La data science impacte le secteur de la tech, mais pas seulement

La data science, un défi pour de nombreux secteurs d’activité

Les données constituent aujourd’hui un élément central pour la transformation digitale et le développement des organisations, tous secteurs d’activité confondus. L’analyse, la valorisation et le partage des données leur offrent la possibilité de mieux comprendre et de s’adapter aux défis qui les attendent en facilitant la prise de décisions stratégiques, tout en offrant un gain de temps et de productivité. La transparence de l’information grâce aux données permet aussi une meilleure relation avec les différentes parties prenantes.

Les enjeux de la data science pour les entreprises

Head of data science du Wagon, Kevin Robert nous présente les défis à relever par les entreprises dans les 3 grands domaines de cette discipline :

• Data engineering : il s’agit surtout de structurer les données des entreprises pour répondre au volume grandissant, d’une part, et aux applications métiers nécessitant ces data d’autre part.
• Cloud : les head of data doivent également étudier le marché pour choisir le type de provider cloud (comme Azure, GCP et AWS, par exemple) qui leur conviendra le mieux, tout en évitant de subir un effet d’enfermement propriétaire (locked-in), qui les contraindra à utiliser cette unique solution et ses outils sur le long terme.
• Data science : l’enjeu repose ici sur les critères sur lesquels les entreprises doivent miser pour recruter leurs futures pépites face à la concurrence des Big Tech. Faut-il rechercher des experts de la statistique, qui pourront tout construire « from scratch », ou des spécialistes qui savent réutiliser efficacement des modèles pré-entraînés ?

Les opportunités offertes par la data science

La data science consiste à faire parler un grand volume de données afin de comprendre, expliquer ou modéliser un phénomène pour mieux le prédire. « De plus en plus d’entreprises veulent utiliser les résultats d’analyses ou de modélisation en production, ce qui implique qu’ils puissent être accessibles à d’autres collaborateurs ou même au grand public. Le déploiement et le cycle de vie de ces produits sont généralement confiés aux data engineers ». De manière générale, l’essor de ces flux de données massifs offre de belles opportunités en data engineering et ouvre la voie à des métiers émergents, comme data ops, machine learning ops ou encore data product manager.

Bercée par les chiffres et dotée d’un goût prononcé pour l’analytics, Lorélie Mani a suivi le bootcamp dédié à la data science au sein de l’organisme de formation Le Wagon, avant de devenir data scientist chez Rakuten. « Grâce à la data science, on peut prédire le chiffre d’affaires de l’année suivante avec une marge d’erreur très faible, savoir quels sont les produits qui vont se vendre le mieux et en combien d’exemplaires… Cela change complètement la manière dont on aborde le marketing. Avant, par manque de visibilité, on essayait d’orienter les parcours client en fonction des stocks, des contraintes de l’entreprise. Aujourd’hui, la tendance s’inverse : grâce à la data science, les organisations peuvent s’adapter aux besoins de leurs clients et ainsi répondre à leurs attentes. »

Se former aux métiers de la data science : quels métiers et quelles compétences ?

Pour relever ces défis et bénéficier des opportunités de la data science, les entreprises ont besoin de talents, qui apportent leur expertise dans les différents domaines. Tour d’horizon des métiers les plus recherchés actuellement par les recruteurs et des compétences à maîtriser.

Panorama des métiers de la data science

Selon Kevin Robert, voici les métiers phares de la data science, une discipline qui ne se résume pas aux seules fonctions de data analyst ou data scientist :

• Data analyst : il est amené à collecter la data ; explorer, comprendre et visualiser les données ; élaborer un protocole d’étude et l’analyser pour répondre à un besoin métier ; établir une présentation des résultats et les communiquer.
• Data scientist (predictive models) : ce métier reprend les missions du data analyst avec, en plus, le développement et l’optimisation de modèles de machine learning.
• Data scientist (statistics) : il est chargé des mêmes tâches que le data analyst, agrémentées par le développement et la réalisation de tests d’hypothèses et d’inférences statistiques, afin d’améliorer les produits (A/B testing, etc.).
• Data engineer / Data Ops : ce poste, qui est particulièrement recherché actuellement par les entreprises, consiste à créer de l’infrastructure de stockage data lake et data warehouse, à mettre en place la stratégie d’ELT (Extraction-Loading-Transformation), mais aussi à garantir la fiabilité ainsi que la continuité des données, tout en sensibilisant les équipes à leur usage.
• MLOps (ou Machine Learning Operations) : parmi ses missions, on retrouve l’optimisation et l’entraînement des modèles de ML existants mais à grande échelle, la mise en production des modèles, la gestion du cycle de vie et la surveillance des performances des data products. « C’est l’un des métiers les plus recherchés en ce moment. Peu de personnes sont formées à ce poste car les solutions standardisées aujourd’hui n’existaient pas il y a 5 ans.»
• Data Product Manager : son rôle consiste en la gestion du développement des data products, du management d’équipe, ainsi que la relation entre les équipes opérationnelles et décisionnaires.

Les compétences nécessaires en data science

Pour exercer ces différents métiers, vous devrez maîtriser les mathématiques, le code et les outils technologiques, comme ceux de la business intelligence. Des hard skills en lien avec le secteur d’activité de votre entreprise sont un plus. Côté soft skills, il est nécessaire de faire preuve de créativité, de rigueur et de communication. « En fonction des postes, les profils peuvent varier. Les fonctions de data scientist et certains métiers de data analyst demandent des prérequis exigeants en code et en mathématiques. Les entreprises vont alors plutôt se tourner vers des profils issus d’écoles d’ingénieurs », souligne le head of data.

Alumni du Wagon et data scientist chez Rakuten, Lorélie Mani nous partage son retour d’expérience. « Au quotidien, j’ai besoin de récolter et d’interpréter mes données avant d’appliquer l’algorithme le plus adapté, puis de rendre mon modèle exploitable, en l’intégrant sur le site ou en créant un outil interne. La pédagogie du Wagon étant très orientée sur la pratique du code et l’autonomie, cela permet de creuser tous ces sujets soi-même, d’acquérir un certain savoir-faire, et donc de ne pas être dépaysé lorsqu’on est confronté à ces différentes problématiques en entreprise. »

Les Data Days du Wagon

Si vous souhaitez vous plonger en immersion pour découvrir la data science, participez aux Data Days ! Organisé du 22 au 24 février par Le Wagon, cet événement s’articule autour de 3 conférences destinées à toutes celles et ceux souhaitant évoluer dans ce domaine ou acquérir des compétences en data science, qui sont de plus en plus recherchées et fortement valorisées sur le marché de l’emploi, afin de pour compléter leur parcours professionnel. L’objectif des Data Days : vous aider à comprendre comment la data est actionnée au sein de secteurs comme le marketing, la finance ou encore l’ingénierie.

Inscrivez-vous pour participer aux Data Days avec Le Wagon