Quels profils de Data Scientist recruter ? (4/4)

Le marché de l’emploi dans le domaine des sciences des données (Datascience) a évolué à pas rapides au cours des dernières années. Cependant, le manque de maturité de certaines entreprises vis-à-vis des données et l’absence de stratégie claire pour guider les décisions d’embauche conduisent à la publication de descriptifs de postes vagues ou inadéquats. 

Dans cet article, nous vous aidons à y voir plus clair dans les profils de Data Scientist à recruter. Quels sont les rôles spécifiques de chacun ? Que peuvent-ils apporter à votre entreprise pour développer vos affaires ? Comment reconnaître un bon Data Scientist suivant sa spécialité ?

Le spécialiste de l’analytics (Data Scientist type A)

Qu’est-ce qu’un Data Scientist Analytics ?

Celui que l’on appelle aussi Data Scientist Type A (A pour Analytics) ou « Data Analyst » a une vision complète du secteur ou du domaine d’activité de l’entreprise. Très orienté business, il sait relier les données aux réalités concrètes du terrain et identifier celles qui serviront d’indicateurs de performance : taux de clic, taux de désabonnement, coût par acquisition ou encore customer lifetime value… 

Le Data Scientist Analytics présente aussi généralement un bon sens du service, de la communication et de la vulgarisation. Il sait adapter ses analyses à la maturité data de ses interlocuteurs internes (collègues, hiérarchie) ou externes (clients, partenaires, prestataires). 

Pourquoi embaucher un Data Scientist de type A ?

Vous aurez besoin de ce profil de Data Scientist spécialiste si vous souhaitez : 

  • améliorer les performances de vos produits et identifier de nouvelles opportunités commerciales. 
  • diffuser dans l’entreprise une culture des données. Vous pourrez vous appuyer sur son savoir-faire et son savoir-être pour montrer aux collaborateurs les avantages métiers d’une entreprise data-driven, avec des processus de décision facilités par la donnée. 

Plus concrètement, voici 3 cas d’usage business sur lesquels faire travailler un Data Scientist de type A :

  1. Optimisation de la production

Une entreprise de fabrication doit optimiser les lignes de production afin d’améliorer les opérations industrielles. L’objectif final est de réduire les coûts et/ou augmenter les revenus. L’analyse de l’utilisation des équipements et des données sur les matériaux peut alors permettre de détecter les zones de pertes de production et de prendre des décisions pour équilibrer la qualité, le coût et le rendement.

  1. Optimisation de la capacité du réseau

Un opérateur de télécommunication doit optimiser les performances du réseau pour assurer la satisfaction du client. L’analyse de l’utilisation du réseau peut alors lui permettre d’identifier les zones qui présentent des problèmes de congestion, et celles qui présentent une capacité excédentaire. In fine, cela permet de réacheminer la bande passante selon les besoins. Les résultats de cette analyse peuvent également aider à planifier les futurs investissements dans les infrastructures. Cette tâche nécessite d’analyser un grand nombre de données sur les appels et de construire des modèles. Objectif final : mettre en avant la relation entre les clients et les services réseau.

  1. Customer Lifetime Value

Tous les clients ont une valeur, mais cette valeur varie grandement de l’un à l’autre. La question que se pose alors le Data Analyst : « quels sont les clients qui ont le plus de valeur pour l’entreprise ? ». La réponse permettra aux dirigeants de prendre des mesures proactives pour s’assurer que leur clientèle est toujours satisfaite. Les solutions qui en découlent : mise en place d’une équipe de vente disponible, création de campagnes marketing personnalisées, etc.

Comment reconnaître un bon Data Scientist Analytics ?

Le Data Analyst se concentre plus sur les statistiques traditionnelles que sur les algorithmes d’apprentissage automatique. Vérifiez que le candidat possède une bonne maîtrise :

  • Des mathématiques, et notamment des probabilités.
  • Des tests A/B qui permettent de comparer deux variantes d’un même élément, et ainsi d’améliorer les résultats par effet de sélection.
  • De méthodes d’analyse comme les tests d’hypothèses, les p-value, les intervalles de confiance, les statistiques inférentielles, l’analyse de régression ou encore la modélisation statistique. 
  • De techniques de machine learning plus avancées comme le boosting ou le bagging, à des fins de modélisation. 

Un bon Data Scientist de type A doit également savoir utiliser des outils comme le logiciel de statistiques R (dans la plupart des cas) ou Python (comme alternative), qui est le langage de programmation le plus utilisé dans le domaine du Big Data et du Machine Learning.

Selon le contexte, ce spécialiste des données peut aussi être amené à utiliser :

  • Excel, étant donné que les entreprises dépendent encore fortement des feuilles de calcul.
  • Un serveur SQL pour interroger les bases de données.
  • Des outils comme Tableau ou Qlikview pour créer des tableaux de bord et des rapports.
  • PowerPoint afin de réaliser des présentations et communiquer les résultats.

Le recrutement de votre Data Scientist : en résumé

Les Data Scientist généralistes existent encore aujourd’hui, mais plus les entreprises acquièrent de connaissances, d’expérience et de clarté dans le domaine des données, moins ces profils deviennent attrayants. 

La mise sur le marché de solutions informatiques d’automatisation de la data science accélèrera ce processus et mettra en lumière le savoir-faire des spécialistes dont le travail ne peut être automatisé : les Data Scientist Analytics (très orientés « business »), les Data Scientist Algorithms (spécialisés en génie logiciel) et les Reseach Scientist (les plus adaptés aux travaux de recherche).

Avoir compris ce qui rend ces profils uniques aidera votre entreprise à prendre de meilleures décisions d’embauche !

Lire l’article suivant : Quels profils de Data Scientist recruter ? (1/4)