La direction d’une enseigne e-commerce veut créer son département data. Elle demande au Head of Data du groupe quel profil recruter en premier. Le marketing attend des analyses de réachat ; la finance veut comprendre la marge des promotions. Le budget d’un poste est envisageable, mais personne n’a encore décrit le travail qui devra être tenu après les premiers rapports.
Le premier choix porte sur la capacité à assurer ce service dans la durée. Une personne capable de construire les flux ne couvrira pas automatiquement l’analyse, les arbitrages métier et la maintenance. À l’inverse, financer plusieurs spécialités avant de vérifier ce que les outils existants permettent déjà peut immobiliser une capacité utile ailleurs.
L’analyse qui suit repose sur un scénario fictif et anonyme, pas sur une mission client. Elle compare trois options pour le même besoin : mieux exploiter l’existant, acheter une capacité externe ciblée ou ouvrir un premier poste. Elle ne prétend pas établir le rendement financier de l’une d’elles.
Le service à tenir avant de dessiner l’équipe
Dans ce scénario, l’enseigne vend des produits qui peuvent être rachetés. Les commandes et les remboursements sont dans sa plateforme de commerce ; les coûts produits sont tenus séparément par la finance. Le marketing dispose d’une personne pour préparer les campagnes. Un analyste du groupe peut aider, mais il travaille déjà pour d’autres activités.
Deux décisions reviennent. Chaque semaine, la responsable CRM choisit quels groupes de clients méritent une adaptation des relances. Chaque mois, la direction commerciale et la finance décident quelles promotions reconduire. Une analyse de réachat et une analyse de marge alimentent ces décisions ; produire davantage de tableaux ne change rien si les responsables ne peuvent pas agir.
Pour le réachat, le service doit permettre de comparer des groupes de primo-acheteurs au même stade de leur relation avec l’enseigne. Une cohorte récente n’a pas encore eu autant d’occasions de racheter qu’une cohorte ancienne. Pour les promotions, la finance fixe le périmètre de la marge examinée : ventes après remises et remboursements, coûts produits retenus, éventuels coûts variables supplémentaires. Une marge produit et une contribution après frais logistiques répondent à des questions différentes.
Le mandat peut alors être concret : avant ces rendez-vous, fournir une analyse actualisée, explicable, avec ses données manquantes visibles. La responsable CRM répond de l’usage des segments ; la finance des coûts retenus ; le responsable data organise la production, les contrôles et la correction. Les échéances et la disponibilité de ces personnes font partie de l’engagement.
Ce périmètre laisse volontairement de côté la prévision de churn, la personnalisation automatique et la refonte générale de la plateforme. Les ajouter consommerait la même capacité avant que le premier service ait trouvé sa place.
L’existant peut couvrir une partie du besoin, avec des limites précises
Il n’est pas nécessaire de partir d’une page blanche pour analyser le réachat. La documentation Shopify décrit un rapport qui regroupe les clients selon la date de leur première commande et observe leurs achats au fil des périodes suivantes. C’est une fonction documentée, consultée le 16 novembre 2026, et non un produit testé pour cet article. Elle établit qu’une capacité d’analyse peut déjà exister dans l’outil de commerce. Elle ne prouve pas que cette vue couvre toutes les données et définitions d’une enseigne. Rapports clients Shopify.
La limite est particulièrement concrète pour la marge : le rapport Shopify « Gross profit by product » prend en compte les variantes dont le coût était enregistré lors de la vente. Des ventes sans ce coût peuvent donc manquer au rapport. La documentation précise aussi l’effet des remises et remboursements. Rapports de profit Shopify.
Dans notre scénario, le service doit repérer les ventes exclues et, si la finance fournit les coûts applicables, produire un rapprochement séparé. Rien ici ne suppose que modifier le catalogue reconstitue le rapport natif pour les ventes passées. Ouvrir ce rapport ne suffirait donc pas à résoudre l’écart avec le fichier de coûts de la finance. Mais reconstruire toute la collecte ne le résoudrait pas davantage si personne ne peut fournir et valider les coûts applicables. Donnée absente, travail d’analyse et arbitrage métier sont trois obstacles différents. Ils peuvent produire le même symptôme : un rapport inutilisable au moment de décider.
La vérification utile consiste à suivre les deux décisions avec les moyens actuels : ce qui est déjà disponible, ce qui exige une reprise, puis la personne ou la compétence attendue. Il ne s’agit pas d’un essai réalisé ici. C’est l’observation proposée pour instruire le choix, sur des échéances qui incluent un changement de catalogue ou une correction de coûts, pas uniquement la première livraison.
Trois options face au même incident
Mettons les options à l’épreuve. Dans le scénario fictif, une nouvelle offre promotionnelle introduit des variantes sans coût renseigné. Au même moment, le marketing veut comparer ses nouveaux acheteurs à ceux d’une campagne plus ancienne. Le rapport de marge est incomplet et les cohortes n’ont pas le même recul.
Le besoin reste identique dans les trois options : rendre les limites visibles, obtenir la correction des coûts, comparer des périodes de réachat comparables et tenir les prochains rendez-vous. Aucun choix d’organisation ne fait disparaître cette charge.
Utiliser mieux les rapports et la capacité existants
L’analyste partagé peut repérer les ventes exclues, demander les coûts à la finance et préparer une lecture comparable des cohortes. Si les rapports couvrent l’essentiel du périmètre et si ces reprises restent absorbables, cette option évite un nouveau service technique à exploiter. Elle garde aussi les personnes métier proches des limites du calcul.
Son coût est le travail que l’analyste ne fera plus pour les autres activités. Dire que la solution est « déjà disponible » ne rend pas cette capacité gratuite. Le Head of Data doit faire accepter ce déplacement de priorité, ainsi que le périmètre que l’enseigne recevra réellement.
Cette option cesse d’être tenable si les mêmes rapprochements mobilisent régulièrement une compétence indisponible, ou si les décisions arrivent après leur échéance. En revanche, si les retards viennent d’un coût que la finance n’a pas encore validé, un recrutement technique ne lèvera pas cet obstacle.
Acheter une capacité externe ciblée
Un intervenant peut fiabiliser le rapprochement entre variantes vendues et coûts, documenter les règles de calcul et préparer les analyses. Cette option est crédible lorsque l’obstacle exige plusieurs compétences ponctuelles, sans charge encore assez stable pour déterminer le contenu d’un poste.
Pour le même incident, son engagement doit aller jusqu’à la reprise : qui détecte le prochain coût manquant, qui peut corriger le traitement, dans quel délai, et avec quel relais en cas d’absence ? Une livraison de tableaux puis un retrait du prestataire laisseraient ces questions à l’analyste partagé. Le prix de construction ne décrit donc pas le service acheté.
L’entreprise garde les décisions sur les coûts et sur les actions CRM. Elle doit aussi conserver l’accès aux données, aux règles et aux traitements pour qu’une autre personne puisse reprendre le service. Sans cette transmission, elle achète une disponibilité dépendante d’un interlocuteur. L’externalisation peut rester durable si cette continuité est assurée ; elle n’a pas à devenir automatiquement une étape vers une équipe interne.
Recruter pour le travail qui revient réellement
Un premier salarié devient pertinent si un travail récurrent, suffisamment cohérent, justifie une présence continue et si l’organisation peut l’encadrer. Le bénéfice recherché est alors une connaissance entretenue de l’activité et une capacité disponible pour les décisions successives. Il faut néanmoins couvrir les autres spécialités et prévoir le maintien pendant son absence.
Le profil dépend de l’obstacle observé. Si les données arrivent correctement mais que personne n’a le temps d’expliquer les écarts, de discuter les cohortes et de suivre les décisions, un analyste expérimenté peut être le premier besoin. Si les sources et les flux échouent régulièrement alors que la capacité d’analyse existe déjà, un ingénieur data peut être plus pertinent. Si les deux charges sont importantes, le budget d’un poste ne vaut pas promesse de tout couvrir : il faut conserver un appui, déplacer une autre capacité ou réduire le périmètre.
Le référentiel public britannique distingue la construction et l’intégration des services de données de l’exploration et de la communication des analyses. Il décrit aussi des recouvrements entre compétences. Ce repère aide à décrire le travail, sans imposer un organigramme à une entreprise française. Rôle de data engineer, rôle de data analyst.
Un ingénieur peut savoir analyser ; un analyste peut savoir construire des traitements. L’erreur serait de déduire de l’intitulé qu’une seule personne aura le temps, l’autorité et les compétences pour tenir l’ensemble du mandat.
Ce qui ferait choisir le premier recrutement
Dans les conditions posées, je commencerais par les rapports disponibles et par une capacité explicitement réservée de l’analyste partagé. Je limiterais l’aide externe au rapprochement ou à l’analyse que l’équipe ne sait pas assurer. Cette position suppose que les deux décisions peuvent être servies dans un périmètre étroit et que la finance comme le CRM rendent leurs interlocuteurs disponibles.
Le coût accepté est de reporter d’autres analyses du groupe. Si ce report touche un engagement plus important, il faut le dire : maintenir le service existant peut justifier une capacité externe dès le départ. La préférence pour l’existant n’est pas une préférence pour le travail invisible.
L’observation qui ferait ouvrir un poste serait une charge récurrente identifiable, même après simplification du périmètre, dont l’absence retarde ces décisions ou désorganise les autres engagements. Il faudrait pouvoir montrer ce que cette personne prendra en charge, qui lui donnera les priorités et quelles compétences resteront couvertes ailleurs. Le nombre de dashboards livrés ne répond à aucune de ces questions.
Une autre observation conduirait à ne pas recruter : les analyses sont disponibles, mais les campagnes ne sont pas exécutées, les coûts restent sans validation ou les décisions sont sans cesse reportées. Dans ce cas, ajouter de la production data augmenterait le stock de travaux en attente. Le mandat et la capacité métier sont à résoudre avant d’élargir l’équipe.
Cette conclusion est une inférence conditionnelle issue du scénario. Elle ne mesure ni la fréquence de ces situations ni la supériorité générale d’un modèle d’organisation. Les sources consultées décrivent des mécanismes et des rôles ; seul le suivi du travail réel peut établir l’obstacle de votre enseigne.
Le sujet de gouvernance du libre-service traite une question voisine : qui peut faire d’une analyse une référence partagée ? Ici, l’engagement est différent : disposer, à chaque échéance, des compétences et du temps nécessaires pour produire, expliquer et maintenir les analyses promises. C’est cet engagement que la fiche de poste doit traduire.