Rejoindre l’écosystème open source

Particularité des langages de programmation : la quasi-totalité des outils utilisés par les meilleurs praticiens et chercheurs sont open source. Chacun peut ainsi télécharger gratuitement des outils puissants, sans barrière à l’entrée. 

Cela signifie aussi que les praticiens peuvent interagir directement avec les créateurs de ces outils, et proposer des améliorations au code source. Faire partie d’une communauté open source enrichit la carrière, les connaissances et la crédibilité des analystes. À la clé : de meilleures opportunités professionnelles et un réseau plus solide dans l’univers de la data. 

5. Accélérer votre évolution de carrière

Un avantage majeur de la programmation est l’élargissement des perspectives professionnelles, voire la possibilité d’évoluer vers d’autres métiers. La business intelligence est un vaste domaine offrant de nombreux débouchés : data analyst, product analyst, BI developer, business intelligence architect. Les métiers du code sont très demandés, bien rémunérés et procurent une forte satisfaction, selon Glassdoor. 

Parmi ces rôles, les postes de data analyst se rapprochent de l’analyste BI tout en exigeant davantage de programmation et de statistiques. Le salaire médian des data analysts aux États-Unis est d’environ 94 687 $ par an et peut atteindre 391 K $ . 

On observe également une forte demande continue pour les data engineers et les data scientists. Les data engineers jouent un rôle clé dans la consolidation de grands volumes de données, exploités par les data scientists pour extraire des insights et construire des modèles de machine learning. Les salaires médians sont respectivement de 112 493 $ et 117 212 $ par an.

L’avenir du rôle d’analyste

À mesure que la business intelligence évolue, l’analyste BI moderne doit évoluer lui aussi. Acquérir des compétences en programmation permet d’améliorer la résolution de problèmes, de mieux collaborer avec l’équipe, de créer des workflows plus efficaces et plus complexes, d’ouvrir de nouvelles perspectives de carrière, et bien plus encore. 

Si cet article vous a donné envie d’apprendre à programmer, découvrez les ressources ci-dessous.