Recruter un Data Scientist : les clés de réussite

Recruter un Data Scientist

Zoom sur les Data Scientists ! Un terme et un métier nés au début du siècle mais réellement devenus à la mode pendant les années 2010. Les formations dans le domaine se sont multipliées sans pour le moment permettre de satisfaire pleinement la demande des entreprises, qui ne cesse de croître. Alors, comment attirer ces profils rares sur un marché en tension ? et, surtout, quels bénéfices en tirer ? Nous vous aidons à y voir plus clair.

Aenean diam urna, malesuada non faucibus quis, tempus ac quam. Etiam vel volutpat urna, et ullamcorper diam. In aliquam maximus metus sit amet euismod. Quisque ac lectus euismod, mattis turpis quis, finibus erat. Cras ultrices sollicitudin metus vel efficitur. Nam at augue malesuada, rutrum ante et, congue nunc. Mauris condimentum dolor non erat ullamcorper accumsan. Curabitur dapibus, lorem at ultrices mollis, lorem est condimentum nunc, sed venenatis metus lacus nec urna. Ut aliquam ligula non blandit pharetra.

Mauris maximus faucibus erat, sed tempor enim lacinia in. Phasellus vel tellus ac nulla sollicitudin varius. Suspendisse quis purus arcu. Etiam finibus auctor tincidunt. In consequat maximus eros, sit amet tincidunt eros pulvinar eu.

 

Ai-je réellement besoin d’un Data Scientist ?

Il nous arrive assez souvent d’aller en rendez-vous chez des prospects ou des clients souhaitant faire appel pour la première fois à un Data Scientist, et de découvrir, au gré des échanges, que le besoin réel est différent. En effet, s’il s’agit par exemple de consolider diverses sources de données afin de mettre en place des tableaux de bord et des indicateurs pour faciliter la prise de décision, nul besoin de Data Science (on parle alors plutôt de Business Intelligence – ou d’Informatique Décisionnelle – et de profils type « Data Analyst »).

La véritable valeur ajoutée du Data Scientist repose notamment dans sa capacité à traiter des données massives (souvent en temps réel) et/ou des données non structurées (image, vidéo, texte…) et d’y appliquer des modélisations mathématiques et des briques d’Intelligence Artificielle afin de mettre en place des cas d’usages comme l’analyse prédictive, les moteurs de recommandation, l’analyse sémantique, etc..

Comment optimiser la présence d’un Data Scientist?

Nous venons de l’évoquer, un Data Scientist – aussi compétent soit-il – ne pourra pas réaliser des miracles à lui tout seul. Certaines conditions doivent être réunies pour optimiser son rendement :

• Être accompagné par un référent métier

  On représente souvent la Data Science dans un diagramme de Venn, au croisement de trois champs d’expertise, que sont les mathématiques, l’informatique et la connaissance métier. Si les deux premiers peuvent s’acquérir à travers des formations théoriques, le dernier vient avec la pratique dans un environnement donné. Qu’il s’agisse d’optimiser la gestion d’une flotte d’autobus, les réglages d’une formule 1, de prédire les rendements d’une culture ou d’estimer le prix d’un bien immobilier, vous ne pouvez pas exiger d’un Data Scientist de connaitre et comprendre tous les tenants et aboutissants du métier. Cette transmission de savoir peut se faire à travers un Product-Owner dans le cadre du développement d’un produit, ou d’un référent métier au sein d’un pôle Data. Il s’agit avant tout d’une question d’organisation et de transversalité des équipes.

• Être en proximité avec les équipes IT

  Les produits développés par les Data Scientists sont très rarement des systèmes autonomes, à l’exception de ceux créés dans des environnements startups où tout est à construire. Il doivent en général récupérer des données dans des systèmes informatiques existants, puis redistribuer des outputs (des prédictions, des recommandations..) au travers d’autres outils. La collaboration entre l’équipe Data et l’équipe SI est donc là aussi primordiale et cela dès le début du projet. Vous n’avez certainement pas envie de dépenser une centaine de jours/hommes à modéliser des algorithmes qui devront être jetés, ou au mieux retouchés, car ils engendrent des temps de réponse inacceptables. Là encore, c’est une question de fonctionnement et d’organisation, avec des concepts comme celui de DataOps.

• Avoir suffisamment de données exploitables

  Vous pouvez avoir le meilleur chef cuisinier du monde, si vous lui fournissez des ingrédients de piètre qualité, en quantité et variété insuffisante, il aura du mal à réaliser des recettes convenables. Il en va de même avec le Data Scientist, dont la matière première est la donnée. Avez-vous réalisé un diagnostic de votre patrimoine Data ? Savez-vous quels sont les jeux de données stratégiques pour votre entreprise et vous-êtes vous assuré de leur qualité ? Ces données sont-elles labellisées, référencées, harmonisées?

  La mise en place d’un programme de gouvernance des données est très fortement recommandée pour reprendre la main sur cet actif stratégique et placer vos futurs Data Scientists dans les meilleurs conditions.

L’ importance de l’expérience

Face à la pénurie de talents dans les métiers de la Data, et spécialement en Data Science, de nombreuses entreprises se tournent vers des profils moins expérimentés. De nouveaux cursus très pertinents ont vu le jour ces dernières années, qui mettent sur le marché des spécialistes formés aux nouveaux outils. L’intégration de ce type de talents doit cependant se faire avec certaines précautions, surtout s’il s’agit d’un premier recrutement en Data Science. En effet, le choc peut s’avérer brutal entre la vision « puriste » de jeunes diplômés pressés de mettre en pratique leurs enseignements et la réalité de l’entreprise et de ses processus. Un profil plus expérimenté sera bien mieux rôdé pour mener à bien des premiers projets. Notamment grâce à une meilleure capacité à embarquer les partenaires et sponsors clés en interne (évangéliser les métiers, estimer un retour sur investissement, …) et à se concentrer sur les enjeux métiers plus que sur la seule performance de ses algorithmes.

En résumé, notre conseil est de penser l’arrivée d’un Data Scientist dans votre organisation non pas comme celle du messie venu résoudre tous vos problèmes, mais de l’intégrer dans un véritable programme Data incluant les piliers suivants:

• Stratégie Data : analysez votre patrimoine de données et réfléchissez à la façon dont il peut servir votre stratégie d’entreprise. Priorisez les cas d’usages en fonction du ROI espéré et de leur difficulté de mise en œuvre. Votre Data Scientist connaitra les priorités stratégiques

• Gouvernance des données : mettez en place les bonnes pratiques et la bonne organisation autour des données. Votre Data Scientist pourra travailler avec des données exploitables

• Conduite du changement : embarquez l’ensemble des collaborateurs en démystifiant les concepts d’Intelligence Artificielle, de Big Data… en les faisant se projeter sur le futur de votre organisation et en les rassurant sur leurs rôles à venir. Votre Data Scientist pourra travailler dans un environnement serein avec la pleine collaboration et compréhension des différents métiers