DATA SCIENTIST, MÉTIER PHARE DE L’INTELLIGENCE ÉCONOMIQUE

Auteur : Christine OLTRA (E 1983 ICiv)

Vous êtes intéressé par le métier de Data Scientist ? Vous vous interrogez sur les perspectives qu'il offre? Prenez le temps de lire les conseils et retours d'expérience de vos camarades qui ont franchi le pas!

Merci à Stéphane Collot (E11), Mickaël Lautret-Staub (E13), Maroussia Roelens (E11) et à André Wallard (P10) qui ont contribué à la rédaction de cet article en se prêtant au jeu de l’interview, ou en répondant à notre enquête.

À LA POINTE DE L’ANALYSE DES DONNÉES

Dès 2015, le CIGREF a publié dans sa nomenclature des métiers du SI les nouvelles fiches correspondant au métier de Data Scientist. “Le Data Scientist, positionné auprès des Métiers, exploite, analyse et évalue la richesse, de données structurées ou non, appartenant à l’entre- prise ou non, pour établir des scénarios permettant de comprendre et d’anticiper de futurs leviers Métier ou opérationnels pour l’entreprise.”

Le métier de Data Scientist correspond à tout ce qui relève de l’analyse de données (au sens large, de la mesure de quantités physiques au cours du temps aux chiffres de vente par zone géographiques en passant par les données médicales des patients d’une cohorte), au moyen d’algorithmes et de méthodes adaptés aux spécificités des données, dans le but d’en extraire des informations utiles pour poursuivre un but précis. Littéralement “scientifique de la donnée” le Data Scientist va chercher à extraire de la valeur (au sens large) au sein de sources de données.

Il a 3 visions ou compétences :

• Des compétences mathématiques, statistiques pour comprendre les modèles d’intelligence artificielle
• Des compétences informatiques : utilisation des DATA, programmation
• Des compétences métier : comprendre le métier de l’entreprise, les enjeux Business

Il travaille à la mise en place de modèles qui s’appuient sur :

• Des modélisations classiques : Monte Carlo, chaînes de Markov, études statistiques,
• Des apprentissages automatisés de machines (Machine Learning) : entraînement d’algorithmes sur un histo- rique de jeu de données
• Des apprentissages par renforcement : modèles auto-apprenants en environnement ouvert

Et il doit :

• Organiser les données accessibles, et s’assurer de leur fiabilité
• Les traiter pour en extraire des informations cruciales pour la stratégie d’un produit, d’une entreprise
• Communiquer clairement ces résultats aux décisionnaires

La gestion et l’analyse de la donnée sont réalisées par une cohorte d’hommes et de femmes relevant de compétences complémentaires. Ainsi le Data Scientist ne doit pas être confondu avec le Data Analyst. Le premier comprend et génère le(s) modèle(s), le second les utilise. Le métier Le Data Scientist s’insère dans un processus plus large dans le cadre de projets où chaque compétence a sa place :

• Un Data Architect qui va réfléchir à la mise en place de la bonne infrastructure de données (où aller chercher, charger, enregistrer les données).
• Un Data Engineer qui va se charger d’alimenter l’infrastructure en données et en assurer la qualité (ana- lyser les performances, fuites, les données manquantes, ).
• Un Data Scientist qui va travailler sur les données pour développer un modèle
• Un Data Analyst pour effectuer le suivi de performance de l’algorithme, les gains apportés, etc.
• Un Business Analyst pour extraire des recommandations business à partir des calculs effectués

DANS TOUS LES SECTEURS

Dès qu’il y a des volumes de données à traiter, le Data Scientist peut être amené à intervenir, dans des domaines variés : Assurance (détection de fraude, analyse automatisée de dossiers...), Financier (prédire qui va quitter la banque, étude marketing), Marketing (chatbots intelligents, algorithmes de recommandation, ciblage marketing, etc.), médical, santé prédictivde, énergie (maison intelligente, gestion du parc énergétique), transport, cyber-sécurité, industrie... Ainsi le champ d’investigation du Data Scientist est varié, à l’image des expériences de nos interviewés.

“On peut être Data Scientist dans n’importe quelle indus- trie, n’importe quel domaine. Le monde s’est digitalisé et la donnée est devenue une ressource inexploitée dans beaucoup de structures.”

“Après avoir travaillé qautre ans dans le domaine de l’astrophysique, sur des projets d’étude d’étoiles à luminosité variable, je travaille maintenant dans le domaine de la santé globale, dans le cadre d’un projet d’étude sur l’hépatite C en Suisse.”

“Dans une startup en marketing, j’analyse les comportements des clients via les images sur caméra et bornes wifi.”

“Pour un acteur public de transport, je travaille à la prédiction de l’impact économique de la fermeture de stations de métro.”

EN PHASE AVEC LES ATTENTES DES INGÉNIEURS

Métier à la mode, à l’instar du Big Data ou de l’intelligence Artificielle, le métier de Data Scientist est-il le “job le plus sexy du 21e siècle” comme exprimé par certains camarades dans notre sondage ? L’engouement est visible dans les réponses de nos intervenants.

“Data Scientist est le métier pour celui qui cherche à faire des choix rationnels et à éclairer les décisions des dirigeants ou actionnaires. Dans le monde actuel, il n’y a plus de place pour l’intuition.”

“C’est un domaine en constante évolution. Des avancées majeures sont faites chaque année et les intelligences artificielles sont de plus en plus complexes.”

“Même dans un domaine fixé, le métier de Data Scientist permet d’apprendre et d’utiliser des techniques variées. La confrontation directe à des données réelles conduit à se lancer de nouveaux défis au quotidien.”

“La médecine m’a toujours beaucoup intéressée. Utiliser mes compétences pour contribuer à l’amélioration des traitements médicaux et au développement de la connaissance des pathologies constitue une réelle motivation.”

 “Les métiers de la Data sont viennent bousculer les modèles économiques. La donnée est décrite comme la nouvelle électricité ou le nouveau pétrole : ce sont les métiers d’une nouvelle vague industrielle.”

“Le métier de Data Scientist permet de travailler sur des problématiques à forte valeur ajoutée auprès des entreprises (la donnée devient progressivement le cœur d’activité des entreprises).”

COMPÉTENCES DURES ET COMPORTEMENTALES

La motivation est un levier fort pour appréhender ce nouveau domaine, et si la formation de base de l’ingénieur et une tête bien faite peuvent servir, un intérêt certain pour les mathématiques et la statistique, appuyé par des connaissances approfondies et travaillées sont nécessaires. De même, la rigueur et une bonne communication sont des compétences régulièrement citées.

Compétences dures

“Être capable de manipuler des données chiffrées, des outils statistiques plus ou moins poussés.”

“Les formations sont généralement celles de Master (IA, Data Science, Machine Learning, Mathématiques Appliquées) ou de Doctorat. Les formations par MOOC sont aussi très appréciées”

“Les meilleurs Data Scientists tendent à s’améliorer ou se faire recruter lors de compétitions de type Hackathon ou lors de compétitions en ligne (Kaggle est le site le plus connu).”

“La Data Science demande des compétences informa- tiques larges (les bases du développement et de la théorie sur le fonctionnement des serveurs), des compétences mathématiques pointues (statistiques avancées, modélisation, etc.)”

“Une formation combinant des cours poussés en statis- tique à une solide composante informatique me semble indispensable pour exercer le métier de Data Scientist. De même, tous les métiers conduisant à se confronter à la réalité des données et à leur exploitation pour en extraire des informations permettent d’acquérir une expérience et une méthodologie nécessaires.”

“Avoir l’envie d’apprendre continuellement, de se former aux rudiments de la programmation (Python, R) et à un vaste paysage d’outils.”

Compétences comportementales

“Être rationnel, réfléchi, n’accepter que des opinions quantifiées et vérifiables. Ne surtout pas marcher à l’instinct et se méfier des avis tranchés sans source ni fondement.”

“Les modèles les plus compliqués ne servent à rien si on ne sait pas les expliquer à l’exécutif. Des capacités en visualisation, en storytelling, et la capacité à communiquer ses résultats est la clé pour devenir un Data Scientist de grande valeur.”

“Il vaut mieux avoir des compétences humaines importantes : la Data Science touche généralement le cœur métier des clients, il demande donc de bonnes compétences interpersonnelles et de communication pour obtenir des modèles performants.”

“Il s’agit de faire l’interface avec des gens qui n’ont pas la connaissance de la data science ou une connaissance biaisée : il faut faire preuve de pédagogie et d’adaptabilité.”

“L’apprentissage artificiel est un domaine très sexy... mais les modèles ne servent à rien s’ils sont construits sur des données biaisées et si on n’est pas capable d’expliquer des conclusions utiles aux dirigeants.”

Quelles sont les contraintes?

Malgré tout l’intérêt que présente ce métier, il s’exerce dans le cadre d’une entreprise avec ses exigences. Il peut être décliné dans tout ou partie du périmètre de l’entreprise, et les contraintes inhérentes à l’écosystème de l’entreprise et à celui de la technologie du numérique interviennent.

“Les contraintes dépendent le plus souvent de l’entre- prise. Selon la taille de l’équipe associée à la Data, un Data Scientist peut être amené à intervenir sur beaucoup de sujets.”

“Dans certaines entreprises, l’extraction des données et la maintenance des services font partie intégrante du travail. Dans d’autres, on ne vous demande que de faire une analyse et présenter les résultats.”

“On peut être plus ou moins orienté ’Business Intelligence’. Une contrainte qui revient souvent : choisir à qui communiquer les graphes, les visualisations, les outils de monitoring.”

“Être Data Scientist, c’est être “Monsieur ou Madame Plus”. Lorsqu’on présente un résultat, il y a toujours un domaine à creuser, une analyse à pousser plus loin. Tout l’art réside dans la capacité à donner suffisamment d’éléments aux collègues pour prendre une décision ou agir avec suffisamment de confiance.”

“Le Data Scientist est fortement limité dans son travail sur plusieurs aspects :

• l’état de l’art de la recherche (la discipline reste encore naissante et certaines problématiques restent encore difficiles à appréhender) ;
• la règlementation (la RGPD est à la fois une contrainte pour l’utilisation des données et une opportunité pour mieux encadrer et maintenir les sources de données) ;
• la disponibilité des données (la force des modèles actuels résident dans la volumétrie des données, les plus grosses bases de données donnent les meilleurs résultats).”

Perspectives professionnelles

“Nous sommes encore dans une sorte de bulle où toutes les entreprises de tous les secteurs recherchent active- ment des Data Scientists. Des géants technologiques comme Facebook, Google, Amazon, jusqu’aux plus petites start-up qui lancent leur application mobile spécialisée, tout le monde recrute des profils capables de manier les statistiques, les données, les outils nécessaires à la création de savoir quantifié.”

“Il y a de plus en plus de Data Scientists sur le marché, et la difficulté pour les entreprises sera bientôt de recruter des managers capables de comprendre les enjeux techniques, et de mener le travail d’une équipe de Data Scientists.”

“Je pense que ce métier offre de bonnes perspectives, permet de choisir entre le parcours d’expert ou le par- cours de manager. Dans les deux cas, quand on rentre dans ce domaine, on n’a plus jamais de souci à se faire pour trouver un travail intéressant.”

“La force du métier de Data Scientist est qu’il peut être appliqué à de nombreux domaines, et de fait ouvre de grandes perspectives professionnelles. Ainsi un ingénieur généraliste, docteur en astrophysique, peut trouver sa place dans un projet de recherche sur les conséquences sur l’organisme et le traitement de l’hépatite C.” “Le métier de Data Scientist est encore très récent. Un grand travail de structuration reste encore à faire. Les prédictions sur le futur du métier sont assez larges : certains avancent la mort du métier prochainement du fait du développement d’outils cherchant à automatiser le travail du Data Scientist ; d’autres misent sur la pérennité du métier du fait que l’état de l’art de la recherche reste encore balbutiant. En effet, le facteur qui explique le développement actuel est davantage dû à des évolutions technologiques (Big Data) qu’à des évolutions algorithmiques. Néanmoins, il apparaît, quel que soit le scénario, que le métier de Data Scientist sera amené à évoluer et se structurer autour de 2 grands profils :

• Des Data Scientists “métier” (profil Master générale- ment) : une bonne connaissance d’un secteur/métier et des compétences en communication pour expliciter les modèles et résultats.
• Des Data Scientists “recherche” (profil Doctorat) : une connaissance pointue algorithmique pour faire avancer l’état de l’art.”

MÉTIER D’AVENIR? MÉTIER EN DEVENIR?

La diversité des domaines d’application et les perspectives d’évolutions des métiers de la donnée laissent la porte ouverte à tous ceux qui souhaitent s’investir dans des métiers innovants.

S’il faut savoir faire preuve de ténacité pour surpasser les frustrations des modélisations non abouties et savoir profiter de l’émulation des travaux d’équipe, les valeurs indispensables sont la rigueur et la ténacité, afin d’effectuer un travail de qualité et de produire des résultats de confiance, tout en sachant quand les informations obtenues sont satisfaisantes compte tenu de la non- perfection éternelle des données à analyser. Cette non-perfection ainsi que la diversité des données aussi bien que des objectifs que l’on peut poursuivre incitent le Data Scientist à toujours faire preuve d’inventivité pour trouver des solutions. •