Salaire & marché

Le Data Engineer est aujourd’hui l’un des profils les plus recherchés du marché tech français. À Paris en 2026, la fourchette junior se situe entre 42 000 et 53 000 € brut annuel, et le senior peut atteindre 77 000 à 104 000 €. Le marché est large : pratiquement toute entreprise qui gère des volumes de données significatifs a besoin d’un Data Engineer, bien avant d’avoir besoin d’un Data Scientist.

Le Data Scientist présente une demande plus inégale. Ses postes sont concentrés dans des entreprises ayant atteint un certain niveau de maturité data : scale-ups, grandes entreprises ou secteurs spécifiques (santé, finance, retail, publicité programmatique). Son salaire senior peut atteindre 80 000 à 110 000 € dans les structures les plus avancées, mais les postes sont moins nombreux et plus compétitifs.

Compétences requises

Le Data Engineer maîtrise Python, SQL avancé (fenêtres, CTEs complexes), les orchestrateurs de pipelines (Apache Airflow, Prefect, Dagster), les outils de transformation (dbt) et les plateformes cloud analytiques (BigQuery, Snowflake, Databricks). Il comprend les problèmes de partitioning, de SLA de fraîcheur, de qualité de données et de data contracts entre équipes.

Le Data Scientist travaille avec Python (pandas, scikit-learn, PyTorch ou TensorFlow), des méthodes statistiques, du feature engineering et des outils de versioning de modèles (MLflow, DVC). Une formation analytique solide est attendue : statistiques inférentielles, algèbre linéaire, probabilités, théorie de la décision. Les profils les plus demandés ajoutent une capacité à industrialiser leurs modèles (MLOps).

Les deux profils nécessitent un SQL fluide et une compréhension réelle du domaine métier.

Évolution de carrière

Le Data Engineer peut évoluer vers le Data Platform Engineer (infrastructure orientée données), l’Analytics Engineer (spécialisation sur la modélisation SQL et dbt), ou le Data Architect dans les grandes organisations. Les trajectoires vers le MLOps Engineer ou le Machine Learning Engineer sont aussi possibles pour ceux qui s’intéressent à la mise en production de modèles.

Le Data Scientist évolue vers le Machine Learning Engineer (closer de la production), le ML Researcher dans les grandes entreprises ou la recherche académique, ou vers des rôles de direction analytique (Head of Data Science, Chief Data Officer). La spécialisation sectorielle — fraud detection, recommendation systems, NLP — renforce la valeur marché.

Lequel choisir ?

Si tu es débutant : Le Data Engineering est plus accessible sans formation mathématique lourde. L’orientation logicielle est plus forte, et les ressources d’apprentissage (dbt Learn, Airflow documentation, certifications cloud) sont abondantes. Le Data Science est plus difficile d’accès pour un premier poste sans bagage quantitatif et sans projets personnels démontrant des capacités analytiques réelles.

Si tu es en reconversion : Le Data Engineer est la reconversion la plus tracée pour un profil avec une expérience en développement, même partielle. Un Backend Engineer ou un analyste SQL expérimenté peut devenir Data Engineer en 6 à 12 mois de formation ciblée. La reconversion vers le Data Science nécessite généralement plus de temps si tu n’as pas de background mathématique.

Si tu es senior : Le Data Engineer senior est plus facilement placé, avec un pipeline de recrutement plus large et des salaires compétitifs. Le Data Scientist senior est très bien payé dans les bonnes structures (GAFAM, licornes, fonds quant), mais les postes sont moins nombreux et la concurrence avec des profils issus de masters spécialisés ou de grandes écoles est forte.