Analyste produit : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

Les offres de Product Analyst purement Junior sont peu nombreuses — on arrive plus souvent à ce rôle après avoir travaillé comme Data Analyst ou comme stagiaire en analytique produit. Passage au niveau Middle — conception et analyse autonomes de tests A/B, Python et statistiques maîtrisés, responsabilité des métriques produit. Le Senior conçoit le système de métriques produit, mène des recherches comportementales complexes et influence directement la stratégie produit. Parcours de carrière : Data Analyst → Product Analyst → Product Analyst Senior → Analytics Lead / Head of Analytics, ou passage au Product Manager (une bifurcation courante et logique).

Top 5 : sql, bpmn, 1с, airflow, bitrix. SQL — obligatoire, niveau expert. Python — obligatoire à partir de Middle : pandas, statistiques, calcul des expérimentations, automatisation. Analytique produit : Amplitude, Mixpanel, Yandex Metrika / AppMetrica, GA4, PostHog — des outils d'analyse du comportement des utilisateurs (événements, entonnoirs, courbes de rétention, cohortes). Tests A/B — le cœur du rôle : conception d'expérimentations (métrique, hypothèse, taille d'échantillon), analyse correcte, compréhension des pièges (peeking, comparaisons multiples, effet de nouveauté). Statistiques — à un niveau solide : tests d'hypothèses, intervalles de confiance, choix du test. Entrepôts de données : ClickHouse (particulièrement populaire dans l'analytique produit de la CEI), Snowflake, BigQuery. BI : tableaux de bord dans Tableau / Power BI / DataLens / Metabase. Métriques produit : compréhension approfondie de la rétention, de l'activation, de la conversion, des entonnoirs, des cohortes, de l'économie unitaire, de la LTV, de la North Star Metric, capacité à construire un arbre de métriques. Soft skills : pensée produit, capacité à formuler et tester des hypothèses, à transmettre les conclusions au PM et à l'équipe, à influencer les décisions. La connaissance du design produit et une expertise métier sont un gros plus.

Data Analyst — analyste généraliste : répond aux questions business de différentes directions de l'entreprise, métriques, tableaux de bord, analyses ad hoc ; large périmètre, non lié à un seul produit (voir /research/analyst/data-analyst). Product Analyst — analyste intégré à une équipe produit précise : connaît le produit en profondeur, est responsable de ses métriques, conçoit et analyse les expériences A/B, étudie le comportement des utilisateurs, aide le PM à prendre des décisions fondées sur les données. En gros : le Data Analyst — en largeur sur toute l'entreprise, le Product Analyst — en profondeur sur le produit, avec un accent sur les expériences. Product Manager — responsable du produit dans son ensemble : décide quoi construire, fixe les priorités, répond du résultat du produit ; l'analyste produit est le plus proche partenaire data du PM : le PM décide, le PA mesure, teste les hypothèses et éclaire par les chiffres (voir /research/pm). Parcours de carrière : Data Analyst → Product Analyst — une étape courante (spécialisation et hausse des revenus) ; Product Analyst → Product Manager — l'une des bifurcations de carrière les plus logiques (un analyste produit pense déjà en termes de produit et de métriques) ; ou Product Analyst → Analytics Lead / Head of Analytics.

Les équipes produit modifient constamment le produit — nouvelles fonctionnalités, changements d'interface, prix, mécaniques. La question principale à chaque fois : le changement a-t-il vraiment amélioré le produit ou était-ce le hasard ? La réponse est donnée par un test A/B (expérience contrôlée) : une partie des utilisateurs voit la nouvelle variante, une partie — l'ancienne, et l'analyste les compare selon une métrique choisie. Cela transforme le développement produit de « il nous semble que c'est mieux » en décisions vérifiables. C'est pourquoi la conception et l'analyse des expériences sont le cœur du rôle de Product Analyst. Ce que cela comprend : la conception — choisir la bonne métrique (qui reflète une vraie valeur, et non une métrique facile à faire bouger), formuler l'hypothèse, calculer la taille d'échantillon et la durée nécessaires ; l'exécution — répartition correcte en groupes, contrôle de la qualité des données ; l'analyse — vérification de la significativité statistique, intervalles de confiance et, surtout — éviter les erreurs classiques (regarder avant l'échéance, comparaisons multiples, effet de nouveauté, groupes non représentatifs) ; l'interprétation — ce que le résultat signifie pour le produit, s'il faut déployer le changement. Une culture de l'expérimentation mature (tester systématiquement les hypothèses, et non déployer « à vue d'œil ») — c'est ce qui distingue les entreprises produit solides, et le Product Analyst en est le porteur. Outre les tests A/B, l'analyste travaille avec des données d'observation — entonnoirs, cohortes, courbes de rétention — là où une expérience est impossible.

Oui, 50 % des offres de Product Analyst sont à distance ou hybrides. L'analytique produit se pratique bien à distance : travail avec les données, les outils d'analytique, la plateforme A/B, et une communication étroite avec l'équipe produit par appels. Les entreprises produit et tech russes, la fintech et l'e-commerce proposent du bureau, de l'hybride et du télétravail. L'anglais est nécessaire pour le marché international ; pour le marché russe, on peut commencer sans. Nuance : un product analyst a besoin d'un contact étroit avec l'équipe (PM, design, dev) — à distance, cela se compense par des points réguliers, mais un format complètement « isolé » est moins naturel pour ce rôle que l'hybride.

Le Product Analyst a de la valeur parce qu'il transforme les décisions de l'équipe produit, de suppositions en hypothèses vérifiables : il répond à des questions comme « la fonctionnalité marche-t-elle », « où les utilisateurs décrochent-ils », « qu'est-ce qui fait bouger la rétention », « vaut-il la peine de déployer le changement » — et fait ainsi économiser à l'entreprise des ressources sur des refontes inutiles et aide à trouver de la croissance. C'est un choix de carrière solide pour plusieurs raisons : 1) L'un des rôles analytiques les mieux payés — les entreprises produit se disputent ces profils. 2) Une demande en croissance — la culture du développement produit et des expérimentations se diffuse. 3) D'excellentes bifurcations de carrière — Lead Analytics / Head of Analytics ou passage au Product Manager (un product analyst pense déjà en métriques et en hypothèses). 4) Un travail de fond intéressant — à l'intersection des données, du produit et de la psychologie des utilisateurs. À qui cela convient : à ceux qui s'intéressent non seulement aux chiffres mais au produit et au comportement des gens, qui aiment formuler et tester des hypothèses et sont prêts à beaucoup échanger avec l'équipe. Réserve honnête : ce n'est pas le meilleur premier rôle — on devient généralement Product Analyst après avoir acquis le socle du Data Analyst (SQL, Python, statistiques) ; il est plus sage de commencer sa carrière comme Data Analyst et d'évoluer consciemment vers l'analytique produit.

Product Analyst — généralement pas le premier rôle ; le parcours raisonnable passe par Data Analyst ou un stage en analytique produit. Feuille de route : 1) Socle Data Analyst — SQL (maîtrisé), Python (pandas), un outil BI, bases de statistiques ; sans ce socle, on n'entre pas dans l'analytique produit. 2) Statistiques et expériences — approfondir : tests d'hypothèses, tests A/B, erreurs typiques des expériences ; c'est le cœur du rôle et ce sur quoi insistent les entretiens. 3) Métriques produit — apprendre et calculer correctement la rétention, l'activation, la conversion, les entonnoirs, les cohortes, l'économie unitaire, la LTV, la North Star Metric ; comprendre comment construire un arbre de métriques. 4) Outils d'analytique produit — en maîtriser au moins un (Amplitude, Mixpanel, Yandex Metrika / AppMetrica), apprendre à construire des entonnoirs et des analyses de cohortes. 5) Pensée produit — lire sur la gestion de produit, comprendre comment fonctionne une équipe produit, ce qu'est une hypothèse et comment on la teste. 6) Portfolio — analyser un produit (éventuellement public) à travers ses métriques, décrire des hypothèses et comment vous les testeriez ; projet personnel avec entonnoir et cohortes. Ressources : formations en analytique produit (Karpov.Courses — connu pour un solide programme d'analytique et de tests A/B, Yandex Practicum, ProductStar, etc.), livres et contenus sur les tests A/B et les métriques produit, communautés d'analystes produit. Parcours : maîtriser le socle Data Analyst → trouver un poste de Data / Product Analyst dans une entreprise produit → évoluer vers la spécialisation produit.

2 postes ouverts actifs de Product Analyst dans l'échantillon Zorky. Le marché réel est plus large : le rôle s'appelle « product analyst », une partie des postes passe sous « data analyst » à orientation produit ou « growth analyst » — une recherche par terme exact ne capte pas tout. Géographie : États-Unis, Russie, Pologne. Sources : hh.ru, Habr Career, getmatch, LinkedIn, Telegram (communautés de product analysts et chaînes d'offres). La demande en product analysts croît plus vite que celle des analystes généralistes — avec la diffusion de la culture du développement produit et des expérimentations. NB : la direction Analyst / BI a historiquement posé des difficultés à la classification automatique des offres — le chiffre visible peut sous-estimer le marché réel.

Un Product Analyst Senior est un analyste qui influence la stratégie produit. Expérimentations : conception et analyse expertes des tests A/B, choix des bonnes métriques, calcul de puissance, sujets avancés (stratification, CUPED pour la réduction de variance, tests séquentiels, gestion des comparaisons multiples), et une compréhension lucide du moment où l'on peut faire confiance au résultat. Statistiques : aisance au niveau praticien — tests d'hypothèses, intervalles de confiance, analyse causale là où l'expérimentation est impossible. SQL et Python : SQL expert, Python maîtrisé (pandas, bibliothèques statistiques), automatisation. Conception du système de métriques : concevoir l'arbre des métriques produit, choisir la North Star, éviter les métriques qui faussent ou se manipulent facilement. Analytique comportementale : analyse approfondie des funnels, de la rétention, des cohortes, des segments — comprendre pourquoi les utilisateurs se comportent ainsi, et pas seulement ce qui se passe. Pensée produit : comprendre le produit, le marché, les utilisateurs aussi bien que le PM ; savoir générer soi-même des hypothèses de croissance, et pas seulement tester celles des autres. Influence : transmettre les conclusions de manière à ce qu'elles changent les décisions ; travailler avec le PM, le design, le développement en partenaire ; défendre sa position avec les données. Qualité des données : regard critique sur les données et le tracking des événements, compréhension de la façon dont les données sont collectées. Mentorat : développement des analystes Junior, standards d'expérimentation dans l'équipe. Anglais — pour le marché international. La principale valeur d'un Senior — non pas « calculer le test », mais faire avancer systématiquement le produit grâce aux données et aux expérimentations.