Le big data se décline aujourd’hui en de nombreux métiers et touche à des secteurs variés. Toutes les entreprises analysent les données qu’elles possèdent afin d’optimiser leur stratégie marketing. Le cabinet IDC prédit que les revenus produits par la data dans le monde s'élèveraient à 189 milliards de dollars, une tendance à la hausse qui pourrait se confirmer d’ici 2022 et atteindre 274 milliards de dollars. Le secteur est donc en constante évolution.
On retrouve notamment parmi ces métiers :
- Data analyst
- Data engineer,
- Data scientist,
- Architecte big data,
- Chief data officer ou Chief data scientist,
Paris School of technology & Business vous forme et vous aide à vous orienter vers le métier qui vous conviendra le mieux en fonction de vos attentes et de vos envies.
Data analyst vs data scientist
Les deux termes de data analyst et data scientist sont souvent confondus.
Il convient donc d’abord de préciser de nouveau la définition de la data science.
Elle consiste à étudier, analyser et interpréter des données dans le but de prendre des décisions afin d’améliorer les performances commerciales d’une entreprise.
L’évolution des outils de communication a permis de créer une profusion de sources de données.
Qui est le data scientist ?
Le data scientist est l’expert de la science et de la recherche de données, connaît bien les outils de programmation tels que Python, MySqL ou Java. Les modèles prédictifs, statistiques ou mathématiques n’ont pas de secret pour lui.
Le data scientist extrait donc de la valeur de ces données et ainsi, il développe des algorithmes statistiques qui permettent de classifier des données, d’anticiper un comportement ou encore de préconiser des actions appropriées.
Il a aussi développé de très bonnes connaissances en recherches de données, autrement dit les techniques du datamining et les outils de traitement des bases de données tels que Hadoop, MapReduce, Java, BigTable et NoSQL.
Qui est le data analyst ?
Le data analyst est en quelque sorte le petit frère du data scientist. Il extrait des données brutes du Big Data afin de développer des outils stratégiques et décisionnels à forte valeur ajoutée pour en tirer des conclusions. Il a aussi des connaissances en programmation, peut utiliser la suite Hadoop pour extraire et présenter leurs données de façon lisible.
Les data analyst se spécialisent souvent dans un domaine. Ils peuvent travailler pour une entreprise, une association voire un groupe financier.
Différence entre un data engineer et un data scientist
Ce sont deux fonctions qui se complètent. Le Data Engineer est un créateur de systèmes. Il est celui qui développe, teste, met en place des architectures data. Il crée des bases de données et organise la tuyauterie, c’est-à-dire les flux de données entre les sources et les bases de stockage. Le Data Engineer prépare le terrain au Data Scientist.
Les Data Engineers et les Data Scientists travaillent ensemble pour faire parler la donnée et en tirer des enseignements permettant aux décideurs de prendre de meilleures décisions.
Voici les compétences d’un data engineer :
- L’architecture de base de données.
- La programmation (python, C/C++, Java…)
- Les outils de modélisation
- Les technologies SQL, NoSQL
- L’IA et le deep learning
- Compréhension des bases des algorithmes
- Data engineer vs data architect
Un Data Architect aide les entreprises sur les aspects organisationnels de leur projet Data. L’architecte Data (ou Big Data, en fonction de l’échelle du projet) est un métier technico-fonctionnel. Il fait référence d’une part à la capacité de décider des briques technologiques nécessaires pour la résolution d’une problématique data précise, et d’autre part à la capacité d’intégrer cet ensemble à l’architecture informatique existante de l’entreprise ou à la modifier de sorte qu’elle puisse s’intégrer avec celle-ci.
Un Data Engineer intervient en amont du Data Scientist pour aider les entreprises sur les aspects opérationnels du management de leurs données.
L’architecte Data ou Big Data doit maîtriser les technologies Big Data. Parmi les outils qu’il doit savoir utiliser, on compte les bases de données NoSQL comme MongoDB, Cassandra ou Redis.
Il doit impérativement savoir manier les infrastructures serveur comme Hadoop et Spark. Les outils de stockage de données de Memtables doivent également être maîtrisés.
Chief data officer et chief data scientist : quelles différences ?
Nouveau métier du Big Data, le « Chief Data Officer » ou « directeur des données » est devenu indispensable aux entreprises. Garant de la stratégie “data centric”, il travaille avec les différents pôles que sont le marketing, la communication ou encore l’ingénierie pour mettre en place une méthodologie permettant l’exploitation des données de façon claire et intelligible pour tous. Quant au Chief Data Scientist, il manage une équipe de Data Scientists. Il est responsable des projets d’analyse des données mais également de la mise en place d’outils de mesure. Il intervient directement dans la stratégie de l’entreprise et prend part au processus de prise de décision.
Le Chief Data Officer doit donc avoir une bonne connaissance des différents outils de Business Intelligence et d’analyse de données. Les mathématiques, les statistiques et l’analyse sont ses spécialités. Il doit à la fois être rigoureux et organisé.
Mais des qualités humaines sont aussi requises telles que l’écoute, la pédagogie et la communication. Ainsi il pourra transmettre l’analyse de données autonome, aux différents responsables des départements de l’entreprise.
Étant manager, il doit être à la fois charismatique et diplomate, afin d’amener son équipe vers l’excellence.
Le chief data scientist supervise quant à lui les équipes de data scientists au sein d’une entreprise. Il crée une passerelle entre les data scientist et les dirigeants de l’organisation. Il s’assure également du bon fonctionnement des systèmes de machine learning et du bon déroulement de la collecte de données.
Les data scientist ont besoin de liberté pour expérimenter et le chief data scientist leur permettra de trouver cette liberté au sein d’une entreprise tout en leur faisant garder une approche pragmatique souvent exigée.
Comment se former pour travailler dans le big data ?
Denis Hamon travaille comme product manager chez AXA Climate, une entité du Groupe AXA positionnée sur les risques climatiques, environnementaux et météorologiques. Formé en écoles de commerce, Denis a commencé sa carrière dans des fonctions marketing avant de prendre le virage de la data. Découvrons les conseils avisés de ce professionnel en termes de formation.
Les profils métiers doivent maîtriser les outils de la data
En matière de formation et d’auto-formation, Denis expose des positions personnelles fortes : « Les personnes avec une formation en commerce restent souvent cantonnées à des postes dans ce domaine ou en management. Or, aujourd’hui, on attend de plus en plus des profils métiers qu’ils s’acculturent en technologie et se forment aux outils. On veut qu’ils gagnent en autonomie technique pour réduire les temps de développement entre une idée et son incarnation. Même en data science, il n’y a quasiment plus aucun outil qui ne puisse être utilisé par un non spécialiste : tous les outils no-code ou low-code explosent depuis 3 ans et de nombreuses solutions SaaS permettent désormais de produire des choses très abouties. »
L’auto-formation et le développement d’expériences
Dans un autre registre, Denis livre sa propre expérience : « Quand on sort d’une école de commerce, ce qui va faire la différence pour un recruteur, ce sont les compétences annexes, celles pour lesquelles les personnes s’auto-forment. Dans mon cas, ce qui a fait la différence, c’est que je maîtrisais totalement la suite Adobe. Et quand on postule à un poste en marketing – communication c’est là un avantage discriminant. Autre exemple : si en sortie d’école de commerce vous ne maîtrisez pas Sales Force vous amoindrissez vos chances d’être recruté et il est alors difficile de vous battre sur le marché du travail ; idem pour le logiciel Segment qui permet une identification précise de ses cibles marketing. »
« Une autre source de formation ultra importante et enrichissante : l’expérience. Qu’elle soit acquise par des études de cas concrets, durant des stages ou par un programme en alternance. Rien ne remplace l’expérience ! ».
Des conseils que Denis a eu l’occasion de prodiguer directement lorsqu’il enseignait le marketing alternatif à l’INSEEC il y a 10 ans et faisait découvrir les nouveaux concepts de l’époque comme l’advergaming…
Vous souhaitez devenir Data scientist ou Data analyst ?
Paris School of Technology & Business propose le Bachelor Tech suivi du Mastère Data Science in Business ou Mastère IA & Business Transformation à poursuivre en alternance.
