Charge de projet data : fiche complète 2026
Périmètre du métier et différences vs métiers proches
Le charge de projet data coordonne des initiatives qui exploitent la donnée comme actif stratégique. Il n’écrit pas de code au quotidien, contrairement au data scientist ou au data engineer. Il traduit les besoins métier en spécifications techniques, pilote les équipes data, et suit le cycle de vie des projets de la cadrage au déploiement.
La différence avec un chef de projet classique tient à la double compétence : il maîtrise le vocabulaire technique (modélisation, pipeline, gouvernance) et les enjeux réglementaires. Face au data analyste, son rôle est plus transverse et managérial. Face au data architecte, il ne conçoit pas l’infrastructure mais en valide la pertinence par rapport aux objectifs business.
Sa valeur ajoutée réside dans sa capacité à faire dialoguer des profils très différents : data scientists, experts métier, DSI, direction générale. Il arbitre entre ambition technique et contraintes de budget ou de délais.
Cadre réglementaire 2026
Le charge de projet data opère dans un environnement juridique dense qui encadre la collecte, le traitement et le partage de données. Le RGPD, en application depuis 2018, reste la référence pour tout projet traitant des données personnelles. Le responsable doit s’assurer que les traitements respectent les principes de minimisation, de consentement et de droit à l’effacement.
L’AI Act européen, adopté en 2024 et entré en vigueur progressivement jusqu’en 2026, impose des obligations de transparence, de documentation et de surveillance humaine pour les systèmes d’IA. Un charge de projet data qui déploie des modèles de machine learning doit classifier le niveau de risque et produire les registres requis.
La CSRD (Corporate Sustainability Reporting Directive) ajoute une pression supplémentaire sur la qualité et la traçabilité des données ESG. Le charge de projet data pilote souvent les chantiers de collecte et de certification des indicateurs extra-financiers. Le Code du travail fixe par ailleurs des obligations sur la surveillance des salariés et l’utilisation des outils numériques : toute mesure d’évaluation automatisée doit être notifiée.
Une convention collective de branche (métallurgie, Bureaux d’études techniques, Commerce à prédominance alimentaire) s’applique selon le secteur de l’employeur. La classification des postes en cadre ou non-cadre impacte le forfait-jours et la rémunération.
Spécialités et sous-métiers
Le métier se décline en plusieurs spécialités. Le charge de projet data analytics pilote des projets de business intelligence et de data visualisation : tableaux de bord, reporting, indicateurs RH ou commerciaux. Il travaille avec des outils de dataviz et des bases SQL.
Le charge de projet data engineering supervise la mise en place de pipelines de données, l’industrialisation des flux et l’architecture technique. Il coordonne les data engineers et valide la performance des infrastructures cloud ou on-premise.
Le charge de projet IA appliquée gère des projets d’intelligence artificielle : modèles prédictifs, traitement du langage naturel, vision par ordinateur. Il est le garant de la faisabilité et de la mise en production des modèles.
Enfin, le charge de projet gouvernance et conformité data se concentre sur la gestion des référentiels, la qualité des données, la sécurité et la conformité réglementaire. Il rédige les politiques de gestion des données et anime les comités de gouvernance.
Outils et environnement technique
- Plateformes de data visualisation : Microsoft Power BI, Tableau, Looker (Tableau plus répandu en France, Power BI dans le segment PME)
- Langages et environnements d’analyse : Python (Pandas, Scikit-learn), R, SQL
- Outils de gestion de projet : Jira, Confluence, Microsoft Project, Trello
- Infrastructures cloud : AWS, Google Cloud, Microsoft Azure pour le stockage et le calcul distribué
- Logiciels de data preparation : Alteryx, KNIME, RapidMiner
- Bases de données : PostgreSQL, Snowflake, BigQuery, Redshift
- Outils collaboratifs et SI : ERP (SAP, Oracle), CRM (Salesforce), suites bureautiques
Grille salariale 2026
| Niveau | Paris / Île-de-France | Régions |
|---|---|---|
| Junior (0-3 ans) | 38 000 € – 44 000 € | 33 000 € – 39 000 € |
| Confirmé (4-8 ans) | 48 000 € – 58 000 € | 43 000 € – 52 000 € |
| Senior (8 ans et +) | 60 000 € – 75 000 € | 52 000 € – 65 000 € |
Les écarts se creusent principalement par la taille de l’entreprise : les grands groupes et les sociétés de conseil proposent des packages plus élevés (intéressement, épargne salariale). Le statut cadre (majoritaire) inclut une convention de forfait-jours.
Formations et diplômes
| Niveau | Diplôme représentatif | Accès |
|---|---|---|
| Bac+2 | BTS Services informatiques aux organisations (SIO) | Post-bac, possible en alternance |
| Bac+3 | Licence pro Métiers de l’informatique (parcours data / décisionnel) | BTS ou L2 |
| Bac+5 | Master Data Science / MIAGE / écoles de commerce spécialisation data | Bac+3 ou prépa |
| Bac+5 | Diplôme d’ingénieur (ENSIMAG, Télécom, INSA, Centrale, etc.) | Classes prépas ou admissions parallèles |
L’alternance est très répandue, notamment en fin de cycle. Les écoles spécialisées en data (DataScientest, Datascientist.work) et les bootcamps courts (ENI, OpenClassrooms) proposent des certifications reconnues par la branche professionnelle.
Reconversion vers ce métier
- Chef de projet traditionnel : complète ses compétences en data via une formation accélérée (certification data analytics, Python, SQL). Passerelle naturelle : le vocabulaire gestion de projet est le même, la difficulté réside dans la montée en compétence technique.
- Data analyste : évolue vers un rôle transverse en suivant une formation management de projet (PMP, Agile). Avantage : maîtrise déjà la donnée. Inconvénient : acquérir les compétences en pilotage, budgétisation et gestion d’équipe.
- Consultant SI / AMOA : spécialisation data via une certification cloud ou un master spécialisé. Profil très recherché car il combine la vision métier et la technique.
Les dispositifs de financement (CPF, Pro-A, Transition Pro) permettent de financer ces parcours en 6 à 18 mois. L’AFPA et les GRETA proposent des formations éligibles.
Exposition au risque IA
Le score CRISTAL-10 de 79 % indique une exposition élevée à l’automatisation par l’IA. Les tâches les plus menacées sont celles liées à la coordination standardisée : reporting automatisé, suivi de jalons, génération de comptes rendus. Les outils de pilotage assisté par IA (planning automatique, allocation de ressources prédictive) réduisent déjà le besoin d’un suivi manuel.
En revanche, la dimension relationnelle et l’arbitrage stratégique restent difficilement automatisables. Le charge de projet data conserve une valeur ajoutée dans la traduction des besoins métier, la gestion des parties prenantes et la validation de la conformité. Le risque est moins celui d’une suppression du poste que d’une redéfinition des missions : le volet purement administratif s’amenuise, tandis que le rôle de médiateur et de garant de la qualité se renforce.
Les profils les plus exposés sont ceux qui ne font que du suivi de planning et de la production de reporting. Ceux qui développent une expertise sectorielle (santé, finance, industrie) ou réglementaire restent protégés.
Marché de l’emploi
Le marché du charge de projet data est en tension modérée en 2026. La demande reste dynamique, tirée par la digitalisation des PME, la transformation IA des grands groupes, et les obligations réglementaires (CSRD, AI Act). Les secteurs les plus recruteurs sont la banque-assurance, les télécoms, le conseil, la grande distribution et l’industrie.
Le télétravail partiel s’est généralisé (2 à 3 jours par semaine). Les entreprises recherchent des profils capables de travailler en mode agile, avec une bonne culture data et une appétence pour la pédagogie. Les offres d’emploi mentionnent presque toutes la maîtrise de SQL et d’au moins un outil de BI.
Selon France Travail et l’APEC, le nombre d’offres pour ce profil progresse de façon stable, sans explosion ni effondrement. La concurrence est plus forte sur les postes juniors ; les confirmés avec une spécialisation sectorielle restent très recherchés.
Certifications et labels reconnus
- PMP (Project Management Professional) du PMI : certification de référence en gestion de projet, reconnue internationalement
- ITIL Foundation : pour la gestion des services IT, utile sur les projets data en production
- AWS Cloud Practitioner / Google Professional Data Engineer : certifications cloud valorisées pour les projets data
- Certification RGPD (CNIL / inscrite au RNCP) : sérieux atout pour les projets traitant des données personnelles
- Qualiopi : label des organismes de formation, à vérifier pour financer sa formation via le CPF
Évolution de carrière
À 3 ans : le junior devient confirmé. Il mène des projets de taille moyenne en autonomie, encadre un stagiaire ou un alternant. Il peut se spécialiser dans un secteur (santé, retail, industrie) ou une techno (cloud, IA).
À 5 ans : il accède à un poste de senior / lead. Il gère des projets complexes (budget >500k€, équipe de 5-10 personnes). Il intervient en avant-vente ou en conseil. Titre possible : responsable de pôle data.
À 10 ans : il évolue vers des fonctions de direction (directeur data / chief data officer) ou de programme manager. Il peut aussi bifurquer vers l’entrepreneuriat (création d’une agence data) ou le consulting indépendant.
Les passerelles vers les métiers de consultant en management ou de product manager sont fréquentes.
Perspectives du métier
La montée en puissance du data mesh transforme le rôle du chargé de projet data en facilitateur qui aide les équipes métier à devenir autonomes sur la donnée. L’IA générative bouleverse la documentation et la génération de code, et le chargé de projet doit désormais cadrer et valider ces productions automatiques. La gouvernance des données s’impose comme un enjeu de compétitivité, avec le déploiement de plateformes de data catalog et de data lineage. La pression réglementaire pousse ce professionnel à anticiper les directives européennes sur l’IA, la cybersécurité et le partage de données, notamment le Data Governance Act et le Data Act.