Une carrière dans les données vous expose à un large éventail de technologies, de compétences et de parties prenantes. Vous aurez l’occasion de mener des projets à fort impact dans des domaines clés de l’entreprise, souvent au sein d’équipes très transverses ou en collaboration avec d’autres profils techniques.
Le passage de junior à senior en data science varie selon les secteurs et les spécialités, mais pour la plupart des data scientists, cela prend entre 2 et 5 ans. Avec les bonnes connaissances et compétences, les salaires atteignent facilement les six chiffres. D’ici 10 ans, la demande de data scientists devrait fortement augmenter, même si le rôle évoluera avec l’émergence de nouveaux outils, bonnes pratiques et méthodologies.
La progression dans une carrière data peut prendre de nombreuses formes. Quels que soient vos objectifs, certaines pratiques essentielles méritent d’être gardées en tête. Lisez la suite pour découvrir nos meilleures recommandations afin de progresser régulièrement tout au long de votre parcours.
1. Définir votre vision de la réussite
Travailler pour le simple fait de travailler n’est pas un problème en soi : la pratique continue est bénéfique et beaucoup en ressentent les effets positifs. Toutefois, sans cap clair, la satisfaction peut manquer. Il est essentiel de vous poser et de définir ce que signifie la réussite pour vous. Non seulement cela vous aidera à avancer dans la bonne direction, mais cela vous donnera aussi un moyen d’évaluer vos progrès dans le temps. Votre définition de la réussite ne doit pas forcément rimer avec promotion, salaire ou intitulé de poste. Vous pouvez viser des objectifs de long terme comme publier un article ou terminer un doctorat. Peut‑être voulez‑vous diriger une équipe ou développer un produit utilisé par des millions de personnes. En clarifiant votre vision, vous identifierez les étapes nécessaires pour grandir dans le bon sens.
2. Ne jamais cesser d’apprendre
Avez‑vous déjà entendu parler de la mentalité de croissance ? Les recherches montrent que ceux qui l’adoptent accomplissent plus que ceux qui pensent que les talents sont innés. Les carrières data peuvent être exigeantes : les praticiens doivent encaisser des revers et des échecs. Apprendre de ses erreurs est souvent cité comme un facteur clé de réussite ; même des entrepreneurs reconnus racontent leurs nombreux échecs et ce qu’ils en ont tiré.
Autre raison majeure de développer continuellement vos compétences : le rythme effréné de l’évolution du secteur. Elad Cohen rappelle dans DataFramed (vers 49 minutes) que, qu’on pense ou non que l’automatisation rationalisera des pans du flux de travail data, beaucoup sous‑estiment ce à quoi ressemblera la technologie dans 10 ans. Si vous n’apprenez pas et n’évoluez pas, l’industrie risque d’aller plus vite que vous.
3. Enrichir continuellement votre portfolio
L’importance d’un portfolio ne peut pas être surestimée. Même s’il est souvent associé aux juniors en quête d’un premier poste, un portfolio reste un excellent moyen de rassembler vos meilleures réalisations tout au long de votre carrière. C’est aussi un espace pour explorer des sujets qui vous passionnent, surtout si vous n’avez pas l’occasion de le faire au quotidien. Enfin, l’enrichir vous pousse à appliquer la bonne pratique précédente : développer sans cesse de nouvelles compétences.
Maintenir un portfolio tout au long de votre parcours vous permet de :
- Partager votre travail en cas de changement de poste, d’entreprise ou de passage en freelance
- Conserver vos projets les plus intéressants pour les approfondir plus tard
- Donner de la visibilité à vos projets de passion, très appréciés par les autres data scientists
- Construire votre marque personnelle, qui peut ouvrir des portes dans d’autres dimensions de votre carrière
4. Investir dans les capacités de déploiement de modèles
À l’heure actuelle, l’un des plus grands écarts entre l’enseignement universitaire de la data science et sa pratique en entreprise concerne le MLOps. En bref, le MLOps regroupe outils, pratiques, techniques, culture et état d’esprit pour assurer un déploiement fiable et scalable des systèmes de machine learning. L’un des défis majeurs des équipes data est justement le déploiement efficace et à l’échelle des modèles, si bien que les estimations indiquent que seules 8 % des entreprises ont des modèles en production. Sans surprise, le MLOps est l’un des domaines de la data science qui a le plus progressé ces derniers temps.
Investir dans les capacités de déploiement est essentiel pour de nombreux data scientists aujourd’hui, y compris les plus expérimentés. Reconnaître un angle mort et définir les actions pour le combler est un excellent levier de progression. Vous n’avez pas à maîtriser chaque nouvel outil, mais comprendre les concepts clés du MLOps et apprendre à appliquer ses méthodes vous mènera déjà loin et posera les bases d’une spécialisation ultérieure. Pour démarrer, consultez ces ressources gratuites dans ce billet de blog.
5. Choisir une spécialité
La data science est un domaine extrêmement vaste. Dans cet e‑book, DataCamp la définit comme « un champ pluridisciplinaire visant à extraire des insights utiles à partir des données ». Les disciplines vont des mathématiques aux statistiques, du machine learning à la programmation, en passant par la visualisation de données, et plus encore. Il est impossible de devenir expert dans tous ces domaines, d’autant que chacun exige déjà un niveau de maîtrise conséquent pour bien mettre en œuvre ses techniques. Par exemple, mesurez toute la théorie nécessaire pour déployer un modèle de langage naturel avec une précision satisfaisante et sans biais.
Après avoir touché à plusieurs sujets, prenez le temps de réfléchir à l’endroit où vous souhaitez vous spécialiser. Devenir expert d’un domaine est une excellente façon d’ouvrir des portes et de vous rapprocher de votre vision de la réussite.
6. Développer votre réseau
Le réseau reste l’un des meilleurs leviers d’évolution : participer à des événements, organiser des « coffee chats » avec des professionnels du secteur ou des collègues, voire donner des talks vous‑même. Un réseau permet de comprendre ce qui se passe ailleurs, d’identifier les compétences à acquérir et celles qui seront demandées demain dans votre organisation. C’est aussi le moyen le plus simple d’entrer en contact avec une nouvelle entreprise si vous envisagez un changement.
Le networking peut intimider, mais il existe de nombreuses façons de s’y mettre et de trouver des événements dans la communauté data. Nous avons rassemblé une liste des meilleures conférences de data science à suivre en 2022 pour vous aider à démarrer.
7. Lutter contre le syndrome de l’imposteur
Le Harvard Business Review définit le syndrome de l’imposteur comme « douter de ses capacités et se sentir comme un imposteur », un sentiment que beaucoup de data scientists ont connu à un moment de leur carrière. L’ampleur et la profondeur des connaissances des profils expérimentés peuvent sembler une barre très haute au début. Plus tard, vous croiserez aussi des experts pointus dans chacune des nombreuses sous‑disciplines de la data science. Le terme s’est largement démocratisé ces dernières années, avec de nombreux dirigeants qui partagent leurs expériences. Il existe donc de nombreux ouvrages pour comprendre son impact et apprendre à y faire face. Ce post Reddit rassemble également des témoignages de data scientists.
8. Garder un œil sur le marché de l’emploi
Votre progression de carrière est fortement corrélée à ce que vous faites de 9 h à 17 h. Si votre quotidien ne s’aligne pas avec votre vision de la réussite à long terme, il est peut‑être temps de faire le point. Cela peut passer par une discussion avec votre manager pour ajuster vos missions, ou par un mouvement latéral en interne. Quoi qu’il en soit, restez attentif aux dynamiques du marché. Vos compétences sont peut‑être très recherchées, et d’autres entreprises peuvent proposer des rôles différents ou de meilleures conditions.
Jerry Lee de Wonsulting, cabinet spécialisé dans le développement de carrière, recommande de passer des entretiens chaque année dans des entreprises qui vous intéressent pour garder la main et vérifier que votre employeur vous valorise à votre juste mesure. L’importance de cette pratique dépend de vos objectifs à long terme, mais garder le pouls du marché reste toujours une bonne idée.
9. Rester à jour
Au‑delà du développement de vos propres compétences, il est utile d’avoir une vue d’ensemble de ce qui se passe à la frontière de la recherche, chez les acteurs technologiques et chez les leaders de votre secteur. Pas besoin d’entrer systématiquement dans les détails : comprendre le potentiel des dernières technologies à un niveau macro vous maintient informé. Bonus si vous pouvez en discuter avec votre réseau pour apprendre comment ils les appliquent ou leur partager vos trouvailles !
Une bonne ressource pour cette veille de haut niveau : Adam Votava, qui publie chaque semaine sur LinkedIn « Keeping Up with Data ». Ces synthèses bien rédigées sont idéales pour suivre l’actualité de la recherche, du business et des nouveaux packages Python. Vous pouvez aussi vous abonner à notre newsletter vidéo Weekly Roundup, qui regroupe les infos les plus intéressantes issues de la data science, de la tech et de la recherche.
10. Mesurer l’impact de votre travail
La progression de carrière doit vous rapprocher de vos propres indicateurs de réussite – mais qu’en est‑il de ceux de votre organisation ? Il est important d’évaluer l’impact de votre travail : gain de temps grâce à des outils plus efficaces, aide aux collègues via un tableau de bord pertinent, réduction des coûts de production grâce à un modèle bien entraîné... Comprendre votre impact dans l’entreprise vous permet de :
- Monter un argumentaire métier pour une promotion ou un changement de poste
- Justifier le financement d’une formation par votre entreprise
- Présenter vos travaux en conférence
- Réussir vos entretiens si vous envisagez un nouveau rôle
11. Développer vos compétences en leadership
La bonne pratique n° 12 aborde les différents parcours managériaux possibles en data science. Pour y parvenir, cultivez des compétences de leadership en tant que contributeur individuel. Délégation, priorisation, feedback, définition d’une direction claire : ces aptitudes sont essentielles. Même sans management direct, vous pouvez les apprendre et les appliquer lorsque vous pilotez un projet en tant que contributeur principal.
Les occasions de développer ces compétences ne manqueront pas au fil de votre carrière, mais elles vous demanderont parfois de sortir de votre zone de confort. Entrer dans la zone d’étirement est souvent là où s’opèrent nos meilleurs apprentissages et réussites : ne fuyez pas ces opportunités, elles offrent un levier de croissance qui portera ses fruits sur la durée.
12. Choisir une trajectoire de carrière
Les parcours de carrière ne sont plus forcément linéaires. Vous pouvez évoluer latéralement vers une autre équipe ou un autre projet, ou alterner entre management et contribution individuelle. Meta a catégorisé certains parcours ici, en précisant que « devenir manager n’est pas une promotion. C’est juste une autre façon de faire avancer le travail ». Cette philosophie est répandue, notamment dans les organisations plus plates, où les équipes se structurent autour des projets plutôt que des fonctions. Chez Meta, les trajectoires principales sont :
- Senior contributor : sans gérer d’équipe, ces profils mentorent souvent des juniors et influencent fortement la stratégie et les décisions. Ce parcours reste très « hands‑on », avec beaucoup de code.
- Tech lead : un équilibre entre contribution technique et encadrement d’une petite équipe, souvent d’autres professionnels de la donnée.
- People managers : le management au sens classique, avec très peu de code, des réunions de haut niveau et la gestion des équipes au quotidien.
Il est utile d’avoir une idée de la destination à long terme. Si le management n’est pas pour vous aujourd’hui, investissez davantage dans vos compétences techniques ; à l’inverse, si c’est votre objectif, misez sur le réseau et cherchez des occasions d’apprendre le leadership.
Bonus – il existe de multiples façons de réussir en data science
Cet article s’adresse surtout aux data scientists en entreprise, mais il existe bien d’autres voies pour réussir dans les métiers de la donnée. Le monde académique, l’enseignement, le freelance ou la création de contenu permettent d’avoir un impact positif, d’apprendre et d’innover, ou d’augmenter votre potentiel de revenus. Ne vous enfermez pas dans une seule entreprise ou un seul parcours : clarifiez votre vision de la réussite et mettez‑la en œuvre.
Ressources complémentaires :
- Abonnez-vous au podcast DataFramed
- Découvrez nos certifications
- Regardez ce webinaire sur la création d’un portfolio de data science