Hier, les entreprises pouvaient employer des équipes de statisticiens pour décortiquer les données manuellement. Aujourd’hui le niveau de flux et la diversité des données dépassent de loin les capacités de l’analyse manuelle.

C’est là que la Data Science est née et qu’elle a débloqué des métiers spécialisés dans le traitement de données.

Data Scientist, ce métier du futur n’en est plus un ! Il évolue à une vitesse telle, qu’il se divise en plusieurs métiers plus spécialisés tant la data est présente et incontournable aujourd’hui dans le bon fonctionnement des entreprises.

Le Data Scientist a longtemps été vu comme le mouton à cinq pattes, capable d’assurer tous les rôles. Prise et distribution de données dans les infrastructures, création de superbes représentations visuelles et de modélisations, analyses prédictives et en plus analyse des chiffres. Est-il possible pour un humain d’assurer toutes ces missions ? Oui ! mais à une certaine échelle.

C’est pourquoi aujourd’hui le métier évolue et voir même se divise. On est en train de splitter ce métier de Data Scientist qui était un peu fourre-tout pour lui accorder des fonctions plus précises, plus pertinentes et surtout plus réalisables pour encore plus d’efficacité. On parle alors aussi de Data Engineer, de Data Analyst, de Machine Learning Engineer ou encore de Data Architect.

Mais y a t-il assez de travail pour tous ces métiers différents ?

Oooh oui, on peut avoir affaire à des flux de Data tellement importants qu’ils se comptent en plusieurs Téra voir plusieurs Péta de données, de quoi occuper un régiment d’experts Data ! Sur ce volume de données, ces experts sont armés de technos puissantes permettant de les exploiter afin de permettre aux entreprises de gagner en compétitivité.

Mais revenons sur le nouveau rôle du Data Scientist !

Sa mission principale tourne autour de la modélisation, c’est-à-dire faire de l’analyse prédictive à partir de certaines données. Son rôle est aussi de trouver des groupes homogènes dans les données par le biais d’optimisations d’algorithmes mathématiques afin d’obtenir des analyses plus étendues et plus approfondies. Le but est de mesurer la proximité de chaque élément à partir de critères définis. Autrement dit, faire du data clustering (💡partitionnement de données en français)

Bien que ce soit compliqué aujourd’hui de trouver deux définitions identiques de ces métiers, ce qui ressort souvent c’est que, à la différence du Data Analyst, et du Data Engineer, le Data Scientist est plus une personne avec une sensibilité métier. Il est capable de trouver les indicateurs clefs pour pouvoir répondre à une problématique qui est en interaction avec l’entreprise et son secteur d’activité.

Le Data Engineer lui, intervient en amont. Il est confronté à des données brutes, parfois invalides ou erronées. Son rôle est de traquer ces dysfonctionnements, de rendre ces données fiables pour que le Data Scientist puisse intégrer ses algorithmes. Des données mal préparées influenceront directement sur les résultats qui seront incorrects ou décevants. Sur le marché de la Data, le volume de postes de Data Engineers à pourvoir dans les entreprises tous secteurs confondus est bien plus élevé que celui de Data Scientists.

______________________________

Maintenant que l’on sait qui est qui et qui fait quoi, comment sait-on à partir de quel stade ces données ont besoin d’être bichonnées par des experts ?

« Quand il y a de la data à traiter » Merci Captain Obvious !💡

Plus sérieusement, il faut y penser dès la création de l’entreprise ! Y penser dès le début vous permettra d’anticiper et de réfléchir à :

Que collecte-t-on ?

Comment collecte-t-on et donc quel profil data recruter ?

Comment analyse-t-on cette donnée ?

Comment améliore-t-on le produit avec elle ?

Alors, quel profil recruter en priorité pour vos petits besoins de Start-up ?

Avec tous ces métiers complémentaires, vers quel métier vous tourner en premier quand votre volume de données n’est pas assez important pour avoir une équipe entière dédiée à la Data ?

Et non, toutes les entreprises ne peuvent pas se permettre le luxe d’avoir une grosse armée de Data Scientists, de Data Analysts. Parfois certaines bases peuvent suffire selon le volume de Data à traiter.

Notre conseil, si vous êtes une start-up, c’est de commencer par recruter un Data Engineer. Pourquoi ?

Parce que la première partie de votre stratégie va être « Comment récupérer cette donnée, comment l’intégrer et comment la formater ?

Au début de l’activité, il vous faudra quelqu’un qui aime toucher à tout et qui aura une sensibilité pour chaque métier de la Data. Le fameux mouton à cinq pattes, le profil « touche-à-tout ».

Pourquoi pas un Data Scientist ?

Si vous recrutez un profil comme celui-ci, assurez-vous qu’il a aussi une casquette de Data Analyst pour que, dès le début de l’activité, il puisse savoir quels seraient les vecteurs de progrès pour la boîte en analysant les données. Il faut qu’il sache traiter les données sur les infrastructures distribuées, faire des modèles qui passent à l’échelle et les mettre en prod.

Le but, au début de l’activité, est de préparer le terrain. Vous devrez donc potentiellement faire appel en amont à un Data Architect pour définir la plateforme.

‍