Le Data Scientist au service du B2B
Posté le 28 mars 2017
Posté le 28 mars 2017
Désigné par la Harvard Business Review comme « le métier le plus sexy du XXIe siècle », le Data Scientist fait partie des postes les plus prisés à l’ère de la donnée.
Chargé de construire des algorithmes pour extraire des informations pertinentes et utiles à partir des masses de données non structurées, la popularité du Data Scientist va croissante à l’heure où les entreprises prennent conscience que l’analyse de données à grande échelle devient essentielle dans l’anticipation et la prise de décision. Mais que recouvre le terme vaporeux de « Data Scientist » ? Quelles sont ses compétences ? Pourquoi ces profils seront-ils si recherchés ? Lumière sur les nouvelles « rock stars » de l’IT.
La transition digitale fait émerger de nouvelles fonctions au sein des entreprises. Du Chief Data Officer à l’Architecte Big Data en passant par le Data Visualizer, ces profils spécialistes – très recherchés – de la donnée s’arrachent sur le monde du travail.
D’après les dernières tendances en matière d’emploi publiées par Indeed.com, le nombre de postes de Data Scientists à pourvoir a augmenté de 15 000 % aux Etats-Unis ces deux dernières années, mais aussi en France, où le gouvernement prévoit la création de 10 000 emplois directs dans le Big Data d’ici 2018.
À la croisée de l’apprentissage machine et du data engineering, la Data Science balaye un champ vaste de sujets, du plus simple – la suggestion de produits en e-marketing – au plus complexe – les voitures autonomes par exemple.
En outre, aux compétences techniques du Data Scientist devront s’ajouter une solide connaissance des enjeux business, couplée à une appétence communicationnelle indispensable pour dialoguer avec les différents métiers de l’entreprise. Un profil unique pour une mission aux enjeux stratégiques : détecter dans la donnée de nouveaux leviers de création de valeur pour l’entreprise.
Le Data Scientist doit être capable de bien formuler les sujets et d’acquérir une compréhension des données permettant de reproduire « in vitro » un algorithme avant de le passer en production « in vivo ». « L’aspect méthodologique est presque plus important que l’aspect algorithmique », confirme Philippe Very, Lead Data Scientist chez Sidetrade.
Les Data Scientists aident les utilisateurs finaux à comprendre, il leur faut imaginer une démarche logique et pour cela maîtriser 3 clés : bien comprendre l’algorithme, être un bon informaticien et enfin avoir du bon sens méthodologique.
Davantage que le développeur, le Data Scientist a véritablement besoin de comprendre les aspects métier fonctionnels ; c’est là la vraie valeur métier d’une équipe de Data Science pour une entreprise, indispensable à toute démarche de co-construction de la technique et du fonctionnel pour créer de la valeur ajoutée.
On croit souvent – de façon erronée – que la Data Science a uniquement pour objet la production de solutions d’analyse prédictive capables d’anticiper et de soutenir la prise de décision de l’entreprise. L’automatisation est pourtant une valeur ajoutée essentielle de la Data Science dans l’univers B2B. En procédant par apprentissage, les algorithmes de machine learning permettent d’imiter les prises de décision humaines de prioriser les tâches et de quantifier leur raisonnement. L’enjeu est au fond d’assister l’homme et de le décharger des tâches répétitives et chronophages qui peuvent être effectuées de façon plus sûre, plus rapide et en plus grande quantité par une machine.
Un exemple simple de tâche de priorisation automatique : l’analyse du taux de rétention. Si l’algorithmie moderne permet effectivement de calculer une probabilité de rétention pour chaque client d’une entreprise, ce n’est pas tant la valeur prédictive de la probabilité qui est importante que d’identifier les bons clients à cibler pour les fidéliser au bon moment. Cette tâche très chronophage pour des utilisateurs non assistés peut aujourd’hui être automatisée et objectivée par une équipe de Data Scientists.
S’agissant d’apprentissage mimétique, la machine doit être aiguillée dans ses choix. C’est là qu’intervient le Data Scientist : il doit comprendre les besoins des collaborateurs de l’entreprise et intégrer les enjeux fonctionnels avant d’apprendre à la machine à les répliquer.
Un des enjeux des Data Scientists B2B dans les prochaines années sera d’évaluer et de prouver que les tâches accomplies par ces machines sont effectivement efficaces via l’AB testing. Une fois que l’algorithme a été produit, il s’agit de comparer in vivo le comportement de la machine avec celui de l’homme. Cette méthode devrait permettre d’étalonner les performances des robots et de prouver leur valeur ajoutée, pour convaincre les sceptiques de la capacité des robots à assister l’homme dans plus en plus de domaines.